Logic mờ

Các khái niệm cốt lõi

Logic mờ hoạt động dựa trên một số nguyên tắc chính giúp phân biệt nó với logic nhị phân rõ ràng:

• Tập mờ: Không giống như các tập hợp cổ điển trong đó một phần tử có thể thuộc về hoặc không thuộc về, các phần tử trong tập mờ có một mức độ thành viên, thường nằm trong khoảng từ 0 đến 1. Ví dụ, nhiệt độ có thể được coi là "ấm" với mức độ thành viên là 0,7.
• Biến ngôn ngữ: Đây là các biến có giá trị là các từ hoặc câu trong ngôn ngữ tự nhiên, thay vì các giá trị số. Ví dụ bao gồm "nhiệt độ" với các giá trị có thể là "lạnh", "ấm", "nóng".
• Hàm thành viên: Các hàm này xác định cách mỗi điểm trong không gian đầu vào được ánh xạ tới giá trị thành viên (hoặc mức độ thành viên) giữa 0 và 1. Chúng định lượng các biến ngôn ngữ. Các hình dạng phổ biến bao gồm hình tam giác, hình thang và hình Gauss.
• Quy tắc mờ: Những quy tắc này thường được thể hiện dưới dạng các câu lệnh IF-THEN, chẳng hạn như "NẾU nhiệt độ LÀ rất lạnh THÌ tốc độ quạt LÀ thấp". Các quy tắc này tạo thành cơ sở của hệ thống suy luận mờ, nắm bắt kiến thức chuyên môn hoặc hành vi hệ thống mong muốn. Bạn có thể tìm hiểu thêm về các hệ thống dựa trên quy tắc trong AI trên các nền tảng như IBM Developer .

Hệ thống Logic Mờ hoạt động như thế nào

Một hệ thống logic mờ điển hình bao gồm ba giai đoạn chính:

1. Làm mờ: Các giá trị đầu vào sắc nét (số) được chuyển đổi thành các giá trị mờ bằng cách xác định mức độ chúng thuộc về từng tập mờ thích hợp bằng cách sử dụng các hàm thành viên. Ví dụ, nhiệt độ đầu vào là 22°C có thể được làm mờ thành mức độ 0,8 cho "ấm" và 0,2 cho "mát".
2. Công cụ suy luận: Các quy tắc mờ được áp dụng cho các đầu vào mờ để tạo ra các giá trị đầu ra mờ. Điều này bao gồm việc đánh giá phần IF của các quy tắc và xác định phần THEN tương ứng dựa trên các mức độ thành viên. Điều này mô phỏng quá trình ra quyết định của con người dựa trên thông tin không chính xác.
3. Giải mờ: Các đầu ra mờ từ công cụ suy luận được chuyển đổi trở lại thành một giá trị rõ ràng (số) duy nhất có thể được sử dụng để kiểm soát hệ thống hoặc đưa ra quyết định. Có nhiều phương pháp giải mờ khác nhau, chẳng hạn như Centroid hoặc Mean of Maximum.

Sự liên quan trong AI và Học máy

Mặc dù khác biệt với các kỹ thuật ML chính thống như Học sâu (DL) học các mẫu từ lượng lớn dữ liệu, Logic mờ cung cấp một cách mạnh mẽ để kết hợp kiến thức chuyên môn của con người và xử lý sự mơ hồ vốn có trong các hệ thống phức tạp. Nó vượt trội trong các ứng dụng điều khiển và hỗ trợ quyết định trong đó các đầu vào không chính xác hoặc định tính. Không giống như lý thuyết xác suất, xử lý khả năng xảy ra của các sự kiện, Logic mờ xử lý mức độ mà một cái gì đó là đúng hoặc thuộc về một tập hợp. Có thêm thảo luận về sự khác biệt này . Nó có thể được kết hợp với các kỹ thuật AI khác, chẳng hạn như trong các hệ thống thần kinh mờ tích hợp mạng nơ -ron với các quy tắc mờ, có khả năng được quản lý thông qua các nền tảng như Ultralytics HUB cho quy trình làm việc AI rộng hơn, bao gồm đào tạo và triển khai mô hình.

