ระบบอนุมานแบบคลุมเครือ: ภาพรวม การใช้งาน ลักษณะ โครงสร้าง & ข้อดี

ระบบอนุมานคลุมเครือเป็นหน่วยสำคัญของระบบลอจิกคลุมเครือ โครงสร้างทั่วไปของระบบอนุมานคลุมเครือประกอบด้วยบล็อกการทำงานต่างๆ ใช้วิธีการใหม่ในการแก้ปัญหาในชีวิตประจำวัน

ระบบอนุมานแบบคลุมเครืออาจเป็นกระบวนทัศน์ของคอมพิวเตอร์ที่สนับสนุนโดยทฤษฎีเซตคลุมเครือ กฎแบบฟัซซีแบบฟัซซีแล้ว และการให้เหตุผลแบบคลุมเครือ การทำแผนที่แบบไม่เชิงเส้นที่ได้ผลลัพธ์จากการให้เหตุผลแบบคลุมเครือและกลุ่มของกฎ if-then ที่คลุมเครือ โดเมนและช่วงการทำแผนที่สามารถเป็นชุดหรือจุดคลุมเครือที่มีระยะห่างหลายมิติ

ระบบอนุมานคลุมเครือเป็นระบบที่ใช้ทฤษฎีเซตคลุมเครือเพื่อจับคู่อินพุตกับเอาต์พุต

การประยุกต์ใช้ FIS

ระบบการอนุมานคลุมเครือถูกใช้ในด้านต่างๆ เช่น ลำดับข้อมูล การตรวจสอบทางเลือก ระบบหลัก การคาดการณ์การจัดเวลา กลไกขั้นสูง และตัวอย่างการรับรู้ อีกชื่อหนึ่งเรียกว่าระบบที่ใช้กฎฟัซซี่ โมเดลฟัซซี่ ตัวควบคุมลอจิกฟัซซี่ ระบบผู้เชี่ยวชาญฟัซซี่ และหน่วยความจำเชื่อมโยงแบบคลุมเครือ

เป็นหน่วยสำคัญของระบบลอจิกคลุมเครือที่เกี่ยวข้องกับการตัดสินใจและการเลือกงานที่จำเป็น มันใช้ “ถ้า… . ณ จุดนั้น” นำไปสู่ตัวเชื่อมต่อ “และ” “หรือ” เพื่อวาดมาตรฐานทางเลือกพื้นฐาน

ลักษณะของระบบอนุมานคลุมเครือ

• ผลผลิตจาก FIS นั้นเป็นชุดคลุมเครืออย่างสม่ำเสมอโดยไม่คำนึงถึงอินพุตที่อาจคลุมเครือหรือคมชัด
• จำเป็นต้องมีเอาต์พุตคลุมเครือเมื่อใช้เป็นตัวควบคุม
• หน่วยกำจัดเสียงจะมาพร้อมกับ FIS เพื่อแปลงตัวแปรที่คลุมเครือเป็นตัวแปรที่คมชัด

โครงสร้างของระบบอนุมานคลุมเครือ

โครงสร้างที่สำคัญของระบบอนุมานคลุมเครือประกอบด้วยสามหน่วยงาน:

• ฐานกฎที่มีกฎคลุมเครือ
• ฐานข้อมูล (หรือพจนานุกรม) ที่มีฟังก์ชันการมีส่วนร่วมที่ใช้ในกฎคลุมเครือ
• กลไกการให้เหตุผลในการชักนำให้เกิดตามแนวทางและข้อเท็จจริงที่ให้ไว้เพื่ออนุมานผลลัพธ์หรือข้อสรุปที่สมเหตุสมผล

แหล่งที่มา

Defuzzification คืออะไร?

Defuzzification คือการแยกค่าที่แสดงชุดคลุมเครือ

วิธีการทำให้มึนงง:

1. ศูนย์กลางของพื้นที่
2. แบ่งเขตพื้นที่
3. ค่าเฉลี่ยของ max
4. เล็กที่สุดของ max
5. ที่ใหญ่ที่สุดของ max

