Нечеткая логика в искусственном интеллекте: архитектура, приложения, преимущества и недостатки

В нашей повседневной жизни вы не всегда можете принять решение, сказав «да» или «нет». Это связано с тем, что вы можете столкнуться с ситуациями, когда для принятия решения недостаточно информации. Или мы можем быть немного сбиты с толку сами. Например, если кто-то спросит вас, свободны ли вы в определенный день в следующем месяце, вы, вероятно, не сразу ответите «да» или «нет». Это потому, что вы не совсем уверены, что не будете заняты в это самое число в следующем месяце.

Сложно, не так ли? Нечеткая логика в искусственном интеллекте помогает компьютерам справляться с похожими ситуациями, когда входные данные немного неясны.

Пройдите обучение по машинному обучению в лучших университетах мира. Заработайте программы Masters, Executive PGP или Advanced Certificate Programs, чтобы ускорить свою карьеру.

Что такое нечеткая логика?

Термин Fuzzy означает что-то немного расплывчатое. Когда ситуация неясна, компьютер может быть не в состоянии выдать результат, который является истинным или ложным. В соответствии с булевой логикой значение 1 означает Истина, а 0 означает Ложь. Но алгоритм нечеткой логики учитывает все неопределенности проблемы, где могут быть возможные значения, кроме Истина или Ложь.

Термин «нечеткая логика» был впервые описан Лотфи Заде в 1965 году . Он считал, что традиционная компьютерная логика не способна обрабатывать нечеткие или расплывчатые данные. Как и у людей, существует множество возможных значений между True и False, которые компьютер может использовать. Это могут быть:

• Конечно да
• Возможно да
• Не могу сказать
• Возможно нет
• Конечно нет

Посмотрите на этот простой пример нечеткой логики:

Проблема : Булева логика

Решение

• Да (1.0)
• Нет (0)

В соответствии с традиционной булевой логикой алгоритм принимает определенные входные данные и выдает точный результат «Да» или «Нет». Это представлено 0 и 1 соответственно.

Нечеткая логика

Решение

• Очень жарко (0,9)
• Немного жарко (0,20)
• Умеренно жарко (0,35)
• Не жарко (1.0)

В приведенном выше примере нечеткая логика имеет более широкий диапазон выходных данных, таких как очень горячие, умеренно горячие и не горячие. Эти значения от 0 до 1 отображают диапазон возможностей.

Таким образом, в тех случаях, когда невозможно обеспечить точное рассуждение, нечеткая логика предоставляет приемлемый метод рассуждения. Алгоритм, основанный на нечеткой логике, использует все доступные данные при решении проблемы. Затем он принимает наилучшее возможное решение в соответствии с заданными входными данными.

Чарльз Элкан, доцент кафедры информатики и инженерии Калифорнийского университета в Сан-Диего, пролил свет на нечеткую логику. Он сказал, что нечеткая логика в искусственном интеллекте — это обобщенная форма стандартной логики, где любое понятие может иметь степень истинности в диапазоне от 0,0 до 1,0. Нечеткую логику можно использовать для расплывчатых понятий, таких как характеристика роста. Например, мы можем сказать, что президент Клинтон высокий, и это понятие может иметь степень истинности 0,9.

Он также сказал, что нечеткая логика очень полезна для низкоуровневого управления машинами, особенно в бытовой технике. Некоторые микропроцессоры специального назначения, построенные на основе нечеткой логики, выполняют нечеткие операции на своем оборудовании.

Давайте теперь разберемся с нечеткой логикой в ​​​​искусственном интеллекте , взглянув на ее архитектуру.

Читайте: Идеи проекта машинного обучения

Архитектура нечеткой логики

Архитектура Fuzzy Logic состоит из следующих компонентов:

База правил

Это набор правил вместе с условиями «если-то», которые используются для принятия решений. Но современные разработки в области нечеткой логики сократили количество правил в базе правил. Этот набор правил также называют базой знаний.

Фаззификация

На этом этапе четкие числа преобразуются в нечеткие множества . Четкий набор — это набор элементов, обладающих одинаковыми свойствами. Исходя из определенной логики, элемент может либо принадлежать множеству, либо нет. Хрустящие наборы основаны на бинарной логике — ответы Да или Нет.

