Unscharfe Logik ist definiert als eine vielwertige Logikform, bei der die Wahrheitswerte der Variablen eine beliebige reelle Zahl zwischen 0 und 1 sein können. Sie ist das Griffkonzept der partiellen Wahrheit. Im wirklichen Leben können wir auf eine Situation stoßen, in der wir nicht entscheiden können, ob eine Aussage wahr oder falsch ist. In diesem Fall bietet die Fuzzy-Logik eine sehr wertvolle Flexibilität bei der Argumentation.
Der Fuzzy-Logik-Algorithmus hilft dabei, ein Problem zu lösen, nachdem er alle verfügbaren Daten berücksichtigt hat. Dann trifft er die bestmögliche Entscheidung für die gegebene Eingabe. Die FL-Methode ahmt die menschliche Entscheidungsfindung nach, bei der alle Möglichkeiten zwischen den digitalen Werten T und F berücksichtigt werden.
Obwohl das Konzept der Fuzzy-Logik schon seit den 1920er Jahren erforscht wurde. Der Begriff Fuzzy-Logik wurde erstmals 1965 von Lotfi Zadeh, einem Professor der UC Berkeley in Kalifornien, verwendet. Er stellte fest, dass die herkömmliche Computerlogik nicht in der Lage war, Daten zu verarbeiten, die subjektive oder unklare menschliche Vorstellungen repräsentierten.
Der Fuzzy-Algorithmus wurde in verschiedenen Bereichen angewandt, von der Kontrolltheorie bis zur KI. Er wurde entwickelt, um dem Computer die Möglichkeit zu geben, zwischen Daten zu unterscheiden, die weder wahr noch falsch sind. Er ähnelt dem menschlichen Denkprozess. Wie z.B. Wenig dunkel, etwas hell, etc.
Merkmale der Fuzzy-Logik
Hier sind einige wichtige Merkmale der Fuzzy-Logik:
Flexible und einfach zu implementierende maschinelle Lerntechnik
Hilft dir, die Logik des menschlichen Denkens zu imitieren
Die Logik kann zwei Werte haben, die zwei mögliche Lösungen darstellen
Sehr geeignete Methode für unsichere oder ungefähre Schlussfolgerungen
Die Fuzzy-Logik betrachtet die Inferenz als einen Prozess der Ausbreitung elastischer Beschränkungen
Mit Fuzzy-Logik kannst du nichtlineare Funktionen von beliebiger Komplexität erstellen.
Fuzzy-Logik sollte unter der vollständigen Anleitung von Experten entwickelt werden
Wann man Fuzzy-Logik nicht verwenden sollte
Fuzzy-Logik ist jedoch nie ein Allheilmittel. Deshalb ist es genauso wichtig zu verstehen, wo wir Fuzzy-Logik nicht einsetzen sollten.
Hier gibt es bestimmte Situationen, in denen du Fuzzy Logic besser nicht verwendest:
Wenn du es nicht für sinnvoll hältst, einen Eingaberaum auf einen Ausgaberaum abzubilden
Fuzzy-Logik sollte nicht verwendet werden, wenn man den gesunden Menschenverstand benutzen kann
Viele Steuerungen können auch ohne Fuzzy-Logik gute Arbeit leisten
Fuzzy-Logik-Architektur
Die Fuzzy Logic-Architektur besteht aus vier Hauptteilen, wie im Diagramm dargestellt:
Regelbasis:
Sie enthält alle Regeln und die Wenn-dann-Bedingungen, die von den Experten zur Steuerung des Entscheidungssystems angeboten werden. Die jüngsten Aktualisierungen der Fuzzy-Theorie bieten verschiedene Methoden für den Entwurf und die Abstimmung von Fuzzy-Reglern. Diese Aktualisierungen reduzieren die Anzahl der Fuzzy-Regeln erheblich.
Fuzzifizierung:
Der Schritt der Fuzzifizierung hilft bei der Umwandlung von Eingaben. Er ermöglicht es dir, klare Zahlen in unscharfe Mengen umzuwandeln. Knackige Eingaben werden von Sensoren gemessen und zur weiteren Verarbeitung an das Kontrollsystem weitergeleitet. Zum Beispiel Raumtemperatur, Druck usw.
Inferenzmaschine:
Sie hilft dir, den Grad der Übereinstimmung zwischen der Fuzzy-Eingabe und den Regeln zu bestimmen. Anhand der prozentualen Übereinstimmung bestimmt sie, welche Regeln für das gegebene Eingabefeld impliziert werden müssen. Danach werden die angewandten Regeln kombiniert, um die Kontrollmaßnahmen zu entwickeln.
