Fuzzy-Inferenzsystem: Überblick, Anwendungen, Eigenschaften, Struktur und Vorteile

Ein Fuzzy-Inferenzsystem ist die Schlüsseleinheit eines Fuzzy-Logik-Systems. Die typische Struktur eines Fuzzy-Inferenzsystems besteht aus verschiedenen Funktionsblöcken. Es verwendet neue Methoden, um alltägliche Probleme zu lösen.

Ein Fuzzy-Inferenzsystem kann ein Computerparadigma sein, das durch Fuzzy-Set-Theorie, Fuzzy-Wenn-dann-Regeln und Fuzzy-Folgerung unterstützt wird. Eine nichtlineare Abbildung, die ihre Ausgabe aus Fuzzy-Argumentation und einer Gruppe von Fuzzy-Wenn-dann-Regeln ableitet. Die Abbildungsdomäne und -reichweite können mehrdimensional beabstandete Fuzzy-Mengen oder -Punkte sein.

Ein Fuzzy-Inferenzsystem ist ein System, das eine Fuzzy-Set-Theorie verwendet, um Eingaben auf Ausgaben abzubilden.

Anwendungen der FIS

Ein Fuzzy-Inferenzsystem wird in verschiedenen Bereichen verwendet, zum Beispiel Informationsreihenfolge, Wahlprüfung, Hauptsystem, Zeitanordnungsvorhersagen, fortgeschrittene Mechanik und Beispielbestätigung. Es wird auch als Fuzzy-regelbasiertes System, Fuzzy-Modell, Fuzzy-Logik-Controller, Fuzzy-Expertensystem und Fuzzy-Assoziativspeicher bezeichnet.

Es ist die entscheidende Einheit eines Fuzzy-Logik-Systems, das sich mit der Entscheidungsfindung und der Auswahl wesentlicher Aufgaben befasst. Es verwendet das „IF… . An diesem Punkt“ führt neben den Konnektoren „UND“ „ODER“, um grundsätzliche Wahlmaßstäbe zu ziehen.

Eigenschaften des Fuzzy-Inferenzsystems

• Der Ertrag von FIS ist durchweg ein unscharfer Satz, unabhängig von seiner Eingabe, die unscharf oder klar sein kann.
• Bei Verwendung als Regler ist ein Fuzzy-Ausgang erforderlich.
• Eine Defuzzifizierungseinheit würde den FIS begleiten, um die Fuzzy-Variable in eine scharfe Variable umzuwandeln.

Struktur des Fuzzy-Inferenzsystems

Die wesentliche Struktur eines Fuzzy-Inferenzsystems besteht aus drei Einheiten:

• Eine Regelbasis, die Fuzzy-Regeln enthält
• Eine Datenbank (oder Wörterbuch), die die in den Fuzzy-Regeln verwendeten Beteiligungsfunktionen enthält.
• Ein Argumentationsmechanismus, der die Induktion aus den Richtlinien und den gegebenen Fakten durchführt, um auf eine vernünftige Ausgabe oder Schlussfolgerung zu schließen.

Quelle

Was ist Defuzzifizierung?

Defuzzifizierung ist die Extraktion eines Wertes, der eine Fuzzy-Menge darstellt.

Defuzzifizierungsmethoden:

1. Schwerpunkt der Fläche
2. Flächenhalbierende
3. Durchschnitt von max
4. Kleinste von max
5. Größter von max

In einigen Fällen, in denen wir ein Interferenzsystem als Controller verwenden, ist eine klare Ausgabe zwingend erforderlich.

Lesen Sie auch: Projektideen für maschinelles Lernen

Eingänge und Ausgänge des Fuzzy-Inferenzsystems

• Das fundamentale Fuzzy-Inferenzsystem kann entweder Fuzzy-Eingaben oder gestochen scharfe Eingaben annehmen, aber das Ergebnis, das es erzeugt, sind ziemlich oft Fuzzy-Mengen.
• Manchmal ist es wichtig, eine scharfe Ausgabe zu haben, insbesondere in einer Situation, in der ein Fuzzy-Inferenzsystem als Steuerung verwendet wird.
• Daher benötigen wir eine Technik der Defuzzifizierung, um einen scharfen Wert herauszufiltern, um eine Fuzzy-Menge darzustellen.

Blockdiagramm für ein Fuzzy-Inferenzsystem mit gestochen scharfer Ausgabe

Beliebte Fuzzy-Inferenzsysteme (Fuzzy-Modelle)

1. Mamdani Fuzzy-Modelle
2. Sugeno Fuzzy-Modelle

Der Hauptunterschied zwischen diesen Fuzzy-Schlußfolgerungssystemen liegt in den Konsequenzen ihrer Fuzzy-Regeln und ihrer unterscheidenden Konglomerations- und Defuzzifizierungsverfahren.

1. Ebrahim Mamdani Fuzzy-Modell

Dies ist das am häufigsten verwendete Fuzzy-Inferenzsystem.

Professor Mamdani stellte eines der ersten Fuzzy-Systeme her, um eine Mischung aus Dampfmotor und Wasserkocher zu steuern. Er wendete Fuzzy-Regeln an, die von erfahrenen menschlichen Bedienern aufgestellt wurden.