จำเป็นต้องมีเอาต์พุตที่คมชัดในบางกรณีที่เราใช้ระบบรบกวนเป็นตัวควบคุม

อ่านเพิ่มเติม: แนวคิดโครงการการเรียนรู้ของเครื่อง

อินพุตและเอาต์พุตระบบการอนุมานแบบคลุมเครือ

• ระบบอนุมานแบบฟัซซี่ พื้นฐานสามารถรับอินพุตแบบฟัซซี่หรืออินพุตแบบคมชัด แต่ผลผลิตที่ได้นั้นมักจะเป็นเซตฟัซซีค่อนข้างมาก
• บางครั้ง สิ่งสำคัญคือต้องมีเอาต์พุตที่คมชัด โดยเฉพาะอย่างยิ่งในสถานการณ์ที่ใช้ ระบบการอนุมานคลุมเครือ เป็นตัวควบคุม
• ดังนั้น เราจึงต้องใช้เทคนิคของการทำให้ฟัซซี่เพื่อแยกค่าที่คมชัดออกมาเพื่อแสดงถึงชุดที่คลุมเครือ

บล็อกไดอะแกรมสำหรับระบบการอนุมานแบบคลุมเครือพร้อมเอาต์พุตที่คมชัด

ระบบการอนุมานคลุมเครือยอดนิยม (แบบจำลองคลุมเครือ)

1. Mamdani Fuzzy Models
2. นางแบบ Sugeno Fuzzy

ความแตกต่างหลักระหว่างระบบการอนุมานคลุมเครือเหล่านี้เป็นผลมาจากกฎที่คลุมเครือ และกระบวนการการรวมกลุ่มและการทำให้ฟัซซีที่แยกความแตกต่างกัน

1. Ebrahim Mamdani Fuzzy Model

นี่คือระบบการอนุมานคลุมเครือที่ใช้มากที่สุด

ศาสตราจารย์มัมดานีประดิษฐ์หนึ่งในระบบฟัซซี่หลักเพื่อควบคุมมอเตอร์ไอน้ำและกาต้มน้ำผสม เขาใช้กฎที่คลุมเครือซึ่งนำเสนอโดยผู้ปฏิบัติงานที่เป็นมนุษย์ที่มีประสบการณ์

ขั้นตอนในการคำนวณเอาท์พุต

ควรปฏิบัติตามความก้าวหน้าต่อไปนี้เพื่อคำนวณผลลัพธ์จาก FIS . นี้

ขั้นตอนที่ 1: ตัดสินใจเลือกหลักการคลุมเครือ

ขั้นตอนที่ 2: ทำให้ข้อมูลที่ป้อนไม่ชัดเจนด้วยองค์ประกอบของการมีส่วนร่วมของข้อมูล

ขั้นตอนที่ 3: การผสมผสานอินพุตที่คลุมเครือตามแนวทางที่คลุมเครือเพื่อค้นหาจุดแข็งมาตรฐาน

ขั้นตอนที่ 4: หาผลที่ตามมาของมาตรฐานโดยสรุปจุดแข็งของมาตรฐานกับงานมีส่วนร่วมผลตอบแทน

ขั้นตอนที่ 5: การรวมผลลัพธ์เพื่อให้ได้ผลผลิต

ขั้นตอนที่ 6: ดำเนินการ defuzzification ของการกระจายเอาต์พุต

กฎสองข้อของมัมดานีกับโอเปอเรเตอร์ขั้นต่ำและสูงสุด

Mamdani FIS ใช้ค่า ต่ำ สุดและ สูงสุด สำหรับ T-norms และ S-norms ขึ้นอยู่กับอินพุตที่ชัดเจน x และ y

ประตูวิจัย

กฎสองข้อ Mamdani FIS กับ Max และ Product Operators

Mamdani FIS ใช้ ผลิตภัณฑ์ และ สูงสุด สำหรับ T-norms และ S-norms ขึ้นอยู่กับอินพุตที่ชัดเจน x และ y

ประตูวิจัย

องค์ประกอบ Mamdani ของเอาต์พุตคลุมเครือ SISO สามรายการ

2. Sugeno Fuzzy Model

โมเดลนี้เสนอโดย Takagi, Sugeno และ Kang

สำหรับการพัฒนาแนวทางทางวิทยาศาสตร์เพื่อสร้างกฎที่คลุมเครือจากชุดข้อมูลอินพุต-เอาท์พุตที่กำหนด

รูปแบบของกฎนี้ถูกกำหนดเป็น:

IF x คือ A และ y คือ B; Z= ฉ(x,y)

ในที่นี้ AB เป็นเซตที่คลุมเครือในเรื่องก่อนหน้า และ z= f(x, y) เป็นฟังก์ชันที่คมชัดภายในผลลัพธ์ที่ตามมา

โมเดล Fuzzy Sugeno Zero-order ที่ใช้บ่อยที่สุดจะใช้กฎของ Fuzzy ภายในแบบฟอร์มต่อไปนี้:

