Introduksjon til Fuzzy Logic System
Fuzzy Logic er en beregningsmetode som er basert på “Grad of Truth” og ikke er begrenset til boolsk “sann eller usann”. Begrepet "Fuzzy" betyr noe som er vagt eller ikke veldig tydelig. Det fuzzy Logic-systemet brukes på scenarier der det er vanskelig å kategorisere tilstander som et binært "Sant eller usant". Fuzzy Logic kan inneholde mellomverdier som delvis sant og delvis usant. Det kan implementeres på en lang rekke enheter som spenner fra liten mikrokontroller til store IT-systemer. Den prøver å etterligne menneskelignende beslutninger, som kan inkorporere alle verdier mellom Sann og usann.
An Architecture of Fuzzy Logic System
Fuzzy Logic System har fire hovedkomponenter som blir forklart ved hjelp av arkitekturdiagrammet nedenfor:
- Regler: Rule Base består av et stort sett med regler programmert og matet av eksperter som styrer beslutningen i Fuzzy System. Reglene er sett med "Hvis-da" -uttalelser som bestemmer hendelsesforekomsten basert på betingelse.
- Fuzzification: Fuzzification konverterer rå innganger målt fra sensorer til fuzzy sett. Disse konverterte inngangene blir sendt videre til kontrollsystemet for videre behandling.
- Inferensmotor: Det hjelper med å kartlegge regler til inputdatasettet og derved bestemme hvilke regler som skal brukes for en gitt input. Det gjør du ved å beregne% samsvar med reglene for den gitte inngangen.
- Defuzzification: Det er motsatt av Fuzzification. Her blir uklare sett konvertert til skarpe innganger. Disse skarpe inngangene kommer fra Fuzzy Logic System.
Medlemsfunksjon
Medlemskapsfunksjonen definerer hvordan innspill til Fuzzy System blir kartlagt til verdier mellom 0 og 1. Inngang betegnes vanligvis som Univers (U), da den kan inneholde en hvilken som helst verdi. Medlemskapsfunksjonen er definert som:
μ A: X → (0, 1).
Her representerer X universet og Y representerer en hvilken som helst verdi mellom 0 og 1. Den trekantede medlemsfunksjonen er den mest brukte medlemsfunksjonen. Andre medlemsfunksjoner inkluderer Trapezoidal, Gaussian og Singleton.
Hvorfor og når skal jeg bruke Fuzzy Logic?
Fuzzy Logic er spesielt nyttig når du vil etterligne menneskelignende tenkning i et kontrollsystem. Mer enn nøyaktig begrunnelse det fokuserer på akseptable resonnementer som er veldig nær hvordan den virkelige verden fungerer. Den er designet for å håndtere usikkerheter og er dyktig til å finne ut slutninger fra konklusjonen.
Algoritme av Fuzzy Logic System
- Definer alle variablene og begrepene som skal fungere som input til Fuzzy System
- Opprett medlemsfunksjon for systemet (som definert ovenfor)
- Lag regelbase som vil bli kartlagt til hver inngang
- Konverter normalinngang til uklar inngang som mates til medlemsfunksjonen
- Evaluer resultatet fra medlemsfunksjonen
- Kombiner alt resultatet oppnådd fra Individuelle regler
- Konverter output fuzzy sett til Crisp input (Defuzzification)
Bruk av Fuzzy Logic System
Fuzzy Logic blir adoptert på tvers av alle større næringer, men Automotive er fortsatt de viktigste adopterne. Få av applikasjonene er listet opp nedenfor:
- Nissan bruker Fuzzy Logic for å kontrollere bremsesystemet i tilfelle en fare. Fuzzy Logic bruker innganger som hastighet, akselerasjon, fart for å bestemme bremsens intensitet.
- Nissan bruker også Fuzzy Logic for å kontrollere drivstoffinnsprøytningsmengden og tenningen basert på innganger som motorens turtall, temperatur og lastekapasitet.
- Det brukes i satellitter og fly for høydekontroll.
- Mitsubishi bruker Fuzzy Logic for å effektivisere Elevator Management ved å ta passasjertrafikk som input.
- Nippon Steel bruker Fuzzy Logic for å bestemme hvor stor andel sement som skal blandes for å gjøre mer holdbar sement.
- Fuzzy Logic finner sin anvendelse i den kjemiske industrien for å styre de forskjellige prosessene som pH-kontroll, tørkeprosess og destillasjonsprosess.
- Fuzzy Logic kan kombineres med kunstig nevralt nettverk (ANN) for å etterligne hvordan en menneskelig hjerne fungerer. Fuzzy Logic samler data og forvandles til mer meningsfull informasjon som brukes som Fuzzy-sett.
Fordeler med Fuzzy Logic System
Nedenfor er fem fordeler med det uklare logikksystemet:
- Fuzzy Logic kan fungere med alle slags innspill selv om det er ustrukturert, forvrengt, upresist eller inneholder støy.
- Fuzzy Logic Construction er veldig enkel å lese og forstå, da den nøye etterligner måten Human-Mind tar beslutningen.
- Nyansene i Fuzzy Logic innebærer bruk av viktige matematikkonsepter som Set Theory and Probability som gjør det egnet til å løse alle slags daglige utfordringer som menneskeheten står overfor.
- Fuzzy Logic kan tilby effektive løsninger på et veldig komplekst problem på tvers av forskjellige bransjer.
- Fuzzy Logic System trenger en veldig liten mengde data for å forberede en robust modell. Derfor trenger den bare en begrenset mengde minne for utførelsen.
Ulemper med Fuzzy Logic System
Nedenfor er de fire beste ulempene med det uklare logikksystemet:
- Det er ingen standard måte å løse et problem gjennom Fuzzy Logic, derfor kan forskjellige eksperter ha en annen løsning på et problem som fører til tvetydighet.
- Ettersom Fuzzy Logic System fungerer med både presise og upresise data, kan det til tider bli kompromittert med nøyaktigheten.
- Fuzzy Logic System kan ikke lære av tidligere feil eller feil da det ikke har selvlæringsevne som maskinlæring og nevralt nettverk.
- På grunn av mangelen på standardisering er det ingen fast måte å finne regler og medlemsfunksjoner for det gitte problemet. Noen ganger blir det derfor vanskelig å finne eksakte regler og medlemsfunksjoner for noen problemer.
Konklusjon
Fuzzy Logic gir en alternativ måte å tilnærme seg reelle problemer i databehandlingsverdenen. Det kan enkelt brukes på forskjellige applikasjoner og kontrollsystem som kan høste langsiktige fordeler. Gitt sin evne til å jobbe godt med “Grad of Truth” åpner det mange dører til moderne databehandling. Imidlertid er det ikke universalmiddelet for alle problemene, da det har alvorlige begrensninger når det gjelder nøyaktighet og manglende evne til å lære av dets feil som i tilfelle Machine Learning.
Anbefalte artikler
Dette er en guide til Fuzzy Logic System. Her diskuterer vi hvorfor og når vi skal bruke det uklare systemet, med arkitektur, applikasjon og sist med fordeler og ulemper. Du kan også gå gjennom andre relaterte artikler for å lære mer -
- Hva er uklar logikk?
- Fuzz Testing
- IoT-selskaper
- R dataramme
- Sensorenhet
- Topp 12 sensortyper og deres applikasjoner