cercando una breve spiegazione della logica fuzzy

3

Ho avuto l'idea che le basi della logica fuzzy non siano così difficili da comprendere. E ho avuto la sensazione che qualcuno potesse spiegarmelo in circa 30 minuti. Capisco le reti neurali e sono in grado di ricreare il famoso problema Xor. E capire come andare oltre e creare reti a 3 strati di x nodi.

Mi piacerebbe capire la logica fuzzy fino a un livello simile, in linguaggio C #. Tuttavia, il problema che devo affrontare è che prima devo avere il concetto giusto, tuttavia vedo molti siti Web che includono molti errori nella loro spiegazione di base di questo. Ad esempio, per esempio, mostrare le immagini e utilizzare numeri diversi come mostrato nelle immagini per calcolare il loro problema, come se un sacco di persone copiassero roba senza accorgersi di ciò che effettivamente scrivevano. Mentre altri per me approfondiscono la notazione matematica). Per me è molto fastidioso imparare da.

Per me non c'è bisogno di reinventare la ruota; Aforge aveva già una struttura logica fuzzy. Quindi, quello che sto cercando sono dei buoni esempi, buono esempi come come il problema neurale XOR è risolto . C'è qualcuno come una risorsa educativa là fuori; conosci una pagina web o YouTube, dove viene brevemente spiegato, cosa mi consiglieresti?

Nota questo articolo si avvicina ; ma non lo inchioda per me Dopo di che ho scaricato un mucchio di PDF gratuiti, ma la maggior parte sono accademici e difficili da leggere per me (non sono inglese e non ho una laurea matematica speciale).

(Mi sono guardato intorno molto per questo, è difficile trovare materiale di avviamento valido su di esso).

    
posta user613326 14.11.2012 - 00:26
fonte

2 risposte

8

La logica fuzzy si basa sulla teoria degli insiemi fuzzy. Nella teoria degli insiemi tradizionali un elemento s appartiene o non appartiene a un insieme S . Al contrario, la teoria degli insiemi fuzzy consente l'appartenenza parziale: un elemento s può appartenere a un insieme fuzzy F in una certa misura. Più formalmente un set fuzzy è definito dalla sua funzione di appartenenza, che assegna un grado di appartenenza ai suoi elementi.

Gli insiemi sfocati sono utili per descrivere concetti di uso quotidiano, come "persone a corto" e "persone alte". Una persona, la cui altezza è di 175 cm, può essere un membro dell'insieme fuzzy ShortPeople con un grado di 0,7 e, allo stesso tempo, un membro dell'insieme fuzzy TallPeople con un grado di 0,4. In altre parole, puoi essere sia alto che basso allo stesso tempo con diversi gradi di appartenenza. I valori di appartenenza sono spesso tra 0 e 1, ma non devono essere. A differenza delle probabilità non devono aggiungere fino a 1 e, a differenza delle funzioni di densità di probabilità, le funzioni di appartenenza non devono essere integrate a 1.

La funzione di appartenenza dell'insieme ShortPeople potrebbe essere un triangolo centrato attorno a 150 cm e la funzione di appartenenza dell'insieme TallPeople potrebbe essere centrata attorno a 185 cm. Puoi anche definire i set per ReallyShortPeople e Giants .

Unione e intersezione possono essere definite su insiemi fuzzy (tipicamente come max e min dei valori di appartenenza, rispettivamente). Pertanto è possibile definire fuzzy and e or .

Ciò di cui stai parlando sono i sistemi basati su regole fuzzy, che approssimano alcune funzioni sconosciute che è difficile definire esplicitamente. Nell'esempio della tua auto, l'input potrebbe essere la forza con cui premi l'acceleratore e l'uscita potrebbe essere la velocità della macchina. Definisci insiemi fuzzy che rappresentano la forza con cui premi il gas ( slightly , medium , hard ) e set fuzzy che rappresentano la velocità dell'auto ( slow , medium , fast ) . Quindi definisci le regole fuzzy mappando la pressione del pedale per accelerare: slightly - > slow', % co_de name% name -> % hard, veloce'. Questo è il tuo sistema basato su regole fuzzy.

Il sistema funziona in tre fasi: fuzzificazione, inferenza e de-fuzzificazione. Per prima cosa prendi un input "croccante" (l'esatta quantità di pressione applicata al pedale) e calcola la sua appartenenza ai set fuzzy corrispondenti. Quindi ottieni il corrispondente valore fuzzy della velocità della macchina (inferenza). Infine, è necessario "crispificare" o "defuzzificare" quel valore per ottenere la velocità effettiva della vettura.

    
risposta data 14.11.2012 - 02:22
fonte
1

Se sei a conoscenza delle reti neurali, allora conosci già la logica fuzzy. La logica fuzzy è un termine generale di alto livello per qualsiasi logica imprecisa - qualsiasi cosa in cui le previsioni devono essere fatte in base a un numero di parametri.

Confrontalo con una logica più "concreta".

Le reti neurali sono un'implementazione della logica fuzzy.

    
risposta data 14.11.2012 - 02:03
fonte

Leggi altre domande sui tag