ถ้า x คือ A และ y คือ B; z คือ k

โดยที่ k เป็นค่าคงที่

ในกรณีนี้ ผลลัพธ์ของกฎฟัซซี่ทุกตัวจะคงที่ และฟังก์ชันสมาชิกที่ตามมาทุกฟังก์ชันจะแสดงด้วยเดือยซิงเกิลตัน

ดังนั้น,

• โมเดลเลือน Sugeno อันดับหนึ่ง: f(x, y) – พหุนามอันดับหนึ่ง
• แบบจำลองเลือน Sugeno Zero-order: f – ค่าคงที่

ขั้นตอนการให้เหตุผลแบบคลุมเครือสำหรับ Sugeno Fuzzy Model ลำดับแรก

ระบบอนุมานแบบคลุมเครือ ภายใต้วิธี Sugeno Fuzzy ทำงานในลักษณะต่อไปนี้-

ขั้นตอนที่ 1: การทำให้อินพุตไม่ชัดเจน - อินพุตของระบบถูกทำให้คลุมเครือ

ขั้นตอนที่ 2: การใช้ตัวดำเนินการแบบคลุมเครือ - ตัวดำเนินการแบบคลุมเครือจะต้องถูกนำมาใช้เพื่อให้ได้ผลลัพธ์

รูปแบบกฎ

รูปแบบกฎของ Sugeno form-

ถ้า 7 = x และ 9 = y; ผลลัพธ์คือ z = ax+by+c

ระบบอนุมานแบบคลุมเครือ ของ Sugeno นั้นคล้ายกับวิธี Mamdani มาก

เปลี่ยนกฎที่ตามมาเท่านั้น: แทนที่จะใช้ชุดคลุมเครือ ให้ใช้ฟังก์ชันทางคณิตศาสตร์ของตัวแปรอินพุต

วิธีการตัดสินใจว่าจะใช้ - Mamdani หรือ Sugeno Fuzzy Inference System?

• เทคนิค Mamdani ได้รับการยอมรับอย่างกว้างขวางในการรวบรวมความรู้และข้อมูลของผู้เชี่ยวชาญ ช่วยให้เราถ่ายทอดทักษะด้วยสัญชาตญาณที่เหมือนมนุษย์มากขึ้น

อย่างไรก็ตาม การอนุมานแบบคลุมเครือของ Mamdani ทำให้เกิดภาระในการคำนวณอย่างมาก

• ในทางกลับกัน วิธี Sugeno นั้นสามารถคำนวณได้ มันทำงานอย่างมีประสิทธิภาพด้วยความก้าวหน้าและขั้นตอนที่หลากหลาย ทำให้มีเสน่ห์เป็นพิเศษในประเด็นที่หลากหลาย โดยเฉพาะอย่างยิ่งสำหรับเฟรมเวิร์กที่ไม่เป็นเชิงเส้นแบบไดนามิก

ข้อดีของระบบการอนุมานแบบคลุมเครือ

บทสรุป

ระบบอนุมานที่คลุมเครือทำให้งานต่างๆ ง่ายขึ้น นี่คือเหตุผลที่ระบบอนุมานแบบคลุมเครือพบการใช้งานที่ประสบความสำเร็จในด้านต่างๆ เช่น วิทยาการหุ่นยนต์ การจดจำรูปแบบ การทำนายอนุกรม ฯลฯ

เรียนรู้ระบบการอนุมานคลุมเครือกับ upGrad

upGrad เปิดสอนหลักสูตรวิทยาศาสตรมหาบัณฑิตสาขาวิทยาการคอมพิวเตอร์ซึ่งคุณสามารถฝึกฝนทักษะและขับเคลื่อนอาชีพของคุณในการพัฒนาซอฟต์แวร์

ผู้สมัครสามารถเลือกจากหนึ่งในหกความเชี่ยวชาญพิเศษเฉพาะที่เกี่ยวข้องกับอุตสาหกรรม มันเกี่ยวข้องกับผู้สมัครที่คาดหวังที่จะ:

• มั่นใจตำแหน่ง
• รับคำปรึกษาจากผู้เชี่ยวชาญในอุตสาหกรรม
• เข้าถึงโอกาสในการทำงานทั่วโลก
• ทำงานในโครงการและงานที่ได้รับมอบหมายสด
• เรียนรู้เรื่องแบบ end-to-end

เรียนรู้ หลักสูตร ML จากมหาวิทยาลัยชั้นนำของโลก รับ Masters, Executive PGP หรือ Advanced Certificate Programs เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว