Trong cuộc sống hàng ngày, chúng ta có thể phải đối mặt với những tình huống mà chúng ta không thể xác định trạng thái đó là đúng hay sai. Mờ đề cập đến một cái gì đó không rõ ràng hoặc mơ hồ. Logic mờ trong AI cung cấp tính linh hoạt có giá trị cho suy luận. Và trong bài viết này, chúng ta sẽ tìm hiểu về logic này và việc triển khai nó trong theo trình tự sau:
- Logic mờ là gì?
- Tại sao chúng ta sử dụng Logic mờ?
- Ngành kiến trúc
- Chức năng thành viên
- Logic mờ so với xác suất
- Các ứng dụng của Logic mờ
- Ưu điểm & Nhược điểm
- Logic mờ trong AI: Ví dụ
Logic mờ là gì?
Lập luận mờ (FL) là một phương pháp lập luận tương tự như lý luận của con người . Cách tiếp cận này tương tự như cách con người thực hiện việc ra quyết định. Và nó liên quan đến tất cả các khả năng trung gian giữa ĐÚNG và KHÔNG .
Các khối logic thông thường mà một máy tính hiểu được nhận đầu vào chính xác và tạo ra đầu ra xác định là TRUE hoặc FALSE, tương đương với con người CÓ hoặc KHÔNG. Logic mờ được phát minh bởi Lotfi Zadeh người đã quan sát thấy rằng không giống như máy tính, con người có nhiều khả năng khác nhau giữa CÓ và KHÔNG, chẳng hạn như:
Logic mờ hoạt động trên các mức khả năng của đầu vào để đạt được đầu ra xác định. Bây giờ, nói về việc triển khai logic này:
Nó có thể được thực hiện trong các hệ thống với các quy mô và khả năng khác nhau như bộ điều khiển vi mô, được nối mạng lớn hoặc là hệ thống dựa trên máy trạm.
Ngoài ra, nó có thể được triển khai trong phần cứng phần mềm hoặc sự kết hợp của cả hai .
Tại sao chúng ta sử dụng Logic mờ?
Nói chung, chúng tôi sử dụng hệ thống logic mờ cho cả mục đích thương mại và thực tế như:
Nó điều khiển máy móc và sản phẩm tiêu dùng
Nếu không phải là lý luận chính xác, nó ít nhất cung cấp lý luận chấp nhận được
Điều này giúp đối phó với sự không chắc chắn trong kỹ thuật
Vì vậy, bây giờ bạn đã biết về logic Mờ trong AI và tại sao chúng ta thực sự sử dụng nó, hãy tiếp tục và hiểu kiến trúc của logic này.
Kiến trúc lôgic mờ
Kiến trúc logic mờ bao gồm bốn phần chính:
Quy tắc - Nó chứa tất cả các quy tắc và các điều kiện nếu-thì do các chuyên gia đưa ra để kiểm soát hệ thống ra quyết định. Bản cập nhật gần đây trong lý thuyết mờ cung cấp các phương pháp hiệu quả khác nhau để thiết kế và điều chỉnh bộ điều khiển mờ . Thông thường, những phát triển này làm giảm số lượng các luật mờ.
Làm mờ - Bước này chuyển đổi đầu vào hoặc các số rõ nét thành các tập mờ. Bạn có thể đo các đầu vào sắc nét bằng cảm biến và chuyển chúng vào hệ thống điều khiển để xử lý thêm. Nó chia tín hiệu đầu vào thành năm bước như-
Động cơ suy diễn - Nó xác định mức độ phù hợp giữa đầu vào mờ và các quy tắc. Theo trường đầu vào, nó sẽ quyết định các quy tắc sẽ bị sa thải. Kết hợp các quy tắc được kích hoạt, hình thành các hành động kiểm soát.
Khử muối - Quá trình Defuzzification chuyển đổi các tập mờ thành một giá trị rõ nét. Có nhiều loại kỹ thuật khác nhau có sẵn và bạn cần chọn kỹ thuật phù hợp nhất với hệ thống chuyên gia.
Vì vậy, đây là về kiến trúc của logic mờ trong AI. Bây giờ, chúng ta hãy hiểu chức năng thành viên.
