real world situations which it compares to its data. These are often used in exploration for mineral, gas and oil deposits as well as in surveillance, image analysis and speech
understanding.
5.
6.
7.
8.
1. Under Fuzzification, the membership functions defined on the input variables are applied to their actual values, to determine the degree of truth for each rule premise.
2. Under Interference, the truth value for the premise of each rule is computed, and applied to the conclusion part of each rule. This result in one fuzzy subset to be assigned to each output variable for each rule. Usually only MIN or PRODUCT is used as inference rules. In MIN inference, the output membership function is clipped off at a height corresponding to the rule premise's computed degree of truth (fuzzy logic AND). In product inferencing, the output membership function isscaled by the rule premise's computed degree of truth.
3. Under Composition, all of the fuzzy subsets assigned to each outputvariable are combined together to form a single fuzzy subset for each output variable. Again, usually MAX or SUM are used. In MAXcomposition, the combined output fuzzy subset is constructed by taking the point wise maximumover all of the fuzzy subsets assigned to variable by the inference rule (fuzzy logic OR). In SUM composition, the combined output fuzzy subset is constructed by taking the point wise sumover all of the fuzzy subsets assigned to the output variable by theInference rule.
4. Finally is the (optional) Defuzzification, which is used when it is useful to convert the fuzzy output set to a crisp number. There aremore defuzzification methods than you can shake a stick at (at least 30). Two of the more common techniques are the CENTROID and MAXIMUM methods. In the centroid method, the crisp value of the output variable is computed by finding the variable value of the center of gravity of the membership function for the fuzzy value. In the MAXIMUM method, oneof the variable values at which the fuzzy subset has its maximum truth value is chosen as the crisp value for the output variable.
5. Architecture of Fuzzy Logic
There are five attributes associated with fuzzy expert systems:
1) Input variables,
2) Output variables,
3) Subsets of the inputs and the outputs and the membership functions corresponding to the various subsets leading to fuzzy set
4) Rules connecting the input fuzzy subsets and the output fuzzy subset
Prediction:Predictive expert systems are used as a method
to “guess” at the possible outcomes of observed situations, usually providing a probability factor. This is used often in
weather forecasting.
Design and Planning:This allows experts to quickly
develop solutions that save time. These systems do not replace experts but act as a tool by performing tasks such as costing, building design, material ordering and magazine
design.
Monitoring and Control:In certain applications expert
systems can be designed to monitor operations and control certain functions. These are particularly useful where speed of decision making is vitally important, for example in the nuclear energy industry, air traffic control and the stock
market.
Classification/Identification:These systems help to
classify the goals in the system by the identification of various features (these can by physical or non-physical) For example various types of animals are classified according to attributes such as habitat,feeding information, colour, breeding information, relative size etc. These systems can beused by bird watchers, fishing enthusiasts, animalrescue shelters (to match animals to prospectiveowners) to name a
few.
4. Relation of Fuzzy Logic and Expert System
A fuzzy expert system is an expert system that uses a collection offuzzy membership functions and rules, instead of Boolean logic, to reason about data. The rules in a fuzzy expert system are usually of a form similar to the following: if x is low and y is high then z = medium where x and y are input variables (names for known data values), z is anoutput variable (a name for a data value to be computed), low is amembership function (fuzzy subset) defined on x, high is a membershipfunction defined on y, and medium is a membership function defined on z.The antecedent (the rule's premise) describes to what degree the ruleapplies, while the conclusion (the rule's consequent) assigns amembership function to each of one or more output variables. Most tools for working with fuzzy expert systems allow more than one conclusion perrule. The set of rules in a fuzzy expert system is known as the rule base or knowledge base.
The general inference process proceeds in three (or four) steps.
สถานการณ์โลกแห่งความจริงซึ่งจะเปรียบเทียบกับข้อมูลของตน เหล่านี้มักจะใช้ในการสำรวจแหล่งแร่ก๊าซและน้ำมันเช่นเดียวกับในการเฝ้าระวังการวิเคราะห์ภาพและคำพูดที่เข้าใจ
.
5.
6.
7.
8.
1 ภายใต้ fuzzification, ฟังก์ชันสมาชิกที่กำหนดไว้ในตัวแปรจะใช้กับค่าที่แท้จริงของพวกเขาเพื่อกำหนดระดับของความเป็นจริงสำหรับสถานที่ตั้งของแต่ละกฎ.