Schritte zum Berechnen der Ausgabe

Die folgenden Fortschritte sollten befolgt werden, um die Ausgabe von diesem FIS zu berechnen

Schritt 1: Entscheiden Sie sich für eine Reihe von Fuzzy-Prinzipien

Schritt 2: Fuzzifizieren der Eingaben mit den Elementen der Infobeteiligung

Schritt 3: Zusammenführen der fuzzifizierten Eingaben gemäß den Fuzzy-Richtlinien, um eine Standardstärke zu entdecken

Schritt 4: Finden der Nachwirkung des Standards durch Zusammenfassen der Standardstärke mit der Ertragsbeteiligungsarbeit

Schritt 5: Kombinieren der Ergebnisse, um die Ertragsübermittlung zu erhalten

Schritt 6: Durchführen einer Defuzzifizierung der Ausgabedispersion

Zwei Regeln Mamdani mit Min- und Max-Operatoren

Das Mamdani FIS verwendet Min und Max für T-Normen und S-Normen, abhängig von zwei klaren Eingaben x und y.

Forschungstor

Zwei Regeln Mamdani FIS mit Max- und Produktoperatoren

Das Mamdani FIS verwendet Produkt und Max für T-Normen und S-Normen, abhängig von zwei klaren Eingaben x und y.

Forschungstor

Mamdani-Komposition aus drei SISO-Fuzzy-Ausgängen

2. Sugeno Fuzzy-Modell

Dieses Modell wurde von Takagi, Sugeno und Kang vorgeschlagen.

Für die Entwicklung eines wissenschaftlichen Ansatzes zur Generierung von Fuzzy-Regeln aus einem gegebenen Satz von Input-Output-Daten.

Das Format dieser Regel wird wie folgt angegeben:

WENN x A ist und y B ist; Z= f(x,y)

Hier ist AB Fuzzy-Mengen in Antezedenzien, und z = f(x, y) ist eine scharfe Funktion innerhalb der Konsequenz.

Das am häufigsten verwendete Sugeno-Fuzzy-Modell nullter Ordnung wendet Fuzzy-Regeln in der folgenden Form an:

WENN x A ist UND y B ist; z ist k

Wobei k eine Konstante ist

In diesem Fall ist die Ausgabe jeder Fuzzy-Regel konstant, und jede nachfolgende Zugehörigkeitsfunktion wird durch Singleton-Spitzen dargestellt.

Damit,

• Sugeno-Fuzzy-Modell erster Ordnung: f(x, y) – Polynom erster Ordnung
• Sugeno-Fuzzy-Modell nullter Ordnung: f – konstant

Fuzzy-Argumentationsverfahren für ein Sugeno-Fuzzy-Modell erster Ordnung

Das Fuzzy-Inferenzsystem nach der Sugeno-Fuzzy-Methode funktioniert folgendermaßen:

Schritt 1: Fuzzifizieren der Eingaben – die Eingaben des Systems werden unscharf gemacht.

Schritt 2: Anwenden des Fuzzy-Operators – die Fuzzy-Operatoren müssen angewendet werden, um die Ausgabe zu erhalten.

Regelformat

Das Regelformat von Sugeno form-

Wenn 7 = x und 9 = y; Ausgabe ist z = ax+by+c

Das Fuzzy-Inferenzsystem von Sugeno ist dem Mamdani-Verfahren sehr ähnlich.

Ändern Sie nur eine Regel konsequent: Statt einer Fuzzy-Menge wird eine mathematische Funktion der Eingangsgröße verwendet.

Wie entscheidet man sich für die Anwendung – Mamdani oder Sugeno Fuzzy Inference System?

• Die Mamdani-Technik ist allgemein anerkannt für die Erfassung von Expertenwissen und Informationen. Es erlaubt uns, die Fähigkeit instinktiv und menschenähnlicher darzustellen.

Die Fuzzy-Inferenz vom Mamdani-Typ bringt jedoch eine beträchtliche Rechenlast mit sich.

• Andererseits ist die Sugeno-Methode rechnerisch durchführbar. Es funktioniert effektiv mit Weiterentwicklung und vielseitigen Verfahren, was es in vielseitigen Fragen außergewöhnlich attraktiv macht, insbesondere für dynamische nichtlineare Frameworks.

Vorteile von Fuzzy-Inferenzsystemen

Fazit

Ein Fuzzy-Inferenzsystem erleichtert die Mechanisierung jeder Aufgabe. Aus diesem Grund hat das Fuzzy-Inferenzsystem erfolgreiche Anwendungen in verschiedenen Bereichen wie Robotik, Mustererkennung, Serienvorhersage usw. gefunden.

Lernen Sie Fuzzy-Inferenzsysteme mit upGrad

upGrad bietet einen umfangreichen Studiengang zum Master of Science in Informatik an, in dem Sie Ihre Fähigkeiten verfeinern und Ihre Karriere in der Softwareentwicklung vorantreiben können.

Ein Kandidat kann aus einer der sechs einzigartigen Spezialisierungen wählen, die branchenrelevant sind. Es beinhaltet, dass der potenzielle Kandidat:

• Stellen Sie sich sicher
• Lassen Sie sich von Branchenexperten beraten
• Greifen Sie weltweit auf Stellenangebote zu
• Arbeiten Sie an Live-Projekten und Aufgaben
• Lernen Sie das Thema von Anfang bis Ende

Lernen Sie ML-Kurse von den besten Universitäten der Welt. Erwerben Sie Master-, Executive PGP- oder Advanced Certificate-Programme, um Ihre Karriere zu beschleunigen.