Dans notre vie de tous les jours, nous pourrions être confrontés à des situations dans lesquelles nous sommes incapables de déterminer si l'état est vrai ou faux. Fuzzy fait référence à quelque chose qui n'est pas clair ou vague. La logique floue dans l'IA offre une flexibilité précieuse pour le raisonnement. Et dans cet article, nous allons découvrir cette logique et sa mise en œuvre dans dans l'ordre suivant:
- Qu'est-ce que la logique floue?
- Pourquoi utilisons-nous Fuzzy Logic?
- Architecture
- Fonction d'adhésion
- Logique floue vs probabilité
- Applications de la logique floue
- Avantages désavantages
- Logique floue dans l'IA: exemple
Qu'est-ce que la logique floue?
Logique floue (FL) est une méthode de raisonnement qui ressemble à raisonnement humain . Cette approche est similaire à la façon dont les humains effectuent la prise de décision. Et cela implique toutes les possibilités intermédiaires entre OUI et NON .
comment créer une alerte en javascript
La bloc logique conventionnel qu’un ordinateur comprend prend une entrée précise et produit une sortie définie comme VRAI ou FAUX, ce qui équivaut au OUI ou NON d’un être humain. La logique floue a été inventée par Lotfi Zadeh qui a observé que contrairement aux ordinateurs, les humains ont une gamme de possibilités différente entre OUI et NON, telles que:
La logique floue travaille sur les niveaux de possibilités d'entrée pour obtenir une sortie définie. Maintenant, parlons de la mise en œuvre de cette logique:
Il peut être implémenté dans des systèmes avec différentes tailles et capacités telles que micro-contrôleurs, grands réseaux ou systèmes basés sur des postes de travail.
En outre, il peut être implémenté dans matériel, logiciel ou une combinaison de tous les deux .
Pourquoi utilisons-nous Fuzzy Logic?
Généralement, nous utilisons le système de logique floue à des fins commerciales et pratiques telles que:
Il contrôle des machines et les produits de consommation
Si ce n'est pas un raisonnement précis, il fournit au moins raisonnement acceptable
Cela aide à gérer le l'incertitude en ingénierie
Alors, maintenant que vous connaissez la logique floue dans l'IA et pourquoi l'utilisons-nous réellement, passons à autre chose et comprenons l'architecture de cette logique.
Architecture de logique floue
L'architecture de logique floue se compose de quatre parties principales:
Règles - Il contient toutes les règles et les conditions si-alors proposées par les experts pour contrôler le système décisionnel. La récente mise à jour de la théorie floue fournit différentes méthodes efficaces pour la conception et le réglage de contrôleurs flous . Habituellement, ces développements réduisent le nombre de règles floues.
Fuzzification - Cette étape convertit les entrées ou les nombres nets en ensembles flous. Vous pouvez mesurer les entrées nettes par des capteurs et les passer dans le Système de contrôle pour un traitement ultérieur. Il divise le signal d'entrée en cinq étapes telles que:
Moteur d'inférence - Il détermine le degré de correspondance entre l'entrée floue et les règles. Selon le champ de saisie, il décidera des règles à déclencher. En combinant les règles déclenchées, formez les actions de contrôle.
Défuzzification - Le processus de défuzzification convertit les ensembles flous en une valeur nette. Il existe différents types de techniques disponibles et vous devez sélectionner celle qui convient le mieux avec un système expert.
Il s'agissait donc de l'architecture de la logique floue dans l'IA. Voyons maintenant la fonction d’appartenance.
Fonction d'adhésion
La fonction d'appartenance est un graphique qui définit comment chaque point de espace d'entrée est mappé à une valeur d'appartenance comprise entre 0 et 1. Cela vous permet de quantifier les termes linguistiques et représentent graphiquement un ensemble flou. Une fonction d'appartenance pour un ensemble flou A sur l'univers du discours X est définie comme & muA: X → [0,1]
Il quantifie le degré d'appartenance de l'élément en X à l'ensemble flou A.
axe x représente l'univers du discours.
axe y représente les degrés d'appartenance à l'intervalle [0, 1].
Il peut y avoir plusieurs fonctions d'appartenance applicables pour fuzzifier une valeur numérique. Les fonctions d'appartenance simples sont utilisées car les fonctions complexes n'ajoutent pas de précision dans la sortie. L'adhésion fonctionne pour LP, MP, S, MN et LN sont:
Les formes de fonction d'appartenance triangulaires sont les plus courantes parmi diverses autres formes de fonctions d'appartenance. Ici, l'entrée du fuzzifier à 5 niveaux varie de -10 volts à +10 volts . Par conséquent, la sortie correspondante change également.
Logique floue vs probabilité
| Logique floue | Probabilité |
| Dans la logique floue, nous essayons essentiellement de capturer le concept essentiel d'imprécision. | La probabilité est associée à des événements et non à des faits, et ces événements se produiront ou ne se produiront pas |
| La logique floue capture la signification de la vérité partielle | La théorie des probabilités capture des connaissances partielles |
| La logique floue prend les degrés de vérité comme base mathématique | La probabilité est un modèle mathématique de l'ignorance |
Voilà donc quelques-unes des différences entre la logique floue en IA et la probabilité. Voyons maintenant quelques-unes des applications de cette logique.
