Dalam kehidupan kita sehari-hari, kita mungkin menghadapi situasi di mana kita tidak dapat menentukan apakah keadaan itu benar atau salah. Fuzzy mengacu pada sesuatu yang tidak jelas atau kabur. Fuzzy Logic di AI memberikan fleksibilitas yang berharga untuk penalaran. Dan pada artikel ini, kita akan belajar tentang logika ini dan implementasinya di dalam urutan berikut:
- Apa itu Fuzzy Logic?
- Mengapa kami menggunakan Fuzzy Logic?
- Arsitektur
- Fungsi Keanggotaan
- Logika Fuzzy vs Probabilitas
- Aplikasi Logika Fuzzy
- Keuntungan Kerugian
- Fuzzy Logic di AI: Contoh
Apa itu Fuzzy Logic?
Logika Fuzzy (FL) adalah metode penalaran yang menyerupai penalaran manusia . Pendekatan ini mirip dengan bagaimana manusia melakukan pengambilan keputusan. Dan itu melibatkan semua kemungkinan antara IYA dan TIDAK .
Itu blok logika konvensional yang dipahami komputer mengambil masukan yang tepat dan menghasilkan keluaran pasti sebagai BENAR atau SALAH, yang setara dengan YA atau TIDAK manusia. Logika Fuzzy ditemukan oleh Lotfi Zadeh yang mengamati bahwa tidak seperti komputer, manusia memiliki rentang kemungkinan yang berbeda antara YA dan TIDAK, seperti:
Logika Fuzzy bekerja pada tingkat kemungkinan masukan untuk mencapai keluaran yang pasti. Sekarang, berbicara tentang implementasi logika ini:
Ini dapat diimplementasikan dalam sistem dengan berbagai ukuran dan kemampuan seperti pengendali mikro, jaringan besar atau sistem berbasis stasiun kerja.
apa contoh kelas di java
Juga, ini dapat diterapkan di perangkat keras Perangkat Lunak atau kombinasi dari kedua .
Mengapa kami menggunakan Fuzzy Logic?
Secara umum, kami menggunakan sistem logika fuzzy baik untuk tujuan komersial maupun praktis seperti:
Saya t mengontrol mesin dan produk konsumer
Jika alasannya tidak akurat, setidaknya memberikan alasan yang dapat diterima
Ini membantu dalam menangani ketidakpastian dalam bidang teknik
Jadi, setelah Anda mengetahui tentang logika Fuzzy di AI dan mengapa kami benar-benar menggunakannya, mari kita lanjutkan dan pahami arsitektur logika ini.
Arsitektur Fuzzy Logic
Arsitektur logika fuzzy terdiri dari empat bagian utama:
Aturan - Berisi semua aturan dan kondisi jika-maka yang ditawarkan oleh para ahli untuk mengontrol sistem pengambilan keputusan. Pembaruan terbaru dalam teori fuzzy memberikan metode efektif yang berbeda untuk desain dan penyetelan pengendali fuzzy . Biasanya, perkembangan ini mengurangi jumlah aturan fuzzy.
Fuzzifikasi - Langkah ini mengubah masukan atau bilangan tajam menjadi himpunan fuzzy. Anda dapat mengukur masukan yang tajam dengan sensor dan meneruskannya ke sistem pengaturan untuk diproses lebih lanjut. Ini membagi sinyal input menjadi lima langkah seperti-
Mesin Inferensi - Ini menentukan tingkat kecocokan antara input fuzzy dan aturan. Menurut bidang masukan, itu akan memutuskan aturan yang akan dipecat. Menggabungkan aturan yang dipecat, membentuk tindakan kontrol.
Defuzzifikasi - Proses defuzzifikasi mengubah himpunan fuzzy menjadi nilai yang tajam. Ada berbagai jenis teknik yang tersedia, dan Anda perlu memilih yang paling sesuai dengan sistem pakar.
Jadi, ini tentang arsitektur logika fuzzy di AI. Sekarang, mari kita pahami fungsi keanggotaan.
