Künstliche Intelligenz - Fuzzy-Logik-Systeme

Fuzzy Logic Systems (FLS) erzeugen eine akzeptable, aber eindeutige Ausgabe als Reaktion auf unvollständige, mehrdeutige, verzerrte oder ungenaue (Fuzzy) Eingaben.

Was ist Fuzzy Logic?

Fuzzy Logic (FL) ist eine Argumentationsmethode, die dem menschlichen Denken ähnelt. Der Ansatz von FL imitiert die Art der Entscheidungsfindung beim Menschen, die alle Zwischenmöglichkeiten zwischen den digitalen Werten JA und NEIN beinhaltet.

Der herkömmliche Logikblock, den ein Computer verstehen kann, nimmt präzise Eingaben vor und erzeugt eine bestimmte Ausgabe als WAHR oder FALSCH, was dem JA oder NEIN des Menschen entspricht.

Der Erfinder der Fuzzy-Logik, Lotfi Zadeh, stellte fest, dass die menschliche Entscheidungsfindung im Gegensatz zu Computern eine Reihe von Möglichkeiten zwischen JA und NEIN umfasst, wie z.

SICHERLICH JA

MÖGLICHERWEISE JA

KANN NICHT SAGEN

MÖGLICHERWEISE NR

SICHERLICH NICHT

Die Fuzzy-Logik arbeitet auf den Ebenen der Eingabemöglichkeiten, um die endgültige Ausgabe zu erreichen.

Implementierung

• Es kann in Systemen mit verschiedenen Größen und Funktionen implementiert werden, die von kleinen Mikrocontrollern bis zu großen, vernetzten, auf Workstations basierenden Steuerungssystemen reichen.

• Es kann in Hardware, Software oder einer Kombination aus beiden implementiert werden.

Warum Fuzzy Logic?

Fuzzy-Logik ist nützlich für kommerzielle und praktische Zwecke.

• Es kann Maschinen und Konsumgüter steuern.
• Es gibt möglicherweise keine genaue Begründung, aber eine akzeptable Begründung.
• Fuzzy-Logik hilft, mit der Unsicherheit im Engineering umzugehen.

Fuzzy-Logik-Systemarchitektur

Es hat vier Hauptteile wie gezeigt -

• Fuzzification Module- Es wandelt die Systemeingaben, bei denen es sich um scharfe Zahlen handelt, in Fuzzy-Sets um. Es teilt das Eingangssignal in fünf Schritte auf, wie z.

LP	x ist groß positiv
MP	x ist mittel positiv
S	x ist klein
MN	x ist mittel negativ
LN	x ist groß negativ

• Knowledge Base - Es speichert IF-THEN-Regeln, die von Experten bereitgestellt werden.

• Inference Engine - Es simuliert den menschlichen Denkprozess, indem es unscharfe Rückschlüsse auf die Eingaben und IF-THEN-Regeln zieht.

• Defuzzification Module - Es wandelt die von der Inferenzmaschine erhaltene Fuzzy-Menge in einen klaren Wert um.

Das membership functions work on Fuzzy-Sätze von Variablen.

Mitgliedschaftsfunktion

Mit den Mitgliedschaftsfunktionen können Sie den sprachlichen Begriff quantifizieren und eine Fuzzy-Menge grafisch darstellen. EINmembership functionfür eine Fuzzy- Menge A im Diskursuniversum ist X definiert als μ _A : X → [0,1].

Hier wird jedes Element von X auf einen Wert zwischen 0 und 1 abgebildet. Es wird aufgerufenmembership value oder degree of membership. Es quantifiziert den Grad der Zugehörigkeit des Elements in X auf die Fuzzy - Gruppe A .

• Die x-Achse repräsentiert das Universum des Diskurses.
• Die y-Achse repräsentiert die Zugehörigkeitsgrade im Intervall [0, 1].

Es können mehrere Zugehörigkeitsfunktionen vorhanden sein, um einen numerischen Wert zu verwirren. Einfache Zugehörigkeitsfunktionen werden verwendet, da die Verwendung komplexer Funktionen die Ausgabe nicht präziser macht.

Alle Mitgliedschaftsfunktionen für LP, MP, S, MN, und LN werden wie folgt gezeigt -

Die dreieckigen Zugehörigkeitsfunktionsformen sind unter verschiedenen anderen Zugehörigkeitsfunktionsformen wie Trapez, Singleton und Gauß am häufigsten.

Hier variiert der Eingang zum 5-Pegel-Fuzzifier von -10 Volt bis +10 Volt. Daher ändert sich auch die entsprechende Ausgabe.

Beispiel eines Fuzzy-Logik-Systems

Betrachten wir eine Klimaanlage mit 5-stufigem Fuzzy-Logik-System. Dieses System passt die Temperatur der Klimaanlage an, indem es die Raumtemperatur und den Zieltemperaturwert vergleicht.

Algorithmus

• Sprachvariablen und Begriffe definieren (Start)
• Erstellen Sie Mitgliedschaftsfunktionen für sie. (Start)
• Wissensbasis von Regeln aufbauen (Start)
• Konvertieren Sie gestochen scharfe Daten mithilfe von Zugehörigkeitsfunktionen in unscharfe Datensätze. (Fuzzifizierung)
• Regeln in der Regelbasis auswerten. (Inferenzmaschine)
• Kombinieren Sie die Ergebnisse jeder Regel. (Inferenzmaschine)
• Konvertieren Sie Ausgabedaten in nicht unscharfe Werte. (Defuzzifizierung)

Entwicklung

Step 1 − Define linguistic variables and terms

Sprachvariablen sind Eingabe- und Ausgabevariablen in Form einfacher Wörter oder Sätze. Für Raumtemperatur sind kalt, warm, heiß usw. sprachliche Begriffe.

Temperatur (t) = {sehr kalt, kalt, warm, sehr warm, heiß}

Jedes Mitglied dieses Satzes ist ein sprachlicher Begriff und kann einen Teil der Gesamttemperaturwerte abdecken.

Step 2 − Construct membership functions for them

Die Zugehörigkeitsfunktionen der Temperaturvariablen sind wie folgt:

Step3 − Construct knowledge base rules

Erstellen Sie eine Matrix aus Raumtemperaturwerten und Zieltemperaturwerten, die von einer Klimaanlage erwartet werden.

Raumtemperatur. /Ziel	Sehr kalt	Kalt	Warm	Heiß	Sehr heiß
Sehr kalt	Keine Änderung	Hitze	Hitze	Hitze	Hitze
Kalt	Cool	Keine Änderung	Hitze	Hitze	Hitze
Warm	Cool	Cool	Keine Änderung	Hitze	Hitze
Heiß	Cool	Cool	Cool	Keine Änderung	Hitze
Sehr heiß	Cool	Cool	Cool	Cool	Keine Änderung

Bauen Sie eine Reihe von Regeln in Form von IF-THEN-ELSE-Strukturen in die Wissensbasis ein.

Sr. Nr.	Bedingung	Aktion
1	WENN Temperatur = (kalt ODER sehr kalt) UND Ziel = warm DANN	Hitze
2	WENN Temperatur = (heiß ODER sehr heiß) UND Ziel = warm DANN	Cool
3	WENN (Temperatur = warm) UND (Ziel = warm) DANN	Keine Änderung

Step 4 − Obtain fuzzy value

Fuzzy-Set-Operationen führen eine Auswertung von Regeln durch. Die für ODER und UND verwendeten Operationen sind Max und Min. Kombinieren Sie alle Bewertungsergebnisse, um ein Endergebnis zu erhalten. Dieses Ergebnis ist ein Fuzzy-Wert.

Step 5 − Perform defuzzification

Die Defuzzifizierung wird dann gemäß der Zugehörigkeitsfunktion für die Ausgabevariable durchgeführt.

Anwendungsbereiche von Fuzzy Logic

Die Hauptanwendungsbereiche der Fuzzy-Logik sind wie folgt:

Automotive Systems

• Automatikgetriebe
• Allradlenkung
• Fahrzeugumgebungskontrolle

Consumer Electronic Goods

• HiFi-Systeme
• Photocopiers
• Standbild- und Videokameras
• Television

Domestic Goods

• Mikrowellen
• Refrigerators
• Toasters
• Staubsauger
• Waschmaschinen

Environment Control

• Klimaanlagen / Trockner / Heizungen
• Humidifiers

Vorteile von FLS

• Mathematische Konzepte innerhalb des Fuzzy-Denkens sind sehr einfach.

• Sie können einen FLS ändern, indem Sie aufgrund der Flexibilität der Fuzzy-Logik nur Regeln hinzufügen oder löschen.

• Fuzzy-Logik-Systeme können ungenaue, verzerrte und verrauschte Eingabeinformationen aufnehmen.

• FLS sind einfach zu konstruieren und zu verstehen.

• Fuzzy-Logik ist eine Lösung für komplexe Probleme in allen Lebensbereichen, einschließlich der Medizin, da sie dem menschlichen Denken und Entscheiden ähnelt.

Nachteile von FLS

• Es gibt keinen systematischen Ansatz für das Design von Fuzzy-Systemen.
• Sie sind nur dann verständlich, wenn sie einfach sind.
• Sie eignen sich für Probleme, die keine hohe Genauigkeit erfordern.