ปัญญาประดิษฐ์ - ระบบลอจิกที่คลุมเครือ

ระบบฟัซซี่ลอจิก (FLS) สร้างเอาต์พุตที่ยอมรับได้ แต่มีความแน่นอนในการตอบสนองต่ออินพุตที่ไม่สมบูรณ์คลุมเครือบิดเบี้ยวหรือไม่ถูกต้อง (ไม่ชัดเจน)

Fuzzy Logic คืออะไร?

Fuzzy Logic (FL) เป็นวิธีการให้เหตุผลที่คล้ายกับการใช้เหตุผลของมนุษย์ แนวทางของ FL เลียนแบบวิธีการตัดสินใจของมนุษย์ที่เกี่ยวข้องกับความเป็นไปได้ขั้นกลางทั้งหมดระหว่างค่าดิจิทัลใช่และไม่ใช่

บล็อกลอจิกแบบเดิมที่คอมพิวเตอร์สามารถเข้าใจรับอินพุตที่แม่นยำและสร้างผลลัพธ์ที่แน่นอนเป็น TRUE หรือ FALSE ซึ่งเทียบเท่ากับ YES หรือ NO ของมนุษย์

Lotfi Zadeh ผู้คิดค้นตรรกะที่คลุมเครือสังเกตว่าการตัดสินใจของมนุษย์ต่างจากคอมพิวเตอร์ตรงที่มีความเป็นไปได้หลากหลายระหว่าง YES และ NO เช่น -

ใช่อย่างแน่นอน
เป็นไปได้ใช่
พูดไม่ได้
อาจเป็นไปได้
บางครั้งไม่

ตรรกะคลุมเครือทำงานกับระดับความเป็นไปได้ของอินพุตเพื่อให้ได้ผลลัพธ์ที่แน่นอน

การนำไปใช้

  • สามารถใช้งานได้ในระบบที่มีขนาดและความสามารถหลากหลายตั้งแต่ไมโครคอนโทรลเลอร์ขนาดเล็กไปจนถึงขนาดใหญ่ระบบควบคุมบนเวิร์กสเตชันแบบเครือข่าย

  • สามารถนำไปใช้ในฮาร์ดแวร์ซอฟต์แวร์หรือทั้งสองอย่างร่วมกัน

ทำไมฟัซซี่ลอจิก?

ฟัซซีลอจิกมีประโยชน์ในเชิงพาณิชย์และในทางปฏิบัติ

  • สามารถควบคุมเครื่องจักรและสินค้าอุปโภคบริโภค
  • อาจไม่ได้ให้เหตุผลที่ถูกต้อง แต่เป็นเหตุผลที่ยอมรับได้
  • ฟัซซี่ลอจิกช่วยจัดการกับความไม่แน่นอนทางวิศวกรรม

สถาปัตยกรรมระบบฟัซซี่ลอจิก

มีสี่ส่วนหลักดังที่แสดง -

  • Fuzzification Module- จะแปลงอินพุตของระบบซึ่งเป็นตัวเลขที่คมชัดให้เป็นชุดที่ไม่ชัดเจน มันแยกสัญญาณอินพุตออกเป็นห้าขั้นตอนเช่น -

LP x เป็นค่าบวกขนาดใหญ่
MP x เป็นค่าบวกปานกลาง
S x มีขนาดเล็ก
MN x เป็นค่าลบปานกลาง
LN x เป็นลบขนาดใหญ่
  • Knowledge Base - จัดเก็บกฎ IF-THEN ที่จัดทำโดยผู้เชี่ยวชาญ

  • Inference Engine - จำลองกระบวนการให้เหตุผลของมนุษย์โดยทำการอนุมานที่คลุมเครือเกี่ยวกับปัจจัยการผลิตและกฎ IF-THEN

  • Defuzzification Module - มันจะเปลี่ยนชุดฟัซซี่ที่ได้จากกลไกการอนุมานให้เป็นค่าที่คมชัด

membership functions work on ชุดตัวแปรที่คลุมเครือ

ฟังก์ชันการเป็นสมาชิก

ฟังก์ชันการเป็นสมาชิกช่วยให้คุณสามารถหาจำนวนคำศัพท์ทางภาษาและแสดงชุดที่คลุมเครือในรูปแบบกราฟิก กmembership functionสำหรับชุดคลุมเครือAบนจักรวาลของวาทกรรม X ถูกกำหนดให้เป็นμ A : X → [0,1]

