Rozmyty system wnioskowania: przegląd, zastosowania, cechy, struktura i zalety

System wnioskowania rozmytego jest kluczową jednostką systemu logiki rozmytej. Typowa struktura systemu wnioskowania rozmytego składa się z różnych bloków funkcjonalnych. Wykorzystuje nowe metody rozwiązywania codziennych problemów.

Rozmytym systemem wnioskowania może być paradygmat komputerowy wspierany przez teorię zbiorów rozmytych, rozmyte reguły jeśli-to i wnioskowanie rozmyte. Nieliniowe mapowanie, które wyprowadza swoje dane wyjściowe z rozumowania rozmytego i grupy rozmytych reguł if-then. Domena i zakres odwzorowania mogą być wielowymiarowymi, rozmytymi zbiorami lub punktami.

System wnioskowania rozmytego to system, który wykorzystuje teorię zbiorów rozmytych do mapowania danych wejściowych na dane wyjściowe.

Zastosowania FIS

Rozmyty system wnioskowania jest używany w różnych dziedzinach, na przykład kolejność informacji, badanie wyboru, system nadrzędny, prognozy dotyczące rozmieszczenia czasu, zaawansowana mechanika i potwierdzanie przykładów. Jest inaczej nazywany systemem rozmytym opartym na regułach, modelem rozmytym, kontrolerem logiki rozmytej, rozmytym systemem eksperckim i rozmytą pamięcią asocjacyjną.

Jest to istotna jednostka systemu logiki rozmytej, która zajmuje się podejmowaniem decyzji i wyborem podstawowych zadań. Wykorzystuje „JEŻELI… . W tym momencie” prowadzi obok złączy „ORAZ” „LUB”, aby narysować podstawowe standardy wyboru.

Charakterystyka systemu wnioskowania rozmytego

• Wydajność z FIS jest niezmiennie rozmyta, niezależnie od jej danych wejściowych, które mogą być rozmyte lub ostre.
• Gdy jest używany jako kontroler, konieczne jest posiadanie wyjścia rozmytego.
• Jednostka defuzyfikacji towarzyszyłaby FIS w celu przekształcenia zmiennej rozmytej w zmienną wyraźną.

Struktura systemu wnioskowania rozmytego

Zasadnicza struktura systemu wnioskowania rozmytego składa się z trzech encji:

• Baza reguł zawierająca reguły rozmyte
• Baza danych (lub słownik) zawierająca funkcje partycypacyjne wykorzystywane w regułach rozmytych.
• Mechanizm rozumowania dokonujący wprowadzenia dokonanego na podstawie wytycznych i podanych faktów, aby wywnioskować rozsądny wynik lub wniosek.

Źródło

Co to jest rozmycie?

Defuzzification to wyodrębnienie wartości reprezentującej zbiór rozmyty.

Metody defuzyfikacji:

1. Centroida obszaru
2. Dwusieczna obszaru
3. Średnia max
4. Najmniejszy z maks
5. Największy z maks

W niektórych przypadkach, gdy używamy systemu interferencyjnego jako kontrolera, konieczne jest posiadanie wyraźnego sygnału wyjściowego.

Przeczytaj także: Pomysły na projekty uczenia maszynowego

Wejścia i wyjścia systemu wnioskowania rozmytego

• Podstawowy system wnioskowania rozmytego może pobierać albo rozmyte dane wejściowe, albo wyraźne dane wejściowe, ale uzyskiwany plon jest dość często zbiorami rozmytymi.
• Czasami ważne jest, aby uzyskać wyraźny wynik, szczególnie w sytuacji, gdy jako kontroler używany jest system wnioskowania rozmytego .
• Dlatego potrzebujemy techniki defuzyfikacji, aby wydobyć wartość wyraźną do reprezentowania zestawu rozmytego.

Schemat blokowy rozmytego systemu wnioskowania z wyraźnym wyjściem

Popularne rozmyte systemy wnioskowania (modele rozmyte)

1. Mamdani Fuzzy Modele
2. Sugeno Fuzzy Modele

Podstawowa różnica między tymi systemami wnioskowania rozmytego polega na konsekwencjach ich reguł rozmytych oraz ich rozróżniających procedur konglomeracji i defuzyfikacji.

1. Ebrahim Mamdani Fuzzy Model

Jest to najczęściej używany system wnioskowania rozmytego.

Profesor Mamdani wyprodukował jeden z podstawowych systemów rozmytych do sterowania silnikiem parowym i mieszanką kotłową. Zastosował rozmyte reguły wysuwane przez doświadczonych operatorów.

