Artificial Intelligence 简明教程
Artificial Intelligence - Fuzzy Logic Systems
模糊逻辑系统(FLS)根据不完整、模棱两可、扭曲或不准确(模糊)的输入生成可接受但明确的输出。
What is Fuzzy Logic?
模糊逻辑(FL)是一种类似于人类推理的推理方法。FL 的方法模仿了人类的决策方式,其中涉及 YES 和 NO 数字值之间的所有中间可能性。
计算机可以理解的传统逻辑块获取精确的输入,并生成明确的 TRUE 或 FALSE 输出,这相当于人类的 YES 或 NO。
模糊逻辑的发明者 Lotfi Zadeh 观察到,与计算机不同,人类决策包括 YES 和 NO 之间的可能性范围,例如 -
CERTAINLY YES |
POSSIBLY YES |
CANNOT SAY |
POSSIBLY NO |
CERTAINLY NO |
模糊逻辑基于输入的可能性水平来实现明确的输出。
Fuzzy Logic Systems Architecture
它有四个主要部分,如下图所示 -
-
Fuzzification Module - 它将作为清晰数字的系统输入转换为模糊集。它将输入信号分为五个步骤,例如 -
LP |
x is Large Positive |
MP |
x is Medium Positive |
S |
x is Small |
MN |
x is Medium Negative |
LN |
x is Large Negative |
-
Knowledge Base - 它存储专家提供的 IF-THEN 规则。
-
Inference Engine − 通过对输入和 IF-THEN 规则进行模糊推理来模拟人类推理过程。
-
Defuzzification Module − 将推理引擎得到的模糊集合转化为清晰值。
membership functions work on 模糊变量集。
Membership Function
隶属度函数可以让您量化语言术语并在图形上表示模糊集合。在论域 X 上模糊集合 A 的一个 membership function 被定义为 μA:X → [0,1]。
在这里,X 的每个元素都被映射到 0 和 1 之间的一个值。它称为 membership value 或 degree of membership 。它量化元素在 X 中对模糊集合 A 的隶属程度。
-
x 轴代表论域。
-
y 轴代表 [0, 1] 区间内的隶属程度。
可能有适用于对数值模糊化的多个隶属度函数。使用简单的隶属度函数,因为使用复杂的函数并不会增加输出的精度。
LP, MP, S, MN, 和 LN 的所有隶属度函数如下所示−
三角隶属度函数形状在各种其他隶属度函数形状中是最常见的,例如梯形、单例和高斯形状。
在此,对 5 级模糊器的输入变化范围从 -10 伏特到 +10 伏特。因此相应的输出也发生变化。
Example of a Fuzzy Logic System
让我们考虑一个采用 5 级模糊逻辑系统的空调系统。该系统通过比较室内温度和目标温度值来调节空调的温度。
Algorithm
-
定义语言变量和术语(开始)
-
为其构建隶属度函数。(开始)
-
构建规则知识库(开始)
-
使用隶属度函数将清晰数据转换为模糊数据集。(模糊化)
-
在规则库中评估规则。(推理引擎)
-
组合每条规则中的结果。(推理引擎)
-
将输出数据转换为非模糊值。(去模糊化)
Development
Step 1 − Define linguistic variables and terms
语言变量是以简单单词或句子形式输入和输出的变量。对于室温来说,冷、暖、热等是语言术语。
温度 (t) = {非常冷、冷、暖、非常暖、热}
该集合的每个成员都是一个语言术语,并且可以覆盖整体温度值的一部分。
Step 2 − Construct membership functions for them
温度变量的隶属度函数如下所示 −
Step3 − Construct knowledge base rules
针对空气调节系统期望提供的室温值与目标温度值创建矩阵。
RoomTemp. /Target |
Very_Cold |
Cold |
Warm |
Hot |
Very_Hot |
Very_Cold |
No_Change |
Heat |
Heat |
Heat |
Heat |
Cold |
Cool |
No_Change |
Heat |
Heat |
Heat |
Warm |
Cool |
Cool |
No_Change |
Heat |
Heat |
Hot |
Cool |
Cool |
Cool |
No_Change |
Heat |
Very_Hot |
Cool |
Cool |
Cool |
Cool |
No_Change |
以 IF-THEN-ELSE 结构的形式,构建一组规则到知识库中。
Sr. No. |
Condition |
Action |
1 |
如果温度=(冷或非常冷)且目标=暖,那么 |
Heat |
2 |
如果温度=(热或非常热)且目标=暖,那么 |
Cool |
3 |
如果 (温度=暖)且 (目标=暖),那么 |
No_Change |
Step 4 − Obtain fuzzy value
模糊集运算执行规则评估。用于 OR 和 AND 的运算分别是 Max 和 Min。组合所有评估结果以形成最终结果。此结果是一个模糊值。
Step 5 − Perform defuzzification
然后根据输出变量的隶属度函数执行去模糊化。
Application Areas of Fuzzy Logic
模糊逻辑的关键应用领域如下 −
Automotive Systems
-
Automatic Gearboxes
-
Four-Wheel Steering
-
Vehicle environment control
Consumer Electronic Goods
-
Hi-Fi Systems
-
Photocopiers
-
Still and Video Cameras
-
Television
Domestic Goods
-
Microwave Ovens
-
Refrigerators
-
Toasters
-
Vacuum Cleaners
-
Washing Machines
Environment Control
-
Air Conditioners/Dryers/Heaters
-
Humidifiers