Chức năng thành viên
Chức năng thành viên là một đồ thị xác định cách mỗi điểm trong không gian đầu vào được ánh xạ tới giá trị thành viên từ 0 đến 1. Nó cho phép bạn định lượng các thuật ngữ ngôn ngữ và biểu diễn một tập mờ bằng đồ thị. Một hàm liên thuộc cho một tập mờ A trên vũ trụ của diễn ngôn X được định nghĩa là &muA:X → [0,1]
Nó định lượng mức độ thuộc của phần tử trong X đối với tập mờ A.
trục x đại diện cho vũ trụ của diễn ngôn.
trục y đại diện cho các cấp độ thành viên trong khoảng [0, 1].
Có thể có nhiều hàm thành viên áp dụng để làm mờ một giá trị số. Các hàm liên thuộc đơn giản được sử dụng vì các hàm phức tạp không tạo thêm độ chính xác trong đầu ra. Các chức năng thành viên cho LP, MP, S, MN và LN Chúng tôi:
Các hình dạng hàm liên thuộc tam giác là phổ biến nhất trong số các hình dạng hàm liên thuộc khác nhau. Ở đây, đầu vào đến bộ tạo sóng 5 cấp thay đổi từ -10 volt đến +10 volt . Do đó đầu ra tương ứng cũng thay đổi.
Logic mờ so với xác suất
| Lập luận mờ | Xác suất |
| Trong logic mờ, về cơ bản chúng ta cố gắng nắm bắt khái niệm cơ bản của sự mơ hồ. | Xác suất gắn liền với các sự kiện chứ không phải sự kiện, và những sự kiện đó sẽ xảy ra hoặc không xảy ra |
| Logic mờ nắm bắt ý nghĩa của chân lý một phần | Lý thuyết xác suất nắm bắt kiến thức từng phần |
| Logic mờ lấy độ chân lý làm cơ sở toán học | Xác suất là một mô hình toán học của sự thiếu hiểu biết |
Vì vậy, đây là một số khác biệt giữa logic mờ trong AI và xác suất. Bây giờ, chúng ta hãy xem xét một số ứng dụng của logic này.
Các ứng dụng của Logic mờ
Logic mờ được sử dụng trong các lĩnh vực khác nhau như hệ thống ô tô, hàng gia dụng, kiểm soát môi trường, v.v. Một số ứng dụng phổ biến là:
Nó được sử dụng trong lĩnh vực hàng không vũ trụ cho kiểm soát độ cao của tàu vũ trụ và vệ tinh.
Điều này kiểm soát tốc độ và giao thông bên trong hệ thống ô tô.
Nó được sử dụng cho hệ thống hỗ trợ ra quyết định và đánh giá cá nhân trong công việc kinh doanh của công ty lớn.
Nó cũng kiểm soát độ pH, quá trình làm khô, chưng cất hóa chất trong công nghiệp hóa chất .
Logic mờ được sử dụng trong Xử lý ngôn ngữ tự nhiên và chuyên sâu khác nhau .
Nó được sử dụng rộng rãi trong hệ thống điều khiển hiện đại chẳng hạn như hệ thống chuyên gia.
Logic mờ bắt chước cách một người đưa ra quyết định, chỉ nhanh hơn nhiều. Vì vậy, bạn có thể sử dụng nó với Mạng thần kinh .
Đây là một số ứng dụng phổ biến của Logic mờ. Bây giờ, chúng ta hãy xem xét những ưu điểm và nhược điểm của việc sử dụng Logic Mờ trong AI.
Ưu điểm & Nhược điểm của Logic mờ
Logic mờ cung cấp suy luận đơn giản tương tự như suy luận của con người. Có nhiều hơn như vậy lợi thế sử dụng logic này, chẳng hạn như:
Cấu trúc của Hệ thống lôgic mờ là dễ hiểu
Logic mờ được sử dụng rộng rãi cho thương mại và mục đich thực tiên
Nó giúp bạn điều khiển máy móc và các sản phẩm tiêu dùng
Nó giúp bạn đối phó với sự không chắc chắn trong kỹ thuật
Hầu hết cường tráng vì không cần đầu vào chính xác
Nếu cảm biến phản hồi ngừng hoạt động, bạn có thể lập trình nó vào tình huống
Bạn có thể dễ dàng sửa đổi nó để cải thiện hoặc thay đổi hiệu suất hệ thống
Cảm biến không tốn kém có thể được sử dụng để giúp bạn giữ cho chi phí hệ thống tổng thể và độ phức tạp thấp
Đây là những lợi thế khác nhau của logic mờ. Nhưng, nó có một số nhược điểm cũng:
Logic mờ là không phải lúc nào cũng chính xác . Vì vậy, kết quả được nhìn nhận dựa trên các giả định và có thể không được chấp nhận rộng rãi
Nó không thể nhận ra cũng như kiểu gõ
Xác thực và Xác minh của một hệ thống dựa trên tri thức mờ cần Thử nghiệm rộng rãi với phần cứng
thẻ br trong html là gì
Đặt các quy tắc chính xác, mờ và, các hàm thành viên là một nhiệm vụ khó khăn
Đôi khi, logic mờ là bối rối với lý thuyết xác suất
Vì vậy, đây là một số ưu điểm và nhược điểm của việc sử dụng logic mờ trong AI. Bây giờ, hãy lấy một ví dụ trong thế giới thực và hiểu cách vận hành của logic này.