Defuzzifizierung:
Zuletzt wird die Defuzzifizierung durchgeführt, um die unscharfen Mengen in einen eindeutigen Wert umzuwandeln. Es gibt viele Arten von Techniken, daher musst du diejenige auswählen, die sich am besten für die Verwendung mit einem Expertensystem eignet.
Fuzzy Logic vs. Wahrscheinlichkeitsrechnung
Unscharfe Logik
Wahrscheinlichkeit
Unscharf: Toms Grad der Zugehörigkeit zur Gruppe der alten Menschen ist 0,90.
Wahrscheinlichkeit: Die Wahrscheinlichkeit, dass Tom alt ist, liegt bei 90%.
Die Fuzzy-Logik nimmt Wahrheitsgrade als mathematische Grundlage für das Modell des Vagheitsphänomens.
Die Wahrscheinlichkeitsrechnung ist ein mathematisches Modell der Unwissenheit.
Crisp vs. Fuzzy
Knackig
Fuzzy
Es hat eine strenge Grenze T oder F
Fuzzy-Grenze mit einem Zugehörigkeitsgrad
Einige knackige Zeitmengen können unscharf sein
Es kann nicht knackig sein
Wahr/Falsch {0,1}
Mitgliedschaftswerte auf [0,1]
In der Crisp-Logik kann das Gesetz der ausgeschlossenen Mitte und der Nicht-Widersprüchlichkeit gelten oder nicht
In der Fuzzy-Logik gelten die Gesetze der ausgeschlossenen Mitte und der Nicht-Widersprüchlichkeit
Klassische Mengenlehre vs. Fuzzy-Mengenlehre
Klassische Menge
Unscharfe Mengenlehre
Klassen von Objekten mit scharfen Grenzen.
Klassen von Objekten haben keine scharfen Grenzen.
Eine klassische Menge ist durch scharfe Grenzen definiert, d.h. es besteht Klarheit über die Lage der Mengengrenzen.
Eine unscharfe Menge hat immer mehrdeutige Grenzen, d. h., es kann Unklarheit über die Lage der Mengengrenzen herrschen.
Weit verbreitet in der digitalen Systementwicklung
Wird nur in Fuzzy-Reglern verwendet.
Fuzzy Logic Beispiele
Siehe das unten stehende Diagramm. Es zeigt, dass in einem Fuzzy-System die Werte mit einer Zahl zwischen 0 und 1 angegeben werden. In diesem Beispiel steht 1,0 für absolute Wahrheit und 0,0 für absolute Falschheit.
Anwendungsbereiche der Fuzzy-Logik
Die untenstehende Tabelle zeigt die Anwendung von Fuzzy Logic in den Produkten bekannter Unternehmen.
Produkt
Unternehmen
Fuzzy-Logik
Antiblockiersystem
Nissan
Fuzzy-Logik zur Steuerung der Bremsen in Gefahrensituationen in Abhängigkeit von Fahrzeuggeschwindigkeit, Beschleunigung, Raddrehzahl und Beschleunigung verwenden
Autogetriebe
NOK/Nissan
Fuzzy-Logik wird verwendet, um die Kraftstoffeinspritzung und die Zündung auf der Grundlage von Drosselklappenstellung, Kühlwassertemperatur, Drehzahl usw. zu steuern.
Automotor
Honda, Nissan
Damit wählst du das Getriebe je nach Motorlast, Fahrstil und Straßenbedingungen aus.
Kopiergerät
Canon
Zur Anpassung der Trommelspannung in Abhängigkeit von Bilddichte, Feuchtigkeit und Temperatur.
Tempomat
Nissan, Isuzu, Mitsubishi
Zum Einstellen von Geschwindigkeit und Beschleunigung des Fahrzeugs
Geschirrspüler
Matsushita
Zum Einstellen des Reinigungszyklus, der Spül- und Waschstrategien in Abhängigkeit von der Anzahl des Geschirrs und der Menge der darauf servierten Speisen.
Steuerung des Aufzugs
Fujitec, Mitsubishi Electric, Toshiba
Nutze es, um Wartezeiten je nach Passagieraufkommen zu reduzieren
Golf-Diagnosesystem
Maruman Golf
Wählt den Golfschläger anhand des Schwungs und des Körperbaus des Golfers aus.
