AI-模糊逻辑系统
模糊逻辑系统 （FLS） 产生可接受但明确的输出，以响应不完整、模糊、失真或不准确（模糊）的输入。
什么是模糊逻辑？
模糊逻辑（FL）是一种类似于人类推理的推理方法。FL的方法模仿人类的决策方式，涉及数字值YES和NO之间的所有中间可能性。
计算机可以理解的传统逻辑块采用精确的输入并产生明确的输出为TRUE或FALSE，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，人类的决策包括YES和NO之间的一系列可能性，例如 -
| 当然是的 |
| 可能是的 |
| 不能说 |
| 可能没有 |
| 当然没有 |
模糊逻辑在输入的可能性水平上工作，以实现确定的输出。
实现
-
它可以在具有各种尺寸和功能的系统中实现，从小型微控制器到大型、联网、基于工作站的控制系统。
-
它可以在硬件、软件或两者的组合中实现。
为什么是模糊逻辑？
模糊逻辑对于商业和实际目的很有用。
- 它可以控制机器和消费品。
- 它可能不会给出准确的推理，但可以接受推理。
- 模糊逻辑有助于处理工程中的不确定性。
模糊逻辑系统架构
它有四个主要部分，如图所示 -
-
模糊化模块 - 它将系统输入（即清晰的数字）转换为模糊集。 它将输入信号分成五个步骤，例如 -
| LP | x 为大正 |
| MP | x 为中阳性 |
| S | x 是小的 |
| MN | x 为中负 |
| LN | x 是大负数 |
-
知识库 - 它存储由专家提供的IF-THEN规则。
-
推理引擎 - 它通过对输入和 IF-THEN 规则进行模糊推理来模拟人类推理过程。
-
去模糊化模块 − 它将推理引擎获得的模糊集转换为清晰的值。
成员函数处理模糊变量集。
隶属函数
隶属函数允许您量化语言术语并以图形方式表示模糊集。 话语X宇宙上模糊集合A的隶属函数定义为μA：X→[0，1]。
在这里，X 的每个元素都映射到 0 到 1 之间的值。 它被称为会员价值或会员资格程度。 它量化了 X 中元素对模糊集合 A 的隶属程度。
- X轴代表话语的宇宙。
- y 轴表示 [0， 1] 区间中的隶属度数。
可以有多个成员函数可用于模糊化数值。 使用简单隶属函数是因为使用复杂函数不会在输出中增加更多精度。
LP、MP、S、MN 和 LN 的所有隶属函数如下所示 -
三角隶属函数形状在各种其他隶属函数形状（如梯形、单例和高斯）中最常见。
l模糊逻辑系统示例
让我们考虑一个具有 5 电平模糊逻辑系统的空调系统。 该系统通过比较室温和目标温度值来调节空调的温度。
算法
- 定义语言变量和术语（开始）
- 为它们构造成员资格函数。 （开始）
- 构建规则知识库（开始）
- 使用隶属函数将清晰的数据转换为模糊数据集。 （模糊化）
- 评估规则库中的规则。 （推理引擎）
- 合并每个规则的结果。 （推理引擎）
- 将输出数据转换为非模糊值。 （去模糊化）
发展
步骤 1 - 定义语言变量和术语
语言变量是简单单词或句子形式的输入和输出变量。 对于室温，冷，温，热等，都是语言术语。
温度 （t） = {极冷、冷、暖、极暖、热}
此集合的每个成员都是一个语言术语，它可以涵盖整体温度值的某些部分。
步骤 2 − 为它们构造隶属函数
温度变量的隶属函数如图所示 -
步骤3 − 构建知识库规则
创建空调系统预期提供的室温值与目标温度值的矩阵。
| 房间温度。 /目标 | 极冷 | 冷 | 温暖 | 热 | 极热 |
|---|---|---|---|---|---|
| 极冷 | No_Change | 热 | 热 | 热 | 热 |
| 冷 | 凉 | No_Change | 热 | 热 | 热 |
| 温暖 | 凉 | 凉 | No_Change | 热 | 热 |
| 热 | 凉 | 凉 | 凉 | No_Change | 热 |
| 极热 | 凉 | 凉 | 凉 | 凉 | No_Change |
以 IF-THEN-ELSE 结构的形式在知识库中构建一组规则。
| IF | 条件 | 行动 |
|---|---|---|
| 1 | 如果温度=（冷或Very_Cold）和目标=暖，则 | 热 |
| 2 | 如果温度=（热或Very_Hot）和目标=暖，则 | 凉 |
| 3 | 如果（温度=暖）和（目标=暖）则 | No_Change |
步骤 4 − 获取模糊值
模糊集操作执行规则评估。用于 OR 和 AND 的运算分别为最大值和最小值。将所有评估结果组合在一起，形成最终结果。此结果是一个模糊值。
步骤 5 − 执行去模糊化
然后根据输出变量的隶属函数执行去模糊化。
模糊逻辑的应用领域
模糊逻辑的关键应用领域如下：
汽车系统
- 自动变速箱
- 四轮转向
- 车辆环境控制
消费电子产品
- 高保真音响系统
- 复印机
- 静态和摄像机
- 电视
国内产品
- 微波炉
- 冰箱
- 烤 面包 机
- 吸尘器
- 洗衣机
环境控制
- 空调/烘干机/加热器
- 增湿器
FLS的优势
-
模糊推理中的数学概念非常简单。
-
由于模糊逻辑的灵活性，您只需添加或删除规则即可修改 FLS。
-
模糊逻辑系统可以获取不精确、失真、嘈杂的输入信息。
-
FLS 易于构建和理解。
-
模糊逻辑是解决包括医学在内的所有生活领域复杂问题的方法，因为它类似于人类的推理和决策。
FLS的缺点
- 模糊系统设计没有系统的方法。
- 它们只有在简单时才能理解。
- 它们适用于不需要高精度的问题。