Logic mờ trong AI: Ví dụ
Việc thiết kế một hệ thống logic mờ bắt đầu với một tập các hàm liên thuộc cho mỗi đầu vào và một tập cho mỗi đầu ra. Sau đó, một tập hợp các quy tắc được áp dụng cho các hàm thành viên để mang lại giá trị đầu ra rõ nét. Hãy lấy một ví dụ về điều khiển quá trình và hiểu logic mờ.
Bước 1
Đây, Nhiệt độ là đầu vào và Tốc độ quạt là đầu ra. Bạn phải tạo một tập hợp các hàm thành viên cho mỗi đầu vào. Một hàm liên thuộc chỉ đơn giản là một biểu diễn đồ họa của các tập biến mờ. Đối với ví dụ này, chúng tôi sẽ sử dụng ba tập mờ, Lạnh ấm và Nóng bức . Sau đó, chúng tôi sẽ tạo một hàm thành viên cho từng bộ ba nhiệt độ:
Bước 2
Trong bước tiếp theo, chúng tôi sẽ sử dụng ba tập mờ cho đầu ra, Chậm, Trung bình và Nhanh . Một tập hợp các chức năng được tạo cho mỗi tập đầu ra giống như cho các tập đầu vào.
Bước 3
Bây giờ chúng ta đã xác định các hàm thành viên của mình, chúng ta có thể tạo các quy tắc sẽ xác định cách các hàm thành viên sẽ được áp dụng cho hệ thống cuối cùng. Chúng tôi sẽ tạo ra ba quy tắc cho hệ thống này.
- Nếu nóng thì nhanh
- Nếu Ấm thì Trung bình
- Và, nếu Lạnh thì Chậm
Các quy tắc này áp dụng cho các hàm thành viên để tạo ra giá trị đầu ra rõ ràng để thúc đẩy hệ thống. Do đó, đối với giá trị đầu vào là 52 độ , chúng tôi giao nhau các chức năng thành viên. Ở đây, chúng tôi đang áp dụng hai quy tắc vì sự giao nhau xảy ra trên cả hai hàm. Bạn có thể mở rộng các giao điểm cho các hàm đầu ra để tạo ra một điểm giao nhau. Sau đó, bạn có thể cắt bớt các hàm đầu ra ở độ cao của các điểm giao nhau.
Đây là một lời giải thích rất đơn giản về cách hoạt động của hệ thống logic mờ. Trong một hệ thống làm việc thực tế, sẽ có nhiều đầu vào và khả năng có nhiều đầu ra. Điều này sẽ dẫn đến một tập hợp các hàm khá phức tạp và nhiều quy tắc khác.
Với điều này, chúng ta đã đến phần cuối của bài viết Logic mờ trong AI. Tôi hy vọng bạn đã hiểu logic mờ là gì và nó hoạt động như thế nào.
Ngoài ra, hãy kiểm tra Khóa học được tuyển chọn bởi các chuyên gia trong ngành theo yêu cầu và nhu cầu của ngành. Bạn sẽ nắm vững các khái niệm như chức năng SoftMax, Mạng thần kinh tự động mã hóa, Máy Boltzmann hạn chế (RBM) và làm việc với các thư viện như Keras & TFLearn. Khóa học đã được các chuyên gia trong ngành đặc biệt phụ trách với các nghiên cứu điển hình trong thời gian thực.
Có một câu hỏi cho chúng tôi? Vui lòng đề cập đến nó trong phần nhận xét của “Logic mờ trong AI” và chúng tôi sẽ liên hệ lại với bạn.