Fungsi Keanggotaan
Fungsi keanggotaan adalah a grafik yang menentukan bagaimana setiap poin di ruang masukan dipetakan ke nilai keanggotaan antara 0 dan 1. Anda dapat melakukannya mengukur istilah linguistik dan mewakili himpunan fuzzy secara grafis. Fungsi keanggotaan untuk himpunan fuzzy A di alam semesta diskursus X didefinisikan sebagai & muA: X → [0,1]
Ini mengukur tingkat keanggotaan elemen di X ke himpunan fuzzy A.
sumbu x mewakili alam semesta wacana.
sumbu y mewakili derajat keanggotaan dalam interval [0, 1].
Mungkin ada beberapa fungsi keanggotaan yang dapat diterapkan untuk mengaburkan nilai numerik. Fungsi keanggotaan sederhana digunakan karena fungsi kompleks tidak menambah presisi dalam keluaran. Fungsi keanggotaan untuk LP, MP, S, MN, dan LN adalah:
Bentuk fungsi keanggotaan segitiga paling umum di antara berbagai bentuk fungsi keanggotaan lainnya. Di sini, input ke fuzzifier 5 level bervariasi dari -10 volt hingga +10 volt . Oleh karena itu, keluaran yang sesuai juga berubah.
Logika Fuzzy vs Probabilitas
| Logika Fuzzy | Kemungkinan |
| Dalam logika fuzzy, pada dasarnya kami mencoba menangkap konsep esensial dari ketidakjelasan. | Probabilitas dikaitkan dengan peristiwa dan bukan fakta, dan peristiwa itu akan terjadi atau tidak terjadi |
| Fuzzy Logic menangkap arti dari kebenaran parsial | Teori probabilitas menangkap pengetahuan parsial |
| Logika fuzzy mengambil derajat kebenaran sebagai dasar matematika | Probabilitas adalah model matematika ketidaktahuan |
Nah itulah beberapa perbedaan antara logika fuzzy di AI dan probabilitas. Sekarang, mari kita lihat beberapa aplikasi logika ini.
Aplikasi Logika Fuzzy
Logika Fuzzy digunakan dalam berbagai bidang seperti sistem otomotif, barang domestik, pengendalian lingkungan, dll. Beberapa aplikasi yang umum digunakan adalah:
Ini digunakan di bidang kedirgantaraan untuk kontrol ketinggian pesawat ruang angkasa dan satelit.
Ini mengontrol kecepatan dan lalu lintas dalam sistem otomotif.
Ini digunakan untuk sistem pendukung pengambilan keputusan dan evaluasi pribadi dalam bisnis perusahaan besar.
Ini juga mengontrol pH, pengeringan, proses distilasi kimia di industri kimia .
Logika fuzzy digunakan di Pemrosesan bahasa alami dan berbagai intensif .
Ini banyak digunakan dalam sistem kontrol modern seperti sistem pakar.
Fuzzy Logic meniru cara seseorang membuat keputusan, hanya saja lebih cepat. Jadi, Anda bisa menggunakannya dengan Jaringan Neural .
Ini adalah beberapa aplikasi umum dari Fuzzy Logic. Sekarang, mari kita lihat keuntungan dan kerugian menggunakan Fuzzy Logic di AI.
