المنطق الضبابي

المنطق الضبابي هو نموذج حسابي يصمم نمط التفكير بناءً على "درجات الحقيقة" بدلاً من النظام الثنائي الصارم "صحيح أو خطأ" الذي غالباً ما نجده في الحوسبة الكلاسيكية. في حين أن أجهزة الكمبيوتر القياسية تستخدم المنطق البولياني لتعيين قيم صارمة 0 أو 1، فإن الأنظمة الضبابية تسمح بقيم تتراوح بين 0 و 1. تتيح هذه المرونة الذكاء الاصطناعي (AI) على التعامل مع الغموض واللبس والمعلومات غير الدقيقة، مما يحاكي العمليات الإدراكية البشرية بشكل أوثق عند معالجة البيانات المعقدة.

آلية التفكير الضبابي

في الحوسبة التقليدية، تنتمي المدخلات إما إلى مجموعة أو لا تنتمي إليها. يقدم المنطق الضبابي مفهوم وظائف العضوية، التي تربط بيانات المدخلات بقيمة تتراوح من 0 إلى 1، تمثل درجة العضوية. على سبيل المثال، في نظام التحكم في المناخ، قد لا يتم تصنيف درجة الحرارة 75 درجة فهرنهايت ببساطة على أنها "حارة"، بل على أنها "0.6 درجة دافئة".

تتضمن هذه العملية عمومًا ثلاث مراحل رئيسية:

1. التشويش: تحويل المدخلات الرقمية الواضحة إلى مجموعات غامضة باستخدام وظائف العضوية.
2. الاستدلال: تطبيق قواعد "إذا-إذن" لتحديد النتائج بناءً على البيانات الغامضة.
3. إزالة الغموض: تحويل النتيجة الغامضة إلى نتيجة دقيقة وقابلة للتنفيذ.

هذا النهج مفيد بشكل خاص للتعامل مع البيانات المرئية المضطربة، حيث يصعب تحديد الحدود بوضوح.

الأهمية في التعلم الآلي والرؤية الحاسوبية

في سياق الرؤية الحاسوبية (CV) والتعلم الآلي (ML)، غالبًا ما تتقلب قيم البكسل الدقيقة بسبب الإضاءة أو الانسداد أو ضوضاء المستشعر. المنطق الضبابي يسد الفجوة بين النتائج الرقمية الدقيقة للشبكة العصبية والتفسيرات اللغوية التي يستخدمها البشر. المنطق الضبابي هو منهج رياضي يطبق على المشاكل التي تتطلب حلولًا غير دقيقة. المنطق الضبابي هو منهج رياضي يطبق على المشاكل التي تتطلب حلولًا غير دقيقة.

تطبيقات واقعية

• القيادة الذاتية: تستخدم المركبات الذاتية القيادة المنطق الضبابي لتنفيذ إجراءات تحكم سلسة. بدلاً من الكبح المفاجئ عند اكتشاف عائق، يقوم النظام بتقييم "درجة الخطر" بناءً على السرعة والمسافة لتنفيذ تباطؤ تدريجي، مما يضمن سلامة وراحة الركاب.
• التشخيص الطبي: في تحليل الصور الطبية، غالبًا ما لا يكون للأنسجة حدود واضحة. يساعد المنطق الضبابي الذكاء الاصطناعي في أنظمة الرعاية الصحية segment حيث تتداخل الأورام مع الأنسجة السليمة، مما يسمح بتقييم المخاطر بشكل أكثر دقة و نمذجة تنبؤية.

المنطق الضبابي مقابل الاحتمالية

من الضروفي التمييز بين المنطق الضبابي ونظرية الاحتمالات، حيث غالباً ما يتم الخلط بينهما على الرغم من تناولهما لأنواع مختلفة من عدم اليقين.

• تتناول الاحتمالية احتمال وقوع حدث مستقبلي (على سبيل المثال، "هناك احتمال بنسبة 50٪ أن تمطر"). وهي تمثل نموذجًا للعشوائية.
• يتعامل المنطق الضبابي مع درجة صحة حالة ما (على سبيل المثال، "الأرض رطبة بنسبة 50٪ "). وهو ينمذج الغموض في تعريف الحدث نفسه.

التنفيذ العملي

في سير عمل الكشف العملي عن الأشياء ، غالبًا ما يتم تطبيق المنطق الضبابي أثناء المعالجة اللاحقة. يمكن للمطورين ربط درجة ثقة النموذج بالفئات اللغوية لإنشاء قواعد تصفية متطورة.

ما يلي Python كيفية تطبيق التصنيف الغامض على نتائج استدلال Ultralytics :

from ultralytics import YOLO

# Load the YOLO26 model and run inference
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# Get confidence score of the first detected object
conf = results[0].boxes.conf[0].item()


# Apply fuzzy linguistic categorization (Membership function logic)
def get_fuzzy_degree(score):
    if score > 0.8:
        return "High Certainty"
    elif score > 0.5:
        return "Moderate Certainty"
    return "Uncertain"


print(f"Score: {conf:.2f} -> Category: {get_fuzzy_degree(conf)}")

المفاهيم ذات الصلة

• الأنظمة الخبيرة: برامج الذكاء الاصطناعي المبكرة التي تحاكي عملية اتخاذ القرار البشري، وتعتمد بشكل كبير على القواعد الغامضة لمعالجة المعلومات.
• الأنظمة العصبية الضبابية: هياكل هجينة تجمع بين قدرات التعلم في التعلم العميق (DL) وقابلية تفسير التفكير الضبابي.
• تقسيم الصور: مهمة رؤية حاسوبية تستفيد في كثير من الأحيان من المنطق الضبابي عند تحديد حدود الكائنات في مجموعات البيانات المعقدة .
• Ultralytics : بيئة حديثة حيث يمكن للمستخدمين إدارة مجموعات البيانات وتدريب النماذج التي قد تعمل كمحركات إدخال واضحة لوحدات التحكم المنطقية الغامضة.