Ứng dụng trong thế giới thực

Logic mờ được sử dụng rộng rãi trong nhiều ứng dụng thực tế khác nhau:

• Thiết bị tiêu dùng: Điều khiển máy giặt (điều chỉnh chu kỳ dựa trên kích thước tải và mức độ bẩn), máy điều hòa không khí (duy trì nhiệt độ dựa trên các quy tắc mơ hồ như "NẾU nhiệt độ hơi ấm VÀ độ ẩm cao THÌ tăng nhẹ độ làm mát") và nồi cơm điện. Bạn có thể khám phá cách AI được sử dụng trong nhà thông minh .
• Hệ thống ô tô: Được sử dụng trong hệ thống chống bó cứng phanh (ABS) để kiểm soát áp suất phanh dựa trên tốc độ bánh xe và giảm tốc, điều khiển hộp số để chuyển số mượt mà hơn và hệ thống kiểm soát hành trình trên xe tự hành . Khám phá các giải pháp Ultralytics cho AI trong ô tô .
• Kiểm soát công nghiệp: Quản lý các quy trình phức tạp trong sản xuất, sản xuất hóa chất và nhà máy điện, nơi khó có được các mô hình toán học chính xác nhưng có chuyên môn của con người. Xem các ví dụ về AI trong sản xuất .
• Chẩn đoán y khoa: Hỗ trợ bác sĩ chẩn đoán bệnh dựa trên các triệu chứng được mô tả với nhiều mức độ chắc chắn khác nhau, bổ sung cho các nhiệm vụ như phân tích hình ảnh y khoa , trong đó các mô hình như Ultralytics YOLO có thể được sử dụng để phát hiện khối u .
• Hệ thống giao dịch tài chính: Phát triển các chiến lược giao dịch dựa trên các diễn giải mơ hồ về các chỉ số thị trường như "giá cao" hoặc "xu hướng mạnh". Đọc về các mô hình thị giác máy tính trong tài chính .

Logic mờ so với các khái niệm liên quan

Điều quan trọng là phải phân biệt Logic Mờ với các ý tưởng liên quan khác:

• Logic Boolean: Hoạt động trên các giá trị nhị phân đúng/sai, phù hợp với các hệ thống xác định chính xác. Logic mờ sử dụng các mức độ chân lý liên tục, tốt hơn để xử lý sự mơ hồ và không rõ ràng.
• Lý thuyết xác suất: Xử lý khả năng hoặc cơ hội xảy ra một sự kiện. Logic mờ xử lý mức độ sự kiện xảy ra hoặc điều kiện là đúng (mơ hồ). Một sự kiện có thể có xác suất cao nhưng vẫn mơ hồ (ví dụ: "Rất có thể ngày mai trời ấm").
• Học máy: Các thuật toán ML, đặc biệt là các mô hình học sâu như CNN hoặc Transformers , thường học các mẫu và quy tắc trực tiếp từ dữ liệu ( học có giám sát hoặc không giám sát). Logic mờ thường dựa vào các quy tắc được xác định rõ ràng dựa trên chuyên môn của con người, mặc dù các hệ thống mờ cũng có thể được điều chỉnh hoặc điều chỉnh bằng cách sử dụng dữ liệu.

Fuzzy Logic cung cấp một bộ công cụ có giá trị để mô hình hóa các hệ thống trong đó trực giác của con người và ngôn ngữ không chính xác đóng vai trò quan trọng, bổ sung cho các phương pháp tiếp cận dựa trên dữ liệu trong lĩnh vực rộng hơn của AI và thị giác máy tính . Bạn có thể khám phá nhiều mô hình AI và so sánh khác nhau trong tài liệu Ultralytics . Để có hiểu biết sâu hơn về mặt kỹ thuật, các nguồn tài nguyên từ IEEE Computational Intelligence Society thường hữu ích.