Sistema di inferenza fuzzy: panoramica, applicazioni, caratteristiche, struttura e vantaggi

Un sistema di inferenza fuzzy è l'unità chiave di un sistema a logica fuzzy. La struttura tipica di un sistema di inferenza fuzzy è costituita da vari blocchi funzionali. Usa nuovi metodi per risolvere i problemi quotidiani.

Un sistema di inferenza fuzzy può essere un paradigma informatico supportato da teoria degli insiemi fuzzy, regole fuzzy if-then e ragionamento fuzzy. Una mappatura non lineare che deriva il suo output dal ragionamento fuzzy e da un gruppo di regole if-then fuzzy. Il dominio e l'intervallo di mappatura possono essere insiemi o punti fuzzy distanziati multidimensionali.

Un sistema di inferenza fuzzy è un sistema che utilizza una teoria degli insiemi fuzzy per mappare gli input sugli output.

Applicazioni della FIS

Un sistema di inferenza fuzzy viene utilizzato in diversi campi, ad esempio, ordine delle informazioni, esame delle scelte, sistema master, previsioni sull'organizzazione del tempo, meccanica avanzata e riconoscimento dell'esempio. È altrimenti chiamato sistema fuzzy basato su regole, modello fuzzy, controller logico fuzzy, sistema esperto fuzzy e memoria associativa fuzzy.

È l'unità vitale di un sistema logico fuzzy che si occupa del processo decisionale e della scelta dei compiti essenziali. Utilizza il "SE... . A quel punto” porta a fianco dei connettori “AND” “OR” per tracciare degli standard fondamentali di scelta.

Caratteristiche del sistema Fuzzy Inference

• La resa da FIS è costantemente un insieme sfocato indipendentemente dal suo input che può essere sfocato o croccante.
• È necessario avere un'uscita fuzzy quando viene utilizzata come controller.
• Un'unità di defuzzificazione accompagnerebbe il FIS per convertire la variabile fuzzy in una variabile nitida.

Struttura del sistema di inferenza fuzzy

La struttura essenziale di un sistema di inferenza fuzzy comprende tre entità:

• Una base di regole contenente regole fuzzy
• Un database (o dizionario), contenente le funzioni di partecipazione utilizzate nelle regole fuzzy.
• Un meccanismo di ragionamento che esegue l'induzione fatta sulle linee guida e sui fatti forniti per dedurre un risultato o una conclusione ragionevole.

Fonte

Cos'è la defuzzificazione?

La defuzzificazione è l'estrazione di un valore che rappresenta un insieme fuzzy.

Metodi di defuzzificazione:

1. Centroide dell'area
2. Bisettrice di area
3. Media di max
4. Il più piccolo di max
5. Il più grande di max

È obbligatorio avere un output nitido in alcuni casi in cui utilizziamo un sistema di interferenza come controller.

Leggi anche: Idee per progetti di apprendimento automatico

Ingressi e uscite del sistema di inferenza fuzzy

• Il sistema di inferenza fuzzy fondamentale può accettare input fuzzy o input nitidi, tuttavia la resa che produce è abbastanza spesso insiemi fuzzy.
• A volte è importante avere un output nitido, in particolare in una situazione in cui un sistema di inferenza fuzzy viene utilizzato come controller.
• Pertanto, abbiamo bisogno di una tecnica di defuzzificazione per districare un valore nitido per rappresentare un insieme sfocato.

Diagramma a blocchi per un sistema di inferenza fuzzy con uscita nitida

Sistemi di inferenza fuzzy popolari (modelli fuzzy)

1. Modelli Fuzzy Mamdani
2. Modelli Fuzzy Sugeno

La differenza fondamentale tra questi sistemi di inferenza fuzzy sta nelle conseguenze delle loro regole fuzzy e nelle loro procedure distintive di conglomerazione e defuzzificazione.

1. Modello sfocato di Ebrahim Mamdani

Questo è il sistema di inferenza fuzzy più utilizzato.

Il professor Mamdani ha fabbricato uno dei principali sistemi fuzzy per controllare un motore a vapore e una miscela di bollitore. Ha applicato regole confuse poste da operatori umani esperti.