Keuntungan & Kerugian Fuzzy Logic
Logika fuzzy memberikan penalaran sederhana mirip dengan penalaran manusia. Ada lebih banyak seperti itu keuntungan menggunakan logika ini, seperti:
c c # c ++
Struktur Sistem Logika Fuzzy adalah mudah dan bisa dimengerti
Logika fuzzy banyak digunakan untuk komersial dan tujuan praktis
Ini membantu Anda mesin kontrol dan produk konsumen
Ini membantu Anda untuk menangani ketidakpastian dalam bidang teknik
Kebanyakan kuat karena tidak diperlukan input yang tepat
Jika sensor umpan balik berhenti bekerja, Anda bisa memprogramnya ke dalam situasi tersebut
Kamu bisa mudah dimodifikasi itu untuk meningkatkan atau mengubah kinerja sistem
Sensor murah dapat digunakan untuk membantu Anda menjaga biaya dan kompleksitas sistem secara keseluruhan tetap rendah
Inilah keunggulan berbeda dari logika fuzzy. Tapi, ada beberapa kerugian demikian juga:
Logika fuzzy adalah tidak selalu akurat . Jadi hasilnya dianggap berdasarkan asumsi dan mungkin tidak diterima secara luas
Saya t tidak bisa mengenali sebaik jenis pola
Validasi dan Verifikasi dari kebutuhan sistem berbasis pengetahuan fuzzy pengujian ekstensif dengan perangkat keras
menaikkan angka menjadi pangkat di java
Menetapkan aturan yang tepat, fuzzy dan, fungsi keanggotaan adalah a tugas yang sulit
Terkadang, logika fuzzy adalah bingung dengan teori probabilitas
Nah itulah tadi beberapa kelebihan dan kekurangan penggunaan logika fuzzy pada AI. Sekarang, mari kita ambil contoh dunia nyata dan pahami cara kerja logika ini.
Fuzzy Logic di AI: Contoh
Perancangan sistem logika fuzzy dimulai dengan seperangkat fungsi keanggotaan untuk setiap masukan dan himpunan untuk setiap keluaran. Serangkaian aturan kemudian diterapkan pada fungsi keanggotaan untuk menghasilkan nilai keluaran yang tajam. Mari kita ambil contoh kontrol proses dan memahami logika fuzzy.
Langkah 1
Sini, Suhu adalah masukan dan Kecepatan kipas adalah hasilnya. Anda harus membuat satu set fungsi keanggotaan untuk setiap masukan. Fungsi keanggotaan hanyalah representasi grafis dari set variabel fuzzy. Untuk contoh ini, kita akan menggunakan tiga set fuzzy, Dingin, Hangat dan Panas . Kami kemudian akan membuat fungsi keanggotaan untuk masing-masing dari tiga set suhu:
Langkah 2
Pada langkah selanjutnya, kita akan menggunakan tiga set fuzzy untuk keluarannya, Lambat, Sedang dan Cepat . Satu set fungsi dibuat untuk setiap set keluaran seperti untuk set masukan.
LANGKAH 3
Sekarang setelah fungsi keanggotaan ditentukan, kita dapat membuat aturan yang akan menentukan bagaimana fungsi keanggotaan akan diterapkan ke sistem akhir. Kami akan membuat tiga aturan untuk sistem ini.
- Jika Panas lalu Cepat
- Jika Hangat maka Sedang
- Dan, jika Dingin maka Lambat
Aturan-aturan ini berlaku untuk fungsi keanggotaan untuk menghasilkan nilai keluaran yang tajam untuk menggerakkan sistem. Jadi, untuk nilai masukan 52 derajat , kami memotong fungsi keanggotaan. Di sini, kami menerapkan dua aturan karena perpotongan terjadi pada kedua fungsi. Anda dapat memperluas titik perpotongan ke fungsi keluaran untuk menghasilkan titik perpotongan. Anda kemudian dapat memotong fungsi keluaran pada ketinggian titik potong.
Ini adalah penjelasan yang sangat sederhana tentang bagaimana sistem logika fuzzy bekerja. Dalam suatu sistem kerja nyata, akan banyak masukan dan kemungkinan beberapa keluaran. Ini akan menghasilkan sekumpulan fungsi yang cukup kompleks dan lebih banyak aturan.
Dengan ini, kita sampai pada bagian akhir artikel Fuzzy Logic di AI. Saya harap Anda mengerti apa itu logika fuzzy dan cara kerjanya.
Juga, lihat Kursus dikurasi oleh para profesional industri sesuai kebutuhan & tuntutan industri. Anda akan menguasai konsep-konsep seperti fungsi SoftMax, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM), dan bekerja dengan pustaka seperti Keras & TFLearn. Kursus ini telah dikurasi secara khusus oleh pakar industri dengan studi kasus waktu nyata.
Ada pertanyaan untuk kami? Harap sebutkan di bagian komentar 'Logika Fuzzy di AI' dan kami akan menghubungi Anda kembali.