Fitness-Management
Omron
Fuzzy-Regeln, die sie implizieren, um die Fitness ihrer Mitarbeiter zu überprüfen.
Ofensteuerung
Nippon Steel
Mischt Zement
Mikrowellenherd
Mitsubishi Chemical
Setzt lunes Strom- und Kochstrategie
Palmtop-Computer
Hitachi, Sharp, Sanyo, Toshiba
Erkennt handgeschriebene Kanji-Zeichen
Plasma-Ätzen
Mitsubishi Electric
Legt Ätzzeit und Strategie fest
Vorteile des Fuzzy Logic Systems
Die Struktur von Fuzzy-Logik-Systemen ist einfach und verständlich
Fuzzy-Logik wird für kommerzielle und praktische Zwecke weit verbreitet eingesetzt
Fuzzy-Logik in der KI hilft dir bei der Steuerung von Maschinen und Konsumgütern
Sie bietet vielleicht keine exakten Schlussfolgerungen, aber die einzig akzeptable Schlussfolgerung
Fuzzy-Logik im Data Mining hilft dir, mit der Unsicherheit in der Technik umzugehen
Weitgehend robust, da keine präzisen Eingaben erforderlich sind
Er kann für den Fall programmiert werden, dass der Rückkopplungssensor nicht mehr funktioniert.
Es kann leicht modifiziert werden, um die Systemleistung zu verbessern oder zu verändern
Es können kostengünstige Sensoren verwendet werden, was dazu beiträgt, die Gesamtkosten und die Komplexität des Systems niedrig zu halten.
Es bietet eine äußerst effektive Lösung für komplexe Probleme
Nachteile von Fuzzy-Logik-Systemen
Fuzzy-Logik ist nicht immer genau, d.h. die Ergebnisse werden auf der Grundlage von Annahmen wahrgenommen, weshalb sie möglicherweise nicht allgemein akzeptiert wird.
Fuzzy-Systeme verfügen nicht über die Fähigkeit des maschinellen Lernens wie die Mustererkennung durch neuronale Netze.
Die Validierung und Verifizierung eines wissensbasierten Fuzzy-Systems erfordert umfangreiche Tests mit Hardware
Die Festlegung exakter Fuzzy-Regeln und Zugehörigkeitsfunktionen ist eine schwierige Aufgabe
Manche Fuzzy-Zeitlogik wird mit der Wahrscheinlichkeitstheorie verwechselt und die Begriffe
Zusammenfassung
Der Begriff „unscharf“ bedeutet Dinge, die nicht sehr klar oder vage sind
Der Begriff Fuzzy-Logik wurde erstmals 1965 von Lotfi Zadeh, einem Professor der UC Berkeley in Kalifornien, verwendet.
Fuzzy-Logik ist eine flexible und einfach zu implementierende Technik des maschinellen Lernens
Fuzzy-Logik sollte nicht verwendet werden, wenn man den gesunden Menschenverstand benutzen kann
Die Architektur der Fuzzy-Logik besteht aus vier Hauptbestandteilen: 1) Rule Basse 2) Fuzzification 3) Inference Engine 4) Defuzzification
Die Fuzzy-Logik verwendet Wahrheitsgrade als mathematische Grundlage für das Modell der Unschärfe, während die Wahrscheinlichkeit ein mathematisches Modell der Unwissenheit ist.
Die klare Menge hat eine strenge Grenze T oder F, während die unscharfe Grenze einen Grad der Zugehörigkeit hat
Die klassische Menge wird häufig bei der Entwicklung digitaler Systeme verwendet, während die unscharfe Menge nur bei Fuzzy-Reglern eingesetzt wird.
Autogetriebe, Fitnessmanagement, Golf-Diagnosesystem, Geschirrspüler, Kopiermaschine sind einige Anwendungsbereiche der Fuzzy Logic
Fuzzy Logic im Soft Computing hilft dir bei der Steuerung von Maschinen und Konsumgütern
Das könnte dir gefallen:
Machine Learning Tutorial für Einsteiger: Was ist, Grundlagen von ML
Backpropagation im neuronalen Netz: Algorithmus für maschinelles Lernen
Überwachtes maschinelles Lernen: Was ist das, Algorithmen mit Beispielen
Unüberwachtes maschinelles Lernen: Algorithmen, Typen mit Beispielen
50 Fragen und Antworten zum maschinellen Lernen im Interview (2023)
0 Kommentare