Здесь сигналы ошибок и физические значения преобразуются в нормализованное нечеткое подмножество. В любой системе нечеткой логики фаззификатор разделяет входные сигналы на пять состояний:

• Большой позитив
• Средний положительный
• Небольшой
• Средний негатив
• Большой негатив

Процесс фаззификации преобразует четкие входные данные, такие как комнатная температура, полученные датчиками, и передает их в систему управления для дальнейшей обработки. Система управления Fuzzy Logic основана на Fuzzy Logic. Обычные бытовые приборы, такие как кондиционеры и стиральные машины, имеют внутри себя системы Fuzzy Control.

Читайте: Зарплата разработчиков машинного обучения в Индии

Механизм логического вывода

Механизм вывода определяет, насколько совпадают входные значения и правила. Правила применяются на основе полученных входных значений. Затем правила используются для разработки управляющих воздействий. Механизм логического вывода и база знаний вместе называются контроллером в системе нечеткой логики.

Дефаззификация

Это обратный процесс фаззификации . Здесь нечеткие значения преобразуются в четкие значения путем отображения. Для этого будет несколько методов дефаззификации, но лучший из них выбирается в соответствии с входными данными. Это сложный процесс, в котором используются такие методы, как принцип максимального членства, метод средневзвешенного значения и метод центроида.

Преимущества нечеткой логики в искусственном интеллекте

Преимущества использования систем Fuzzy Logic заключаются в следующем:

• Это надежная система, в которой не требуются точные входные данные.
• Эти системы могут обрабатывать несколько типов входных данных, включая расплывчатые, искаженные или неточные данные.
• В случае, если датчик обратной связи перестал работать, вы можете перепрограммировать его в зависимости от ситуации.
• Алгоритмы нечеткой логики могут быть закодированы с использованием меньшего количества данных, поэтому они не занимают много места в памяти.
• Поскольку это напоминает человеческое мышление, эти системы способны решать сложные проблемы, когда доступны неоднозначные входные данные, и принимать соответствующие решения.
• Эти системы являются гибкими, и правила могут быть изменены
• Системы имеют простую структуру и легко конструируются.
• Вы можете снизить затраты на систему, так как эти системы могут быть оснащены недорогими датчиками.

Читайте также: Типы алгоритмов машинного обучения с вариантами использования

Недостатки нечеткой логики в искусственном интеллекте

Давайте посмотрим на недостатки систем Fuzzy Logic:

• Точность этих систем скомпрометирована, поскольку система в основном работает с неточными данными и входными данными.
• Не существует единого системного подхода к решению проблемы с использованием нечеткой логики. В результате возникает множество решений той или иной проблемы, что приводит к путанице.
• Из-за неточности результатов они не всегда широко принимаются
• Основным недостатком систем управления Fuzzy Logic является то, что они полностью зависят от человеческих знаний и опыта.
• Вы должны регулярно обновлять правила системы управления Fuzzy Logic.
• Эти системы не могут распознавать машинное обучение или нейронные сети.
• Системы требуют много испытаний для проверки и проверки

Приложения нечеткой логики

Применение нечеткой логики распространяется на несколько областей. Они следующие:

Медицина

• Контроль артериального давления при проведении анестезии пациентам
• Используется в диагностической радиологии и системах диагностической поддержки
• Диагностика рака предстательной железы и диабета

Транспортные системы

• Управление движением поездов метро
• Контроль расписания поездов
• Торможение и остановка транспортных средств на основе таких параметров, как скорость автомобиля, ускорение и скорость вращения колес.

Защита

• Обнаружение и распознавание целей под водой
• Поддерживает принятие морских решений
• Использование тепловых инфракрасных изображений для распознавания целей
• Используется для управления сверхскоростными перехватчиками.