ที่นี่องค์ประกอบของXแต่ละรายการถูกจับคู่กับค่าระหว่าง 0 ถึง 1 เรียกว่าmembership value หรือ degree of membership. มันประเมินระดับของการเป็นสมาชิกขององค์ประกอบในการXไปยังชุดเลือน

  • แกน x แสดงถึงจักรวาลของวาทกรรม
  • แกน y แสดงถึงระดับความเป็นสมาชิกในช่วงเวลา [0, 1]

สามารถมีฟังก์ชั่นการเป็นสมาชิกหลายฟังก์ชันที่ใช้ในการฟัซซี่ค่าตัวเลข ฟังก์ชันการเป็นสมาชิกแบบง่ายถูกใช้เนื่องจากการใช้ฟังก์ชันที่ซับซ้อนไม่ได้เพิ่มความแม่นยำในเอาต์พุต

ฟังก์ชั่นการเป็นสมาชิกทั้งหมดสำหรับ LP, MP, S, MN, และ LN แสดงดังต่อไปนี้ -

รูปทรงของฟังก์ชันการเป็นสมาชิกรูปสามเหลี่ยมนั้นพบได้บ่อยที่สุดในรูปทรงของฟังก์ชันสมาชิกอื่น ๆ เช่นสี่เหลี่ยมคางหมูซิงเกิลตันและเกาส์เซียน

ที่นี่อินพุตไปยังตัวกรอง 5 ระดับจะแตกต่างกันไปตั้งแต่ -10 โวลต์ถึง +10 โวลต์ ดังนั้นผลลัพธ์ที่สอดคล้องกันก็เปลี่ยนไปเช่นกัน

ตัวอย่างระบบ Fuzzy Logic

ให้เราพิจารณาระบบปรับอากาศที่มีระบบฟัซซีลอจิก 5 ระดับ ระบบนี้จะปรับอุณหภูมิของเครื่องปรับอากาศโดยเปรียบเทียบอุณหภูมิห้องกับค่าอุณหภูมิเป้าหมาย

อัลกอริทึม

  • กำหนดตัวแปรและคำศัพท์ทางภาษา (เริ่ม)
  • สร้างฟังก์ชันการเป็นสมาชิกสำหรับพวกเขา (เริ่ม)
  • สร้างฐานความรู้ของกฎ (เริ่มต้น)
  • แปลงข้อมูลที่คมชัดเป็นชุดข้อมูลที่ไม่ชัดเจนโดยใช้ฟังก์ชันการเป็นสมาชิก (ฟัซซิฟิเคชั่น)
  • ประเมินกฎในฐานกฎ (เครื่องมืออนุมาน)
  • รวมผลลัพธ์จากแต่ละกฎ (เครื่องมืออนุมาน)
  • แปลงข้อมูลเอาต์พุตเป็นค่าที่ไม่คลุมเครือ (defuzzification)

การพัฒนา

Step 1 − Define linguistic variables and terms

ตัวแปรทางภาษาคือตัวแปรอินพุตและเอาต์พุตในรูปของคำหรือประโยคง่ายๆ สำหรับอุณหภูมิห้องเย็นอุ่นร้อน ฯลฯ เป็นศัพท์ทางภาษา

อุณหภูมิ (t) = {เย็นมากหนาวอบอุ่นอบอุ่นมากร้อน}

สมาชิกทุกคนของชุดนี้เป็นศัพท์ทางภาษาและสามารถครอบคลุมค่าอุณหภูมิโดยรวมได้บางส่วน

Step 2 − Construct membership functions for them

ฟังก์ชั่นการเป็นสมาชิกของตัวแปรอุณหภูมิดังแสดง -

Step3 − Construct knowledge base rules

สร้างเมทริกซ์ของค่าอุณหภูมิห้องเทียบกับค่าอุณหภูมิเป้าหมายที่คาดว่าระบบปรับอากาศจะให้