Passaggi per il calcolo dell'output

I seguenti progressi dovrebbero essere seguiti per calcolare l'output da questo FIS

Passaggio 1: decidere una serie di principi confusi

Passaggio 2: sfumare gli input con gli elementi di partecipazione alle informazioni

Passaggio 3: amalgamare gli input sfocati secondo le linee guida sfocate per scoprire una forza standard

Passaggio 4: trovare l'effetto collaterale dello standard riassumendo la forza dello standard con il lavoro di partecipazione alla resa

Passaggio 5: combinare i risultati per ottenere il trasporto di rendimento

Passaggio 6: eseguire la defuzzificazione della dispersione dell'output

Due Regole Mamdani con Operatori Min e Max

Il Mamdani FIS utilizza min e max per le norme T e S, soggetti a due input nitidi x e y.

Sportello di ricerca

Due Regole Mamdani FIS con Max e Operatori Prodotto

Il Mamdani FIS utilizza prodotto e max per le norme T e S, soggette a due input nitidi x e y.

Sportello di ricerca

Composizione Mamdani di tre uscite fuzzy SISO

2. Modello Fuzzy di Sugeno

Questo modello è stato proposto da Takagi, Sugeno e Kang.

Per lo sviluppo di un approccio scientifico per generare regole fuzzy da un dato insieme di dati input-output.

Il formato di questa regola è dato come:

SE x è A e y è B; Z= f(x,y)

Qui, AB sono insiemi fuzzy negli antecedenti e z= f(x, y) è una funzione nitida all'interno del conseguente.

Il modello fuzzy di Sugeno di ordine zero più comunemente usato applica regole fuzzy nella forma seguente:

SE x è A E y è B; z è k

Dove k è una costante

In questo caso, l'output di ogni regola fuzzy è costante e ogni conseguente funzione di appartenenza è rappresentata da picchi di singleton.

Così,

• Modello fuzzy di Sugeno del primo ordine: f(x, y) – polinomio del primo ordine
• Modello fuzzy di Sugeno di ordine zero: f – costante

Procedura di ragionamento fuzzy per un modello Fuzzy di Sugeno del primo ordine

Il sistema di inferenza fuzzy con il metodo Sugeno Fuzzy funziona nel modo seguente:

Passaggio 1: sfocare gli input: gli input del sistema vengono resi sfocati.

Passaggio 2: applicazione dell'operatore fuzzy: gli operatori fuzzy devono essere applicati per ottenere l'output.

Formato delle regole

Il formato delle regole del modulo Sugeno-

Se 7 = x e 9 = y; l'output è z = ax+by+c

Il sistema di inferenza fuzzy di Sugeno è molto simile al metodo Mamdani.

Cambia solo una regola conseguente: invece di un insieme fuzzy, usa una funzione matematica della variabile di input.

Come decidere se applicare il sistema di inferenza Fuzzy Mamdani o Sugeno?

• La tecnica Mamdani è ampiamente riconosciuta per l'acquisizione di conoscenze e informazioni da parte di esperti. Ci permette di rappresentare l'abilità in un modo più istintivo, più umano.

Tuttavia, l'inferenza fuzzy di tipo Mamdani comporta un notevole onere computazionale.

• D'altra parte, il metodo Sugeno è computazionalmente fattibile. Funziona efficacemente con l'avanzamento e le procedure versatili che lo rendono eccezionalmente allettante in questioni versatili, in particolare per le strutture dinamiche non lineari.

Vantaggi dei sistemi di inferenza fuzzy

Conclusione

Un sistema di inferenza fuzzy semplifica la meccanizzazione di qualsiasi attività. Questo è il motivo per cui il sistema di inferenza fuzzy ha trovato applicazioni di successo in vari campi come la robotica, il riconoscimento di modelli, la previsione di serie, ecc.

Impara i sistemi di inferenze fuzzy con upGrad

upGrad offre un ampio corso in Master of Science in Computer Science in cui puoi affinare le tue abilità e dare impulso alla tua carriera nello sviluppo di software.

Un candidato può scegliere tra una delle sei specializzazioni uniche rilevanti per il settore. Implica il potenziale candidato a:

• Sii assicurato il posizionamento
• Fatti guidare da esperti del settore
• Accedi a opportunità di lavoro a livello globale
• Lavora su progetti e incarichi dal vivo
• Impara l'argomento end-to-end

Impara il corso ML dalle migliori università del mondo. Guadagna master, Executive PGP o programmi di certificazione avanzati per accelerare la tua carriera.