什么是人工智能中的模糊逻辑及其应用
在我们的日常生活中，我们可能会面临无法确定状态是真还是假的情况。Fuzzy指的是不清楚或模糊的东西。AI中的模糊逻辑为推理提供了宝贵的灵活性。在本文中，我们将按以下顺序了解此逻辑及其在人工智能中的实现：
WhatisFuzzyLogic?WhydoweuseFuzzyLogic?ArchitectureMembershipFunctionFuzzyLogicvsProbabilityApplicationsofFuzzyLogicAdvantages&DisadvantagesFuzzyLogicinAI:Example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。这种方法类似于人类执行决策的方式。它涉及YES和NO之间的所有中间可能性。
计算机理解的常规逻辑块接受精确的输入并产生明确的输出为TRUE或FALSE，这相当于人类的YES或NO。模糊逻辑是由LotfiZadeh发明的，他观察到与计算机不同，人类在YES和NO之间有不同范围的可能性，例如：
模糊逻辑适用于输入的可能性级别，以实现明确的输出。现在说一下这个逻辑的实现：
它可以在具有不同大小和功能的系统中实现，例如微控制器、大型网络或基于工作站的系统。
此外，它可以在硬件、软件或两者的组合中实现。
我们为什么要使用模糊逻辑？通常，我们将模糊逻辑系统用于商业和实际用途，例如：
它控制机器和消费品
如果推理不准确，它至少提供了可接受的推理
这有助于处理工程中的不确定性
因此，既然您了解了AI中的模糊逻辑以及我们为什么要实际使用它，那么让我们继续了解该逻辑的架构。
模糊逻辑架构模糊逻辑架构由四个主要部分组成：
规则-它包含专家为控制决策系统而提供的所有规则和if-then条件。模糊理论的最新更新为模糊控制器的设计和调整提供了不同的有效方法。通常，这些发展会减少模糊规则的数量。
模糊化-此步骤将输入或清晰的数字转换为模糊集。您可以通过传感器测量清晰的输入并将它们传递到控制系统中进行进一步处理。它将输入信号分为五个步骤，例如-
推理引擎——它确定模糊输入和规则之间的匹配程度。根据输入字段，它将决定要触发的规则。结合触发规则，形成控制动作。
去模糊化——去模糊化过程将模糊集转换为清晰的值。有不同类型的技术可用，您需要使用专家系统选择最适合的一种。
所以，这是关于人工智能中模糊逻辑的架构。现在，让我们了解隶属函数。
MembershipFunction
隶属函数是一个图形，用于定义输入空间中的每个点如何映射到0到1之间的隶属值。它允许您量化语言术语并以图形方式表示模糊集。一个模糊集A在话语X的领域上的隶属函数被定义为μA:X→[0,1]
它量化了X中元素对模糊集A的隶属度。
x轴代表话语范围。
y轴表示[0,1]区间中的隶属度。
可以有多个适用于模糊数值的隶属函数。使用简单的隶属函数，因为复杂函数不会在输出中增加精度。LP、MP、S、MN和LN的隶属函数为：
三角形隶属函数形状在各种其他隶属函数形状中最为常见。在这里，5级模糊器的输入从-10伏到+10伏不等。因此相应的输出也会发生变化。
模糊逻辑与概率模糊逻辑可能性在模糊逻辑中，我们基本上试图捕捉模糊性的基本概念。概率与事件而非事实相关联，这些事件要么发生要么不发生模糊逻辑捕捉部分真理的含义概率论捕获部分知识模糊逻辑以真度为数学基础概率是无知的数学模型因此，这些是AI中的模糊逻辑与概率之间的一些差异。现在，让我们来看看这个逻辑的一些应用。
模糊逻辑的应用模糊逻辑用于汽车系统、家庭用品、环境控制等各个领域。一些常见的应用是：
在航天领域用于航天器和卫星的高度控制。
这种控制速度和流量在汽车系统。
它用于大公司业务中的决策支持系统和个人评估。
它还控制化学工业中的pH值、干燥、化学蒸馏过程。
模糊逻辑用于自然语言处理和人工智能中的各种密集应用。
它广泛用于现代控制系统，如专家系统。
FuzzyLogic模仿一个人如何做出决定，只是速度要快得多。因此，您可以将其与神经网络一起使用。
这些是模糊逻辑的一些常见应用。现在，让我们来看看在AI中使用模糊逻辑的优缺点。
模糊逻辑的优缺点模糊逻辑提供类似于人类推理的简单推理。使用这种逻辑还有更多这样的优点，例如：
模糊逻辑系统的结构简单易懂
模糊逻辑广泛用于商业和实用目的
它可以帮助您控制机器和消费品
它可以帮助您处理工程中的不确定性
大多健壮作为不需要精确的输入
如果反馈传感器停止工作，您可以根据情况对其进行编程
您可以轻松修改它以提高或改变系统性能
可以使用价格低廉的传感器，帮助您将整体系统成本和复杂性保持在较低水平
这些是模糊逻辑的不同优点。但是，它也有一些缺点：
模糊逻辑并不总是准确的。所以结果是基于假设的，可能不会被广泛接受
它无法识别 机器学习以及神经网络类型的模式
基于模糊知识的系统的验证和验证需要使用硬件进行大量测试
设置精确、模糊的规则和隶属函数是一项艰巨的任务
有时，模糊逻辑与概率论混淆
因此，这些是在AI中使用模糊逻辑的一些优点和缺点。现在，让我们举一个真实的例子来理解这个逻辑的工作原理。
AI中的模糊逻辑：示例模糊逻辑系统的设计从每个输入的一组隶属函数和每个输出的一组隶属函数开始。然后将一组规则应用于隶属函数以产生清晰的输出值。让我们以过程控制为例，了解模糊逻辑。
第1步这里，温度是输入，风扇速度是输出。您必须为每个输入创建一组隶属函数。隶属函数只是模糊变量集的图形表示。在这个例子中，我们将使用三个模糊集，Cold、Warm和Hot。然后，我们将为三组温度中的每组创建一个隶属函数：
第2步在下一步中，我们将使用三个模糊集作为输出，Slow、Medium和Fast。与输入集一样，为每个输出集创建一组函数。
第3步现在我们已经定义了成员函数，我们可以创建规则来定义成员函数将如何应用于最终系统。我们将为这个系统创建三个规则。
如果热那么快如果温暖则中等而且，如果冷则慢这些规则适用于隶属函数以产生清晰的输出值来驱动系统。因此，对于52度的输入值，我们与隶属函数相交。在这里，我们应用两条规则，因为在两个函数上都发生了交集。您可以将交点扩展到输出函数以生成交点。然后，您可以在相交点的高度处截断输出函数。
这是对模糊逻辑系统如何工作的一个非常简单的解释。在一个真实的工作系统中，会有很多输入和几个输出的可能性。这将导致一组相当复杂的函数和更多的规则。
至此，我们的人工智能模糊逻辑文章到此结束。我希望你理解什么是模糊逻辑以及它是如何工作的。