Applications de la logique floue
La logique floue est utilisée dans divers domaines tels que les systèmes automobiles, les biens domestiques, le contrôle de l'environnement, etc. Certaines des applications courantes sont:
Il est utilisé dans le domaine aérospatial pour contrôle d'altitude d'engins spatiaux et de satellites.
Cela contrôle le vitesse et trafic dans le systèmes automobiles.
Il est utilisé pour systèmes d'aide à la décision et évaluation personnelle dans les grandes entreprises.
Il contrôle également le pH, le séchage, le processus de distillation chimique dans le industrie chimique .
La logique floue est utilisée dans Traitement du langage naturel et divers intensifs .
comment utiliser python anaconda
Il est largement utilisé dans systèmes de contrôle modernes tels que les systèmes experts.
La logique floue imite la façon dont une personne prendrait des décisions, mais beaucoup plus rapidement. Ainsi, vous pouvez l'utiliser avec Les réseaux de neurones .
Ce sont quelques-unes des applications courantes de la logique floue. Voyons maintenant les avantages et les inconvénients de l'utilisation de Fuzzy Logic dans l'IA.
Avantages et inconvénients de la logique floue
La logique floue fournit un raisonnement simple similaire au raisonnement humain. Il y en a d'autres avantages d'utiliser cette logique, telle que:
La structure des systèmes de logique floue est facile et compréhensible
La logique floue est largement utilisée pour commercial et fins pratiques
Cela vous aide à machines de contrôle et produits de consommation
Cela vous aide à gérer les l'incertitude en ingénierie
La plupart robuste car aucune entrée précise requise
Si le capteur de retour cesse de fonctionner, vous pouvez programme-le dans la situation
Vous pouvez modifier facilement cela pour améliorer ou modifier les performances du système
Capteurs bon marché peut être utilisé, ce qui vous aide à réduire le coût global et la complexité du système
Tels étaient les différents avantages de la logique floue. Mais, il en a désavantages ainsi que:
La logique floue est pas toujours précis . Les résultats sont donc perçus sur la base d'hypothèses et peuvent ne pas être largement acceptés
Il ne peut pas reconnaître aussi bien que modèles de caractères
Validation et vérification des besoins d'un système flou basé sur la connaissance tests approfondis avec du matériel
Définir des règles exactes et floues et des fonctions d'appartenance est un tâche difficile
Parfois, la logique floue est confus avec théorie des probabilités
Voici donc quelques-uns des avantages et des inconvénients de l'utilisation de la logique floue dans l'IA. Prenons maintenant un exemple concret et comprenons le fonctionnement de cette logique.
Logique floue dans l'IA: exemple
La conception d'un système de logique floue commence par un ensemble de fonctions d'appartenance pour chaque entrée et un ensemble pour chaque sortie. Un ensemble de règles est ensuite appliqué aux fonctions d'appartenance pour produire une valeur de sortie nette. Prenons un exemple de contrôle de processus et comprenons la logique floue.
Étape 1
Ici, Température est l'entrée et Vitesse du ventilateur est la sortie. Vous devez créer un ensemble de fonctions d'appartenance pour chaque entrée. Une fonction d'appartenance est simplement une représentation graphique des ensembles de variables floues. Pour cet exemple, nous utiliserons trois ensembles flous, Froid, chaud et Chaud . Nous allons ensuite créer une fonction d'appartenance pour chacun des trois ensembles de température:
Étape 2
Dans l'étape suivante, nous utiliserons trois ensembles flous pour la sortie, Lent, moyen et Vite . Un ensemble de fonctions est créé pour chaque ensemble de sorties comme pour les ensembles d'entrées.
Étape 3
Maintenant que nos fonctions d'appartenance sont définies, nous pouvons créer les règles qui définiront comment les fonctions d'appartenance seront appliquées au système final. Nous allons créer trois règles pour ce système.
- Si chaud puis rapide
- Si chaud puis moyen
- Et, si froid puis lent
Ces règles s'appliquent aux fonctions d'appartenance pour produire la valeur de sortie nette pour piloter le système. Ainsi, pour une valeur d'entrée de 52 degrés , nous croisons les fonctions d'appartenance. Ici, nous appliquons deux règles lorsque l'intersection se produit sur les deux fonctions. Vous pouvez étendre les points d'intersection aux fonctions de sortie pour produire un point d'intersection. Vous pouvez ensuite tronquer les fonctions de sortie à la hauteur des points d'intersection.
C'était une explication très simple du fonctionnement des systèmes de logique floue. Dans un vrai système de travail, il y aurait de nombreuses entrées et la possibilité de plusieurs sorties. Cela entraînerait un ensemble de fonctions assez complexe et beaucoup plus de règles.
Avec cela, nous sommes arrivés à la fin de notre article Fuzzy Logic in AI. J'espère que vous avez compris ce qu'est la logique floue et comment cela fonctionne.
Consultez également le Le cours est organisé par des professionnels de l'industrie selon les exigences et les demandes de l'industrie. Vous maîtriserez les concepts tels que la fonction SoftMax, les réseaux de neurones Autoencoder, la machine Boltzmann restreinte (RBM) et travaillerez avec des bibliothèques telles que Keras et TFLearn. Le cours a été spécialement organisé par des experts de l'industrie avec des études de cas en temps réel.
Vous avez une question pour nous? Veuillez le mentionner dans la section commentaires de «Fuzzy Logic in AI» et nous vous répondrons.
test cross browser dans sélénium webdriver