人工智能中的模糊逻辑：架构、应用、优缺点

已发表: 2020-03-26

在我们的日常生活中，您并不总是能够通过说是或否来做出决定。这是因为您可能会面临没有足够信息做出决定的情况。 或者，我们自己可能有点困惑。 例如，如果有人问你下个月的某个日期是否有空，你可能不会马上说是或否。 这是因为你不能完全确定下个月的那个日子你会不会很忙。

是不是很棘手？ 人工智能中的模糊逻辑帮助计算机处理输入数据有点不清楚的类似情况。

从世界顶级大学获得机器学习培训。 获得硕士、Executive PGP 或高级证书课程以加快您的职业生涯。

目录

什么是模糊逻辑？

Fuzzy这个词的意思有点模糊。 当情况不明确时，计算机可能无法产生真或假的结果。 根据布尔逻辑，值 1 表示 True，0 表示 False。 但是模糊逻辑算法考虑了问题的所有不确定性，其中可能存在除真或假之外的可能值。

模糊逻辑一词由Lotfi Zadeh在 1965 年首次描述。 他认为传统的计算机逻辑无法处理不明确或模糊的数据。 与人类类似，计算机可以合并的 True 和 False 之间有许多可能的值。 这些可以是：

  • 当然可以
  • 可能是的
  • 不能说
  • 可能没有
  • 肯定没有

看看这个模糊逻辑的简单例子：

问题——布尔逻辑

解决方案

  • 是 (1.0)
  • 没有 (0)

根据传统的布尔逻辑，该算法将采用确定的输入并产生精确的结果是或否。这分别由 0 和 1 表示。

模糊逻辑

解决方案

  • 非常热 (0.9)
  • 小热 (0.20)
  • 中等热 (0.35)
  • 不热 (1.0)

根据上面的示例，模糊逻辑具有更广泛的输出范围，例如非常热、中等热和不热。 这些介于 0 和 1 之间的值显示了可能性的范围。

因此，在无法提供准确推理的情况下，模糊逻辑提供了一种可接受的推理方法。 基于模糊逻辑的算法在解决问题时获取所有可用数据。 然后根据给定的输入做出最佳决策。

加州大学圣地亚哥分校计算机科学与工程系助理教授Charles Elkan阐明了模糊逻辑。 他说，人工智能中的模糊逻辑是标准逻辑的一种概括形式，其中任何概念的真实度都可能在 0.0 到 1.0 之间。 模糊逻辑可用于模糊概念，例如身高的特征。 例如，我们可以说克林顿总统很高，这个概念的真实度可以达到 0.9。

他进一步表示，模糊逻辑在低级机器控制中非常有用，尤其是在消费电器中。 一些基于模糊逻辑的专用微处理器在其硬件上执行模糊操作。

现在让我们通过查看其架构来了解人工智能中的模糊逻辑。

阅读：机器学习项目理念

模糊逻辑架构

模糊逻辑的架构由以下组件组成：

规则库

这是一组规则以及用于做出决策的 If-Then 条件。 但是，模糊逻辑的现代发展减少了规则库中的规则数量。 这些规则集也称为知识库。

模糊化

这是将清晰数字转换为模糊集的步骤。 清晰集是一组具有相同属性的元素。 基于一定的逻辑，一个元素要么属于集合，要么不属于集合。 Crisp 集基于二进制逻辑——是或否的答案。

在这里，误差信号和物理值被转换为标准化的模糊子集。 在任何模糊逻辑系统中，模糊器将输入信号分为五种状态：

  • 大正
  • 中等阳性
  • 小的
  • 中等负面
  • 大负数

模糊化过程转换传感器获取的清晰输入（例如室温），并将其传递给控制系统进行进一步处理。 模糊逻辑控制系统基于模糊逻辑。 常见的家用电器，如空调和洗衣机，内部都有模糊控制系统。

阅读：印度机器学习开发人员的薪水

推理引擎

推理引擎确定输入值和规则的匹配程度。 根据收到的输入值应用规则。 然后，这些规则用于开发控制动作。 推理引擎和知识库一起被称为模糊逻辑系统中的控制器。

去模糊化

这是模糊化的逆过程。 在这里，模糊值通过映射转换为清晰值。 有几种去模糊化方法可以做到这一点，但根据输入选择最好的一种。 这是一个复杂的过程，其中使用了最大隶属度原则、加权平均法和质心法等方法。

模糊逻辑在人工智能中的优势

使用模糊逻辑系统的好处如下：

  • 这是一个强大的系统，不需要精确的输入
  • 这些系统能够适应多种类型的输入，包括模糊、扭曲或不精确的数据
  • 如果反馈传感器停止工作，您可以根据情况重新编程
  • 模糊逻辑算法可以使用更少的数据进行编码，因此它们不会占用巨大的内存空间
  • 由于它类似于人类推理，因此这些系统能够解决存在模糊输入的复杂问题，并据此做出决策
  • 这些系统很灵活，规则可以修改
  • 该系统结构简单，易于构建
  • 您可以节省系统成本，因为这些系统可以容纳廉价的传感器