RoomTemp. / เป้าหมาย หนาวมาก เย็น อบอุ่น ร้อน ร้อนมาก
หนาวมาก ไม่มีการเปลี่ยนแปลง ความร้อน ความร้อน ความร้อน ความร้อน
เย็น เย็น ไม่มีการเปลี่ยนแปลง ความร้อน ความร้อน ความร้อน
อบอุ่น เย็น เย็น ไม่มีการเปลี่ยนแปลง ความร้อน ความร้อน
ร้อน เย็น เย็น เย็น ไม่มีการเปลี่ยนแปลง ความร้อน
ร้อนมาก เย็น เย็น เย็น เย็น ไม่มีการเปลี่ยนแปลง

สร้างชุดของกฎในฐานความรู้ในรูปแบบของโครงสร้าง IF-THEN-ELSE

เลขที่ เงื่อนไข หนังบู๊
1 IF อุณหภูมิ = (เย็นหรือเย็นมาก) และเป้าหมาย = อุ่นแล้ว ความร้อน
2 ถ้าอุณหภูมิ = (ร้อนหรือร้อนมาก) และเป้าหมาย = อุ่นแล้ว เย็น
3 IF (อุณหภูมิ = อบอุ่น) และ (เป้าหมาย = อบอุ่น) แล้ว ไม่มีการเปลี่ยนแปลง

Step 4 − Obtain fuzzy value

การดำเนินการชุดคลุมเครือจะทำการประเมินกฎ การดำเนินการที่ใช้สำหรับ OR และ AND คือ Max และ Min ตามลำดับ รวมผลการประเมินทั้งหมดเพื่อสร้างผลลัพธ์สุดท้าย ผลลัพธ์นี้เป็นค่าที่ไม่ชัดเจน

Step 5 − Perform defuzzification

จากนั้นทำการ Defuzzification ตามฟังก์ชันการเป็นสมาชิกสำหรับตัวแปรเอาต์พุต

พื้นที่การใช้งานของ Fuzzy Logic

พื้นที่การใช้งานที่สำคัญของฟัซซีลอจิกเป็นไปตามที่กำหนด -

Automotive Systems

  • กระปุกเกียร์อัตโนมัติ
  • พวงมาลัยสี่ล้อ
  • การควบคุมสภาพแวดล้อมของยานพาหนะ

Consumer Electronic Goods

  • ระบบ Hi-Fi
  • Photocopiers
  • ภาพนิ่งและกล้องวิดีโอ
  • Television

Domestic Goods

  • เตาอบไมโครเวฟ
  • Refrigerators
  • Toasters
  • เครื่องดูดฝุ่น
  • เครื่องซักผ้า

Environment Control

  • เครื่องปรับอากาศ / เครื่องอบผ้า / เครื่องทำความร้อน
  • Humidifiers

ข้อดีของ FLS

  • แนวคิดทางคณิตศาสตร์ภายในการให้เหตุผลที่คลุมเครือนั้นง่ายมาก

  • คุณสามารถแก้ไข FLS ได้เพียงแค่เพิ่มหรือลบกฎเนื่องจากความยืดหยุ่นของฟัซซีลอจิก

  • ระบบฟัซซีลอจิกสามารถรับข้อมูลอินพุตที่ไม่ชัดเจนบิดเบือนและมีเสียงดัง

  • FLS นั้นง่ายต่อการสร้างและทำความเข้าใจ

  • ตรรกะคลุมเครือเป็นวิธีแก้ปัญหาที่ซับซ้อนในทุกสาขาของชีวิตรวมถึงการแพทย์เนื่องจากคล้ายกับการใช้เหตุผลและการตัดสินใจของมนุษย์

ข้อเสียของ FLS

  • ไม่มีแนวทางที่เป็นระบบในการออกแบบระบบที่คลุมเครือ
  • จะเข้าใจได้ก็ต่อเมื่อเรียบง่าย
  • เหมาะสำหรับปัญหาที่ไม่ต้องการความแม่นยำสูง