Logika rozmyta a sieć neuronowa
Logika rozmyta należy do rodziny logiki wielowartościowej. Koncentruje się na rozumowaniu ustalonym i przybliżonym w przeciwieństwie do rozumowania ustalonego i dokładnego. Zmienna w logice rozmytej może przyjmować wartość prawdy z zakresu od 0 do 1, w przeciwieństwie do przyjmowania prawdy lub fałszu w tradycyjnych zestawach binarnych. Sieci neuronowe (NN) lub sztuczne sieci neuronowe (ANN) to model obliczeniowy opracowany na podstawie biologicznych sieci neuronowych. SSN składa się ze sztucznych neuronów, które łączą się ze sobą. Zazwyczaj SSN dostosowuje swoją strukturę na podstawie napływających do niej informacji.
Co to jest Fuzzy Logic?
Logika rozmyta należy do rodziny logiki wielowartościowej. Koncentruje się na rozumowaniu ustalonym i przybliżonym w przeciwieństwie do rozumowania ustalonego i dokładnego. Zmienna w logice rozmytej może przyjmować wartość prawdy z zakresu od 0 do 1, w przeciwieństwie do przyjmowania prawdy lub fałszu w tradycyjnych zestawach binarnych. Ponieważ wartość prawdy jest zakresem, może obsługiwać częściową prawdę. Początek logiki rozmytej został wyznaczony w 1956 roku wraz z wprowadzeniem teorii zbiorów rozmytych przez Lotfiego Zadeha. Logika rozmyta zapewnia metodę podejmowania określonych decyzji w oparciu o nieprecyzyjne i niejednoznaczne dane wejściowe. Logika rozmyta jest szeroko stosowana w aplikacjach w systemach sterowania, ponieważ bardzo przypomina sposób podejmowania decyzji przez człowieka, ale w szybszy sposób. Logikę rozmytą można włączyć do systemów sterowania opartych na małych urządzeniach przenośnych i dużych stacjach roboczych PC.
Co to są sieci neuronowe?
SSN to model obliczeniowy opracowany na podstawie biologicznych sieci neuronowych. SSN składa się ze sztucznych neuronów, które łączą się ze sobą. Zazwyczaj SSN dostosowuje swoją strukturę na podstawie napływających do niej informacji. Podczas tworzenia SSN należy przestrzegać zestawu systematycznych kroków zwanych regułami uczenia się. Ponadto proces uczenia się wymaga danych uczenia się, aby odkryć najlepszy punkt operacyjny SSN. SSN można wykorzystać do nauczenia się funkcji aproksymacji dla niektórych obserwowanych danych. Jednak stosując SSN, należy wziąć pod uwagę kilka czynników. Model należy starannie dobrać w zależności od danych. Korzystanie z niepotrzebnie złożonych modeli utrudniłoby proces uczenia się. Wybór prawidłowego algorytmu uczenia się jest również ważny, ponieważ niektóre algorytmy uczące się działają lepiej z określonymi typami danych.
Jaka jest różnica między logiką rozmytą a sieciami neuronowymi?
Logika rozmyta pozwala na podejmowanie konkretnych decyzji na podstawie nieprecyzyjnych lub niejednoznacznych danych, podczas gdy SSN stara się uwzględniać ludzki proces myślenia w celu rozwiązywania problemów bez ich matematycznego modelowania. Mimo że obie te metody mogą być używane do rozwiązywania problemów nieliniowych oraz problemów, które nie zostały prawidłowo określone, nie są one powiązane. W przeciwieństwie do logiki rozmytej, ANN stara się zastosować proces myślenia w ludzkim mózgu do rozwiązywania problemów. Ponadto SSN obejmuje proces uczenia się, który obejmuje uczenie się algorytmów i wymaga danych szkoleniowych. Istnieją jednak inteligentne systemy hybrydowe opracowane przy użyciu tych dwóch metod zwanych Fuzzy Neural Network (FNN) lub Neuro-Fuzzy System (NFS).