Kroki do obliczenia wyniku

Aby obliczyć dane wyjściowe z tego FIS, należy postępować zgodnie z następującymi zaliczkami

Krok 1: Ustalenie kilku rozmytych zasad

Krok 2: Fuzzja danych wejściowych z elementami udziału informacji

Krok 3: Łączenie rozmytych danych wejściowych zgodnie z rozmytymi wytycznymi, aby odkryć standardową siłę

Krok 4: Znalezienie następstwa normy poprzez podsumowanie wytrzymałości normy z pracą na temat udziału plonu

Krok 5: Łączenie wyników w celu uzyskania przeniesienia plonów

Krok 6: Wykonywanie defuzzyfikacji dyspersji wyjściowej

Dwie zasady Mamdani z operatorami Min i Max

Mamdani FIS używający min i max dla T-norm i S-norm, z zastrzeżeniem dwóch wyraźnych danych wejściowych x i y.

Brama badawcza

Dwie zasady Mamdani FIS z Maxem i Operatorami Produktu

Mamdani FIS używający produktu i max dla T-norm i S-norm, z zastrzeżeniem dwóch wyraźnych danych wejściowych x i y.

Brama badawcza

Mamdani skład trzech rozmytych wyjść SISO

2. Model Sugeno Fuzzy

Model ten został zaproponowany przez Takagi, Sugeno i Kang.

Do opracowania naukowego podejścia do generowania reguł rozmytych z danego zestawu danych wejściowych i wyjściowych.

Format tej reguły jest podany jako:

JEŻELI x to A, a y to B; Z= f(x,y)

Tutaj AB jest zbiorami rozmytymi w poprzednikach, a z= f(x, y) jest funkcją ścisłą w ​​następniku.

Najczęściej stosowany model rozmyty Sugeno rzędu zerowego stosuje reguły rozmyte w następującej postaci:

JEŻELI x to A AND y to B; z to k

Gdzie k jest stałą

W tym przypadku wynik każdej reguły rozmytej jest stały, a każda następująca funkcja przynależności jest reprezentowana przez pojedyncze piki.

Więc,

• Rozmyty model Sugeno pierwszego rzędu: f(x, y) – wielomian pierwszego rzędu
• Model rozmyty Sugeno rzędu zerowego: f – stała

Procedura wnioskowania rozmytego dla modelu Sugeno Fuzzy pierwszego rzędu

System wnioskowania rozmytego w metodzie Sugeno Fuzzy działa w następujący sposób:

Krok 1: Fuzzyfikacja wejść – wejścia systemu są rozmyte.

Krok 2: Zastosowanie operatora rozmytego — operatory rozmyte muszą zostać zastosowane, aby uzyskać dane wyjściowe.

Format reguły

Format reguły formularza Sugeno-

Jeśli 7 = x i 9 = y; wyjście to z = ax+by+c

System wnioskowania rozmytego Sugeno jest bardzo podobny do metody Mamdaniego.

Zmieniaj tylko następującą regułę: zamiast zbioru rozmytego zastosowano matematyczną funkcję zmiennej wejściowej.

Jak zdecydować, czy zastosować – system wnioskowania Mamdani czy Sugeno Fuzzy Inference?

• Technika Mamdani jest powszechnie uznawana za przyswajanie wiedzy i informacji eksperckich. Pozwala nam to zobrazować tę umiejętność w bardziej instynktowny, bardziej ludzki sposób.

Jednak wnioskowanie rozmyte typu Mamdaniego wiąże się ze znacznym obciążeniem obliczeniowym.

• Z drugiej strony metoda Sugeno jest wykonalna obliczeniowo. Działa skutecznie dzięki zaawansowanym i wszechstronnym procedurom, dzięki czemu jest wyjątkowo pociągający we wszechstronnych problemach, szczególnie w dynamicznych strukturach nieliniowych.

Zalety systemów wnioskowania rozmytego

Wniosek

Rozmyty system wnioskowania ułatwia zmechanizowanie każdego zadania. Właśnie dlatego system wnioskowania rozmytego znalazł zastosowanie w różnych dziedzinach, takich jak robotyka, rozpoznawanie wzorców, przewidywanie szeregów itp.

Naucz się rozmytych systemów wnioskowania z upGrad

upGrad oferuje obszerny kurs magisterski z informatyki, w którym możesz doskonalić swoje umiejętności i rozwijać swoją karierę w tworzeniu oprogramowania.

Kandydat może wybrać jedną z sześciu unikalnych specjalizacji istotnych dla branży. Pociąga za sobą potencjalnego kandydata do:

• Bądź pewny miejsca
• Bądź pod opieką ekspertów branżowych
• Uzyskaj dostęp do ofert pracy na całym świecie
• Pracuj nad projektami i zadaniami na żywo
• Naucz się tematu od końca do końca

Ucz się kursu ML z najlepszych światowych uniwersytetów. Zdobywaj programy Masters, Executive PGP lub Advanced Certificate Programy, aby przyspieszyć swoją karierę.