En nuestro día a día, podemos enfrentar situaciones en las que no podemos determinar si el estado es verdadero o falso. Fuzzy se refiere a algo que no es claro o vago. Fuzzy Logic en AI proporciona una valiosa flexibilidad para el razonamiento. Y en este artículo aprenderemos sobre esta lógica y su implementación en en la siguiente secuencia:
cómo usar conjuntos en java
- ¿Qué es la lógica difusa?
- ¿Por qué usamos Fuzzy Logic?
- Arquitectura
- Función de la membresía
- Lógica difusa vs probabilidad
- Aplicaciones de la lógica difusa
- Ventajas desventajas
- Lógica difusa en IA: ejemplo
¿Qué es la lógica difusa?
Lógica difusa (FL) es un método de razonamiento que se asemeja a razonamiento humano . Este enfoque es similar a cómo los humanos realizan la toma de decisiones. E involucra todas las posibilidades intermedias entre SI y NO .
los bloque lógico convencional que una computadora entiende toma una entrada precisa y produce una salida definida como VERDADERO o FALSO, que es equivalente al SÍ o NO de un ser humano. La lógica difusa fue inventada por Lotfi Zadeh quienes observaron que a diferencia de las computadoras, los humanos tienen un rango diferente de posibilidades entre SÍ y NO, tales como:
La lógica difusa trabaja en los niveles de posibilidades de entrada para lograr una salida definida. Ahora, hablando de la implementación de esta lógica:
Se puede implementar en sistemas con diferentes tamaños y capacidades como microcontroladores, grandes en red o sistemas basados en estaciones de trabajo.
Además, se puede implementar en hardware software o una combinación de ambos .
¿Por qué usamos Fuzzy Logic?
Generalmente, usamos el sistema de lógica difusa tanto para fines comerciales como prácticos, tales como:
Eso controla las máquinas y productos de consumo
Si no es un razonamiento preciso, al menos proporciona razonamiento aceptable
Esto ayuda a lidiar con el incertidumbre en la ingeniería
Entonces, ahora que conoce la lógica difusa en la inteligencia artificial y por qué la usamos, sigamos adelante y comprendamos la arquitectura de esta lógica.
Arquitectura de lógica difusa
La arquitectura de lógica difusa consta de cuatro partes principales:
Reglas - Contiene todas las reglas y las condiciones if-then que ofrecen los expertos para controlar el sistema de toma de decisiones. La reciente actualización de la teoría difusa proporciona diferentes métodos efectivos para el diseño y ajuste de controladores difusos . Por lo general, estos desarrollos reducen el número de reglas difusas.
Fuzzificación - Este paso convierte las entradas o los números nítidos en conjuntos difusos. Puede medir las entradas nítidas mediante sensores y pasarlas al sistema de control para su posterior procesamiento. Divide la señal de entrada en cinco pasos como:
Máquina de inferencia - Determina el grado de coincidencia entre la entrada difusa y las reglas. Según el campo de entrada, decidirá las reglas que se dispararán. Combinando las reglas disparadas, forman las acciones de control.
Defuzzificación - El proceso de Defuzzification convierte los conjuntos difusos en un valor nítido. Hay diferentes tipos de técnicas disponibles, y debe seleccionar la más adecuada con un sistema experto.
Entonces, se trataba de la arquitectura de la lógica difusa en la IA. Ahora, comprendamos la función de membresía.
Función de la membresía
La función de membresía es una grafico que define cómo cada punto en el espacio de entrada se asigna a un valor de membresía entre 0 y 1. Le permite cuantificar términos lingüísticos y representar gráficamente un conjunto difuso. Una función de pertenencia para un conjunto difuso A en el universo del discurso X se define como & muA: X → [0,1]
Cuantifica el grado de pertenencia del elemento en X al conjunto difuso A.
eje x representa el universo del discurso.
y-axis representa los grados de pertenencia en el intervalo [0, 1].
Puede haber múltiples funciones de pertenencia aplicables para fuzzificar un valor numérico. Las funciones de pertenencia simples se utilizan ya que las funciones complejas no agregan precisión en la salida. La membresía funciona para LP, MP, S, MN y LN son:
Las formas de función de pertenencia triangular son más comunes entre varias otras formas de función de pertenencia. Aquí, la entrada al difusor de 5 niveles varía de -10 voltios a +10 voltios . Por tanto, la salida correspondiente también cambia.
Lógica difusa vs probabilidad
| Lógica difusa | Probabilidad |
| En lógica difusa, básicamente tratamos de capturar el concepto esencial de vaguedad. | La probabilidad está asociada con eventos y no con hechos, y esos eventos ocurrirán o no ocurrirán. |
| Fuzzy Logic captura el significado de la verdad parcial | La teoría de la probabilidad captura el conocimiento parcial |
| La lógica difusa toma grados de verdad como base matemática | La probabilidad es un modelo matemático de ignorancia |
Entonces, estas fueron algunas de las diferencias entre la lógica difusa en IA y la probabilidad. Ahora, echemos un vistazo a algunas de las aplicaciones de esta lógica.
