Introduktion til Fuzzy Logic System
Fuzzy Logic er en computing-tilgang, der er baseret på "Grad of Truth" og er ikke begrænset til boolsk "sand eller falsk". Udtrykket "Fuzzy" betyder noget, der er vagt eller ikke meget klart. Det fuzzy Logic-system anvendes til scenarier, hvor det er vanskeligt at kategorisere tilstande som et binært "sandt eller falskt". Fuzzy Logic kan inkorporere mellemværdier som delvis sandt og delvis falsk. Det kan implementeres på tværs af en lang række enheder, der spænder fra lille mikro-controller til store it-systemer. Den prøver at efterligne menneskelignende beslutningstagning, som kan inkorporere alle værdier mellem sandt og falsk.
En arkitektur af Fuzzy Logic System
Fuzzy Logic System har fire hovedkomponenter, der forklares ved hjælp af arkitekturdiagrammet nedenfor:
- Regler: Rule Base består af et stort sæt regler programmeret og fodret af eksperter, der styrer beslutningstagningen i Fuzzy System. Reglerne er sæt af "Hvis-derefter" -angivelser, der bestemmer begivenhedens begivenhed baseret på betingelse.
- Fuzzification: Fuzzification konverterer rå input målt fra sensorer til fuzzy sæt. Disse konverterede input sendes videre til kontrolsystemet til yderligere behandling.
- Inferensmotor: Det hjælper med at kortlægge regler til inputdatasættet og derved beslutte, hvilke regler der skal anvendes til en given input. Det gøres ved at beregne% -sammenstillingen af reglerne for det givne input.
- Defuzzification: Det er det modsatte af Fuzzification. Her konverteres fuzzy sæt til sprøde input. Disse skarpe indgange er output fra Fuzzy Logic System.
Medlemskabsfunktion
Medlemskabsfunktionen definerer, hvordan input til Fuzzy System er kortlagt til værdier mellem 0 og 1. Input betegnes normalt som Univers (U), da det kan indeholde en hvilken som helst værdi. Medlemskabsfunktionen er defineret som:
μ A: X → (0, 1).
Her repræsenterer X universet og Y repræsenterer enhver værdi mellem 0 og 1. Den trekantede medlemsfunktion er den mest almindeligt anvendte medlemsfunktion. Andre medlemsfunktioner inkluderer Trapezoidal, Gaussian og Singleton.
Hvorfor og hvornår skal man bruge Fuzzy Logic?
Fuzzy Logic er især nyttigt, når du vil efterligne menneskelignende tænkning i et kontrolsystem. Mere end nøjagtighedens begrundelse fokuserer på acceptabel begrundelse, som er meget tæt på, hvordan den virkelige verden fungerer. Det er designet til at håndtere usikkerheder og er dygtig til at finde ud af slutningen fra konklusionen.
Algoritme af Fuzzy Logic System
- Definer alle variabler og udtryk, der fungerer som input til Fuzzy System
- Opret medlemsfunktion til systemet (som defineret ovenfor)
- Opret regelbase, der vil blive kortlagt til hvert input
- Konverter normal input til fuzzy input, der føres til medlemsfunktionen
- Evaluer resultatet fra medlemsfunktionen
- Kombiner alt resultatet opnået fra det individuelle regelsæt
- Konverter output fuzzy sæt til Crisp input (Defuzzification)
Anvendelse af Fuzzy Logic System
Fuzzy Logic bliver vedtaget på tværs af alle større industrier, men Automotive er stadig de store adoptører. Få af dens applikationer er anført nedenfor:
- Nissan bruger Fuzzy Logic til at kontrollere bremsesystemet i tilfælde af fare. Fuzzy Logic bruger input som hastighed, acceleration, momentum til at beslutte om bremsens intensitet.
- Nissan bruger også Fuzzy Logic til at kontrollere brændstofindsprøjtningsmængden og antændelsen baseret på indgange som motoromdrejningstal, temperatur og belastningskapacitet.
- Det bruges i satellitter og fly til højdekontrol.
- Mitsubishi bruger Fuzzy Logic for at gøre Elevator Management mere effektiv ved at tage passagertrafik som input.
- Nippon Steel bruger Fuzzy Logic til at bestemme den andel, i hvilken forskellige typer cement skal blandes for at gøre mere holdbar cement.
- Fuzzy Logic finder sin anvendelse i den kemiske industri til styring af de forskellige processer som pH-kontrol, tørringsproces og destillationsproces.
- Fuzzy Logic kan kombineres med kunstigt neuralt netværk (ANN) for at efterligne, hvordan en menneskelig hjerne fungerer. Fuzzy Logic samler data og omdannes til mere meningsfuld information, der bruges som Fuzzy-sæt.
Fordele ved Fuzzy Logic System
Nedenfor er fem fordele ved det uklar logiske system:
- Fuzzy Logic kan arbejde med enhver form for input, selvom det er ustruktureret, forvrænget, upræcist eller indeholder støj.
- Fuzzy Logic Construction er meget let at læse og forstå, da den nøje efterligner den måde, Human-Mind tager beslutningen på.
- Nuancerne i Fuzzy Logic involverer brugen af nøglematematik-koncept som sæt teori og sandsynlighed, der gør det egnet til at løse alle slags daglige udfordringer, som menneskeheden står overfor.
- Fuzzy Logic kan levere effektive løsninger på et meget komplekst problem på tværs af forskellige brancher.
- Fuzzy Logic System har brug for en meget lille mængde data for at forberede en robust model. Derfor har den kun brug for en begrænset mængde hukommelse til dens udførelse.
Ulemper ved Fuzzy Logic System
Nedenfor er de fire største ulemper ved det uklar logiske system:
- Der er ingen standard måde at løse et problem gennem Fuzzy Logic, derfor kan forskellige eksperter have en anden løsning på et problem, der fører til tvetydighed.
- Da Fuzzy Logic System fungerer med både præcise og upræcise data, kan det til tider blive kompromitteret med dets nøjagtighed.
- Fuzzy Logic System kan ikke lære af sine tidligere fejl eller fejl, da det ikke har selvlæringsevne som maskinlæring og neuralt netværk.
- På grund af den manglende standardisering er der ingen fast måde at finde regler og medlemsfunktioner til det givne problem. Derfor bliver det til tider vanskeligt at finde nøjagtige regler og medlemsfunktioner for nogle problemer.
Konklusion
Fuzzy Logic giver en alternativ måde at nærme sig problemer i den virkelige verden i databehandlingsverdenen. Det kan let anvendes til forskellige applikationer og kontrolsystem, som kan høste langsigtede fordele. I betragtning af dens evne til at arbejde godt med “Grad of Truth” åbner det mange døre til moderne computing. Imidlertid er det ikke universalmiddelet for alle problemerne, da det har alvorlige begrænsninger, når det kommer til nøjagtighed og dens manglende evne til at lære af dens fiasko, som i tilfældet med maskinlæring.
Anbefalede artikler
Dette er en guide til Fuzzy Logic System. Her diskuterer vi, hvorfor og hvornår man skal bruge det uklare system, med arkitektur, anvendelse og sidst med fordele og ulemper. Du kan også gennemgå vores andre relaterede artikler for at lære mere -
- Hvad er Fuzzy Logic?
- Fuzz Testing
- IoT-virksomheder
- R dataramme
- Sensorenhed
- Top 12 typer af sensorer og deres applikationer