Нечеткая логическая система - Почему и когда использовать, архитектура, приложение

Введение в систему нечеткой логики

Fuzzy Logic - это вычислительный подход, основанный на «степени истины» и не ограничивающийся булевым «истина или ложь». Термин «нечеткий» означает что-то расплывчатое или не очень ясное. Система нечеткой логики применяется к сценариям, в которых сложно классифицировать состояния как двоичные «Истина или Ложь». Нечеткая логика может включать промежуточные значения, такие как частично истинные и частично ложные. Он может быть реализован на широком спектре устройств - от небольших микроконтроллеров до больших ИТ-систем. Он пытается подражать человеческому процессу принятия решений, который может включать в себя все ценности между Истиной и Ложью.

Архитектура нечеткой логической системы

Система нечеткой логики имеет четыре основных компонента, которые объясняются с помощью приведенной ниже диаграммы архитектуры:

• Правила: База правил состоит из большого набора правил, запрограммированных и подпитываемых экспертами, которые управляют принятием решений в нечеткой системе. Правила представляют собой наборы операторов «If-Then», которые определяют возникновение события на основе условия.
• Fuzzification: Fuzzification преобразует исходные данные, измеренные датчиками, в нечеткие множества. Эти преобразованные входные данные передаются в систему управления для дальнейшей обработки.
• Механизм логического вывода: он помогает сопоставить правила с входным набором данных и, тем самым, решить, какие правила следует применять для данного ввода. Это делается путем расчета% соответствия правил для заданного ввода.
• Дефаззификация: это противоположность фаззификации. Здесь нечеткие множества превращаются в четкие входные данные. Эти четкие входные данные являются выходом нечеткой логической системы.

Функция членства

Функция членства определяет, как входные данные в нечеткой системе отображаются на значения от 0 до 1. Входные данные обычно называются юниверсами (U), поскольку они могут содержать любое значение. Функция членства определяется как:

μ A: X → (0, 1).

Здесь X представляет Вселенную, а Y представляет любое значение от 0 до 1. Треугольная функция членства является наиболее часто используемой функцией членства. Другие функции членства включают трапецеидальную, гауссовскую и синглтон.

Почему и когда использовать нечеткую логику?

Нечеткая логика особенно полезна, когда вы хотите подражать человеческому мышлению в системе управления. Больше, чем рассуждение о точности, оно фокусируется на приемлемом рассуждении, которое очень близко к тому, как работает реальный мир. Он разработан, чтобы справиться с неопределенностями, и умеет находить выводы из заключения.

Алгоритм нечеткой логической системы

1. Определите все переменные и термины, которые будут действовать как входные данные для нечеткой системы
2. Создать функцию членства для системы (как определено выше)
3. Создать базу правил, которая будет отображаться на каждый вход
4. Преобразование нормального ввода в нечеткий ввод, который подается в функцию членства
5. Оцените результат от функции членства
6. Объедините все результаты, полученные из индивидуального набора правил
7. Преобразовать нечёткий выходной набор во входной сигнал Crisp (Defuzzification)

Применение системы нечеткой логики

Нечеткая логика применяется во всех основных отраслях, но автомобильные компании остаются основными приверженцами. Некоторые из его приложений перечислены ниже:

• Nissan использует Fuzzy Logic для управления тормозной системой в случае опасности. Fuzzy Logic использует такие параметры, как скорость, ускорение, импульс, чтобы определить интенсивность тормозов.
• Nissan также использует Fuzzy Logic для контроля количества впрыскиваемого топлива и зажигания на основе таких входов, как обороты двигателя, температура и мощность нагрузки.
• Он используется в спутниках и самолетах для контроля высоты.
• Mitsubishi использует Fuzzy Logic для повышения эффективности управления лифтами, принимая пассажиропоток в качестве входных данных.
• Nippon Steel использует Fuzzy Logic для определения пропорции, в которой должны смешиваться разные типы цемента, чтобы сделать цемент более прочным.
• Fuzzy Logic находит свое применение в химической промышленности для управления различными процессами, такими как контроль pH, процесс сушки и процесс дистилляции.
• Нечеткая логика может быть объединена с искусственной нейронной сетью (ANN) для имитации работы человеческого мозга. Нечеткая логика объединяет данные и преобразуется в более значимую информацию, которая используется в качестве нечетких множеств.

Преимущества системы Fuzzy Logic

Ниже приведены пять преимуществ системы нечеткой логики:

• Нечеткая логика может работать с любым видом ввода, даже если он неструктурированный, искаженный, неточный или содержит шум.
• Построение нечеткой логики очень легко прочитать и понять, поскольку оно близко имитирует способ, которым Человеческий разум принимает решение.
• Нюансы Fuzzy Logic включают в себя использование основных математических понятий, таких как теория множеств и вероятности, которые позволяют решать все виды повседневных задач, стоящих перед человечеством.
• Fuzzy Logic может обеспечить эффективные решения очень сложной проблемы в разных отраслях.
• Системе Fuzzy Logic требуется очень мало данных для подготовки надежной модели. Следовательно, для его выполнения требуется только ограниченный объем памяти.

Недостатки нечеткой логики

Ниже приведены четыре основных недостатка системы нечеткой логики:

• Не существует стандартного способа решения проблемы с помощью Fuzzy Logic, поэтому разные эксперты могут по-разному решать проблему, что приводит к неоднозначности.
• Поскольку Fuzzy Logic System работает как с точными, так и с неточными данными, иногда ее точность может быть поставлена ​​под угрозу.
• Fuzzy Logic System не может учиться на своих прошлых ошибках или неудачах, поскольку у нее нет способности к самообучению, такой как машинное обучение и нейронная сеть.
• Из-за отсутствия стандартизации не существует единого фиксированного способа найти правила и функции членства для данной проблемы. Поэтому иногда становится трудно найти точные правила и функции членства для некоторых проблем.

Вывод

Fuzzy Logic предоставляет альтернативный способ решения реальных проблем в вычислительном мире. Это может быть легко применено к различным заявлениям и системе управления, которая может принести долгосрочные выгоды. Учитывая его способность хорошо работать с «Степенью истины», он открывает много дверей для современных вычислений. Тем не менее, это не панацея от всех проблем, поскольку имеет серьезные ограничения, когда речь заходит о точности и невозможности учиться на ошибках, как в случае машинного обучения.

Рекомендуемые статьи

Это руководство по системе нечеткой логики. Здесь мы обсуждаем, почему и когда использовать нечеткую систему с архитектурой, приложением и последним с преимуществами и недостатками. Вы также можете просмотреть другие наши статьи, чтобы узнать больше -

1. Что такое нечеткая логика?
2. Нечеткое тестирование
3. Интернет вещей
4. Фрейм данных
5. Сенсорное устройство
6. Лучшие 12 типов датчиков и их применение