Aplicaciones de la lógica difusa
La lógica difusa se utiliza en diversos campos como sistemas automotrices, artículos domésticos, control ambiental, etc. Algunas de las aplicaciones comunes son:
Se utiliza en el campo aeroespacial para control de altitud de naves espaciales y satélites.
Esto controla el velocidad y tráfico en el sistemas automotrices.
Se utiliza para sistemas de apoyo a la toma de decisiones y valoración personal en el negocio de las grandes empresas.
cómo instalar php windows
También controla el pH, secado, proceso de destilación química en el industria química .
La lógica difusa se utiliza en Procesamiento natural del lenguaje y varios intensivos .
Se utiliza ampliamente en sistemas de control modernos como los sistemas expertos.
Fuzzy Logic imita cómo una persona tomaría decisiones, solo que mucho más rápido. Por lo tanto, puede usarlo con Redes neuronales .
Estas fueron algunas de las aplicaciones comunes de Fuzzy Logic. Ahora, echemos un vistazo a las ventajas y desventajas de usar Fuzzy Logic en IA.
Ventajas y desventajas de la lógica difusa
La lógica difusa proporciona un razonamiento simple similar al razonamiento humano. Hay mas como ventajas de usar esta lógica, como:
La estructura de Fuzzy Logic Systems es fácil y comprensible
La lógica difusa se usa ampliamente para comercial y Propósitos prácticos
Te ayuda a maquinas de control y productos de consumo
Te ayuda a lidiar con el incertidumbre en la ingeniería
Principalmente robusto ya que no se requieren entradas precisas
Si el sensor de retroalimentación deja de funcionar, puede programarlo en la situación
Usted puede modificar fácilmente para mejorar o alterar el rendimiento del sistema
Sensores económicos se puede utilizar, lo que le ayuda a mantener bajos los costos y la complejidad generales del sistema.
Estas fueron las diferentes ventajas de la lógica difusa. Pero tiene algunos desventajas también:
La lógica difusa es no siempre exacto . Por lo tanto, los resultados se perciben en función de suposiciones y pueden no ser ampliamente aceptados.
Eso no puedo reconocer tanto como patrones de tipo
Validación y Verificación de un sistema difuso basado en el conocimiento necesita pruebas exhaustivas con hardware
Establecer reglas exactas, difusas y funciones de pertenencia es una tarea difícil
A veces, la lógica difusa es confuso con teoría de probabilidad
Entonces, estas fueron algunas de las ventajas y desventajas de usar lógica difusa en IA. Ahora, tomemos un ejemplo del mundo real y comprendamos el funcionamiento de esta lógica.
Lógica difusa en IA: ejemplo
El diseño de un sistema de lógica difusa comienza con un conjunto de funciones de pertenencia para cada entrada y un conjunto para cada salida. Luego se aplica un conjunto de reglas a las funciones de pertenencia para producir un valor de salida nítido. Tomemos un ejemplo de control de procesos y comprendamos la lógica difusa.
Paso 1
Aquí, Temperatura es la entrada y Velocidad del ventilador es la salida. Debe crear un conjunto de funciones de pertenencia para cada entrada. Una función de pertenencia es simplemente una representación gráfica de los conjuntos de variables difusas. Para este ejemplo, usaremos tres conjuntos difusos, Tibio frio y Caliente . Luego crearemos una función de pertenencia para cada uno de los tres conjuntos de temperatura:
Paso 2
En el siguiente paso, usaremos tres conjuntos difusos para la salida, Lento, medio y Rápido . Se crea un conjunto de funciones para cada conjunto de salida al igual que para los conjuntos de entrada.
Paso 3
Ahora que tenemos nuestras funciones de membresía definidas, podemos crear las reglas que definirán cómo se aplicarán las funciones de membresía al sistema final. Crearemos tres reglas para este sistema.
- Si está caliente entonces rápido
- Si es cálido entonces medio
- Y, si hace frío, entonces lento
Estas reglas se aplican a las funciones de membresía para producir el valor de salida nítido para impulsar el sistema. Por tanto, para un valor de entrada de 52 grados , intersectamos las funciones de pertenencia. Aquí, estamos aplicando dos reglas cuando la intersección ocurre en ambas funciones. Puede extender los puntos de intersección a las funciones de salida para producir un punto de intersección. A continuación, puede truncar las funciones de salida a la altura de los puntos de intersección.
comando goto c ++
Esta fue una explicación muy simple de cómo funcionan los sistemas de lógica difusa. En un sistema de trabajo real, habría muchas entradas y la posibilidad de varias salidas. Esto resultaría en un conjunto bastante complejo de funciones y muchas más reglas.
Con esto, llegamos al final de nuestro artículo Fuzzy Logic in AI. Espero que haya entendido qué es la lógica difusa y cómo funciona.
Además, consulte el El curso está comisariado por profesionales de la industria según los requisitos y demandas de la industria. Dominará los conceptos como la función SoftMax, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) y trabajará con bibliotecas como Keras y TFLearn. El curso ha sido especialmente comisariado por expertos de la industria con estudios de casos en tiempo real.
Tienes una pregunta para nosotros? Por favor, menciónelo en la sección de comentarios de “Fuzzy Logic in AI” y nos comunicaremos con usted.