人工智慧 - 模糊邏輯系統

---

---

模糊邏輯系統 (FLS) 對不完整、模糊、失真或不準確（模糊）的輸入做出可接受但明確的輸出。

什麼是模糊邏輯？

模糊邏輯 (FL) 是一種推理方法，類似於人類的推理。FL 的方法模仿人類決策的方式，包括“是”和“否”數字值之間的所有中間可能性。

計算機可以理解的常規邏輯塊接受精確的輸入併產生明確的輸出，即 TRUE 或 FALSE，這相當於人類的“是”或“否”。

模糊邏輯的發明者 Lotfi Zadeh 觀察到，與計算機不同，人類的決策包括“是”和“否”之間的一系列可能性，例如：

模糊邏輯基於輸入的可能性級別來實現明確的輸出。

實施

• 它可以應用於各種規模和功能的系統，從小型微控制器到大型的基於網路的工作站控制系統。

• 它可以以硬體、軟體或兩者的結合方式實現。

為什麼使用模糊邏輯？

模糊邏輯對商業和實踐用途很有用。

• 它可以控制機器和消費產品。
• 它可能不會給出準確的推理，但會給出可接受的推理。
• 模糊邏輯有助於處理工程中的不確定性。

模糊邏輯系統架構

它有四個主要部分，如下所示：

• 模糊化模組 - 它將系統的輸入（即清晰的數字）轉換為模糊集。它將輸入訊號分成五個步驟，例如：

• 知識庫 - 它儲存專家提供的 IF-THEN 規則。

• 推理引擎 - 透過對輸入和 IF-THEN 規則進行模糊推理，模擬人類推理過程。

• 反模糊化模組 - 它將推理引擎獲得的模糊集轉換為清晰的值。

隸屬函式作用於變數的模糊集。

隸屬函式

隸屬函式允許您量化語言術語並以圖形方式表示模糊集。模糊集 A在論域 X 上的隸屬函式定義為 μ_A:X → [0,1]。

這裡，X的每個元素都對映到 0 到 1 之間的值。它被稱為隸屬度或隸屬程度。它量化了X中元素對模糊集A的隸屬程度。

• x 軸表示論域。
• y 軸表示 [0, 1] 區間內的隸屬度。

可以有多個隸屬函式適用於將數值模糊化。使用簡單的隸屬函式，因為使用複雜的函式不會提高輸出的精度。

LP、MP、S、MN 和LN 的所有隸屬函式如下所示：

在各種其他隸屬函式形狀（如梯形、單點和高斯）中，三角形隸屬函式形狀最常見。

這裡，輸入到 5 級模糊器的範圍為 -10 伏到 +10 伏。因此，相應的輸出也會發生變化。

模糊邏輯系統示例

讓我們考慮一個帶有 5 級模糊邏輯系統的空調系統。該系統透過比較室溫與目標溫度值來調節空調的溫度。

演算法

• 定義語言變數和術語（開始）
• 為它們構建隸屬函式。（開始）
• 構建規則的知識庫（開始）
• 使用隸屬函式將清晰資料轉換為模糊資料集。（模糊化）
• 評估規則庫中的規則。（推理引擎）
• 組合每個規則的結果。（推理引擎）
• 將輸出資料轉換為非模糊值。（反模糊化）

發展

步驟 1 - 定義語言變數和術語

語言變數是以簡單單詞或句子的形式表示的輸入和輸出變數。對於室溫，冷、暖、熱等是語言術語。

溫度 (t) = {非常冷、冷、暖、非常暖、熱}

此集合的每個成員都是一個語言術語，它可以覆蓋整體溫度值的一部分。

步驟 2 - 為它們構建隸屬函式

溫度變數的隸屬函式如下所示：

步驟 3 - 構建知識庫規則

建立一個室溫值與空調系統預期提供的目標溫度值的矩陣。

將一組規則以 IF-THEN-ELSE 結構的形式構建到知識庫中。

步驟 4 - 獲取模糊值

模糊集運算執行規則評估。用於 OR 和 AND 的運算分別是 Max 和 Min。組合所有評估結果以形成最終結果。此結果是一個模糊值。

步驟 5 - 執行反模糊化

然後根據輸出變數的隸屬函式執行反模糊化。

模糊邏輯的應用領域

模糊邏輯的關鍵應用領域如下所示：

汽車系統

• 自動變速箱
• 四輪轉向
• 車輛環境控制

消費電子產品

• 高保真音響系統
• 影印機
• 靜止和攝像機
• 電視

家用產品

• 微波爐
• 冰箱
• 烤麵包機
• 吸塵器
• 洗衣機

環境控制

• 空調/乾燥機/加熱器
• 加溼器

FLSs 的優點

• 模糊推理中的數學概念非常簡單。

• 由於模糊邏輯的靈活性，您可以透過新增或刪除規則來修改 FLS。

• 模糊邏輯系統可以接收不精確、失真、嘈雜的輸入資訊。

• FLSs 易於構建和理解。

• 模糊邏輯是解決生活各個領域（包括醫學）中複雜問題的解決方案，因為它類似於人類的推理和決策。

FLSs 的缺點

• 模糊系統設計沒有系統的方法。
• 它們只有在簡單時才容易理解。
• 它們適用於不需要高精度的問 題。