Промышленность

• Управление водоочистными сооружениями
• Решение проблем с удовлетворением ограничений при проектировании конструкций
• Анализ шаблонов для обеспечения качества
• Fuzzy Logic используется для решения проблемы очистки сточных вод от осадка

Морской контроль

• Управляйте кораблями правильно
• Выбор оптимальных или наилучших возможных маршрутов для достижения пункта назначения
• Автопилот основан на нечеткой логике.
• Автономные подводные аппараты управляются с помощью Fuzzy Logic

Моечные системы на базе Fuzzy Logic

Современные стиральные машины на базе Fuzzy Logic становятся популярными в наши дни. У них есть датчики, которые постоянно отслеживают изменения температуры. Он соответствующим образом регулирует элементы управления и операции. Эти системы работают хорошо, продуктивны и экономичны.

Для достижения наилучших результатов стирки Fuzzy Logic управляет процессом стирки, температурой воды, скоростью отжима, временем стирки, потреблением воды и эффективностью полоскания. Усовершенствованные машины делают следующее:

• Проверьте нагрузку машины, чтобы предотвратить перегрузку
• Проверьте жесткость воды и определите тип материала ткани
• Консультирует пользователя по оптимальному количеству моющего средства. Они также проверяют, находится ли моющее средство в жидкой или порошкообразной форме.
• Они учатся на предыдущем опыте стирки и запоминают алгоритмы для улучшения результатов стирки.

Большинство систем основаны на энергосберегающих технологиях, которые помогают экономить электроэнергию при стирке белья. Эти функции помогают экономить энергию, даже если вы стираете много белья 2–3 раза в неделю. Датчики контролируют весь процесс стирки и вносят необходимые коррективы и исправления для достижения наилучших результатов стирки.

Нечеткая логика в этих стиральных машинах проверяет количество грязи на одежде, направление отжима и необходимое количество мыла. Для лучшего отжима загрузка белья правильно сбалансирована. При обнаружении дисбаланса скорость отжима снижается. Кроме того, балансировка загрузки белья помогает уменьшить шум при отжиме.

Такие компании, как Panasonic, используют аналогичные технологии в своих посудомоечных машинах. Нечеткая логика используется для настройки циклов очистки посудомоечных машин, а также методов мытья и ополаскивания. Производительность машины также зависит от количества посуды, загруженной в нее.

Заключение

Хотя нечеткая логика в искусственном интеллекте помогает имитировать человеческое мышление, для создания этих систем требуется экспертное руководство. Это позволяет вам полагаться на опыт экспертов, которые лучше разбираются в системе. Нечеткую логику также можно использовать для улучшения выполнения алгоритмов. IBM Watson использует нечеткую логику и нечеткую семантику .

Ознакомьтесь с расширенной сертификационной программой upGrad в области машинного обучения и НЛП. Этот курс был разработан с учетом различных типов студентов, заинтересованных в машинном обучении, предлагая индивидуальное наставничество и многое другое.

Каково применение нечеткой логики в реальной жизни?

Нечеткая логика используется для тех же приложений, что и обычная логика, но с возможностью обработки неточных рассуждений. Основное приложение нечеткой логики предназначено для искусственного интеллекта. Нечеткая логика используется в заводских контроллерах и промышленном программном обеспечении. Кроме того, большинство современных кухонных приборов, домашних кинотеатров и развлечений, кондиционеров и обогревателей, микроволновых печей, цифровых камер, холодильников и телевизоров и т. д. используют нечеткую логику. Система представляет собой улицу с двусторонним движением. Он использует нечеткую логику для принятия разумных решений, но и клиенты реагируют нечетко. Итак, чтобы сделать систему более точной, исследователи применяют нечеткую науку к таким устройствам.

Каковы ограничения нечеткой логики?

Нечеткая логика — это способ представления логических утверждений с использованием реальных значений вместо обычных двоичных значений. Нечеткая логика имеет два основных ограничения: обработка неточных данных и вывод, присущий человеческому мышлению. Обе эти проблемы связаны друг с другом. Если данные в системе неточны, то человек не может вывести знание или отношение. Есть надежда, что будущие исследования приведут к решению этих проблем.

Каковы преимущества нечеткого управления?

Нечеткое управление позволяет управлять на основе фактических результатов процесса, а не на основе заданного значения. Это означает, что выход контура управления не фиксируется на определенном значении, а может изменяться в определенном диапазоне. Это дает лучшее управление, чем управление с фиксированной точкой, особенно в приложениях с нелинейной зависимостью между входом и выходом.