另请阅读：带有用例的机器学习算法类型

人工智能中模糊逻辑的缺点

让我们看看模糊逻辑系统的缺点：

  • 这些系统的准确性受到影响，因为系统主要处理不准确的数据和输入
  • 没有使用模糊逻辑解决问题的单一系统方法。 结果，针对特定问题出现了许多解决方案，导致混乱
  • 由于结果不准确，它们并不总是被广泛接受
  • 模糊逻辑控制系统的一个主要缺点是它们完全依赖于人类的知识和专业知识
  • 您必须定期更新模糊逻辑控制系统的规则
  • 这些系统无法识别机器学习或神经网络
  • 该系统需要进行大量测试以进行验证和验证

模糊逻辑的应用

模糊逻辑的应用分布在多个领域。 它们如下：

药物

  • 为患者提供麻醉时控制动脉压
  • 用于诊断放射学和诊断支持系统
  • 前列腺癌和糖尿病的诊断

交通系统

  • 处理地铁运营
  • 控制列车时刻表
  • 根据车速、加速度和轮速等参数制动和停止车辆

防御

  • 定位和识别水下目标
  • 支持海军决策
  • 使用热红外图像进行目标识别
  • 用于控制超高速拦截器

行业

  • 控制水净化厂
  • 处理结构设计中的约束满足问题
  • 质量保证模式分析
  • 模糊逻辑用于解决污泥废水处理

海军控制

  • 正确驾驶船舶
  • 选择到达目的地的最佳或最佳路线
  • Autopilot 基于模糊逻辑
  • 使用模糊逻辑控制自主水下航行器

由模糊逻辑驱动的洗涤系统

如今，由模糊逻辑驱动的现代洗衣机越来越受欢迎。 他们有不断跟踪温度变化的传感器。 它相应地调整控制和操作。 这些系统性能良好，生产效率高且具有成本效益。

为获得最佳洗涤效果，Fuzzy Logic 控制洗涤过程、水温、脱水速度、洗涤时间、进水量和漂洗性能。 高级机器执行以下操作：

  • 检查机器负载，防止超载
  • 检查水的硬度并确定布料的类型
  • 就洗涤剂的最佳用量向用户提供建议。 他们还检查洗涤剂是液体还是粉末状
  • 他们从以前的洗涤经验中学习，并记住算法以增强洗涤效果

大多数系统都基于节能技术，可帮助您在洗衣服时节省电力。 即使您每周洗 2 到 3 次衣服，这些功能也可以帮助您节省能源。 传感器监控整个洗涤过程，并进行必要的调整和校正以获得最佳洗涤效果。

这些洗衣机中的模糊逻辑检查衣服上的污垢和污垢量、旋转方向和所需的肥皂量。 为了更好地旋转，洗涤负载得到适当平衡。 如果检测到不平衡，则降低旋转速度。 此外，平衡洗涤负载有助于降低旋转噪音。

松下等公司在其洗碗机中使用了类似的技术。 Fuzzy Logic 用于调整洗碗机的清洁周期以及洗涤和漂洗方法。 机器的性能还取决于放入洗衣机的盘子数量。

结论

尽管人工智能中的模糊逻辑有助于模仿人类推理，但这些系统需要专家指导才能构建。 这使您可以依靠对系统有更好理解的专家的经验。 模糊逻辑也可用于增强算法的执行。 IBM Watson 使用模糊逻辑和模糊语义。

查看 upGrad 的机器学习和 NLP 高级证书课程。 本课程的设计考虑到对机器学习感兴趣的各种学生，提供 1-1 指导等等。

模糊逻辑在现实生活中有哪些应用？

模糊逻辑用于与常规逻辑相同的应用程序，但具有处理不精确推理的能力。 模糊逻辑的主要应用是人工智能。 模糊逻辑用于工厂控制器和工业软件。 此外，厨房、家庭影院和娱乐、空调和暖气、微波炉、数码相机、冰箱和电视等大多数现代电器都使用模糊逻辑。 该系统是一条双向街道。 它使用模糊逻辑做出明智的决策，但客户的反应也很模糊。 因此，为了使系统更加准确，研究人员将模糊科学应用于此类设备。

模糊逻辑的局限性是什么？

模糊逻辑是一种使用实数值而不是传统的二进制值来表示逻辑语句的方法。 模糊逻辑有两个主要限制：处理不精确的数据和人类思维的固有推理。 这两个问题是相互关联的。 如果系统中的数据不精确，那么人类就无法推断出知识或关系。 希望未来的研究能够解决这些问题。

模糊控制有什么好处？

模糊控制允许基于过程的实际输出进行控制，而不是基于设定点的控制。 这意味着控制回路的输出不是固定在特定值，而是允许在特定范围内变化。 这提供了比定点控制更好的控制，尤其是在输入和输出之间具有非线性关系的应用中。