2 ภายใต้การแทรกแซงค่าความจริงสำหรับสถานที่ตั้งของแต่ละกฎจะคำนวณและนำไปใช้กับส่วนท้ายของแต่ละกฎ ผลในเซตเลือนหนึ่งนี้จะได้รับมอบหมายให้กับตัวแปรเอาท์พุทสำหรับแต่ละแต่ละกฎ เพียงนาทีหรือผลิตภัณฑ์มักจะถูกใช้เป็นกฎการอนุมาน ในการอนุมานนาที,ฟังก์ชั่นเอาท์พุทเป็นสมาชิกที่ถูกตัดออกไปในระดับความสูงที่สอดคล้องกับการคำนวณองศาหลักฐานกฎของความจริง (ตรรกศาสตร์และ) ในการสรุปอิงความผลิตภัณฑ์ฟังก์ชันสมาชิกเอาท์พุท isscaled โดยคำนวณองศาหลักฐานกฎของความจริง.
3 ภายใต้องค์ประกอบทุกส่วนย่อยเลือนได้รับมอบหมายให้แต่ละ outputvariable จะรวมกันในรูปแบบกลุ่มย่อยเลือนเดียวสำหรับแต่ละตัวแปรเอาท์พุท อีกครั้งมักจะสูงสุดหรือผลรวมมีการใช้ ใน maxcomposition, เอาท์พุทย่อยรวมเลือนถูกสร้างโดยการ maximumover ฉลาดทุกจุดของส่วนย่อยเลือนกำหนดให้ตัวแปรตามกฎการอนุมาน (ตรรกศาสตร์หรือ) ในองค์ประกอบรวม,เอาท์พุทย่อยรวมเลือนถูกสร้างโดยการ sumover ฉลาดทุกจุดของส่วนย่อยเลือนกำหนดให้ตัวแปรเอาท์พุทตามกฎ theinference.
4 ในที่สุด defuzzification (ตัวเลือก) ซึ่งจะใช้เมื่อมันเป็นประโยชน์ในการแปลงชุดเอาท์พุทเลือนไปเป็นจำนวนที่คมชัดคือ มีวิธีการ aremore defuzzification มากกว่าที่คุณสามารถสั่นติดที่ (อย่างน้อย 30)สองของเทคนิคทั่วไปที่เกิดขึ้นเป็นวิธีการ centroid และสูงสุด ในวิธีการ centroid ที่ค่าความคมชัดของตัวแปรเอาท์พุทที่มีการคำนวณโดยการหาค่าตัวแปรของศูนย์กลางของแรงโน้มถ่วงของฟังก์ชั่นการเป็นสมาชิกสำหรับค่าเลือน ในวิธีการสูงสุด,oneof ค่าตัวแปรที่เลือนย่อยมีค่าความจริงสูงสุดที่ถูกเลือกเป็นค่าความคมชัดสำหรับตัวแปร output.
5 สถาปัตยกรรมของตรรกศาสตร์
มีห้าคุณลักษณะที่เกี่ยวข้องกับระบบผู้เชี่ยวชาญเลือน:
1) ตัวแปร,
2) ตัวแปรเอาท์พุท
3) ส่วนย่อยของปัจจัยการผลิตและผลและฟังก์ชั่นการเป็นสมาชิกที่สอดคล้องกับส่วนย่อยต่างๆที่นำไปสู่ชุดเลือน
4) การเชื่อมต่อกฎย่อยเลือน input และเอาท์พุทย่อยเลือนทำนาย
: ระบบผู้เชี่ยวชาญทำนายจะถูกใช้เป็น
วิธีการ "เดา" ที่ผลลัพธ์ที่เป็นไปของสถานการณ์ที่สังเกตมักจะให้ความน่าจะเป็นปัจจัย นี้มักจะใช้ในการพยากรณ์อากาศ
การออกแบบและการวางแผน. นี้จะช่วยให้ผู้เชี่ยวชาญด้านการได้อย่างรวดเร็ว
พัฒนาโซลูชั่นที่ประหยัดเวลาระบบเหล่านี้ไม่แทนที่ แต่ผู้เชี่ยวชาญด้านการทำหน้าที่เป็นเครื่องมือโดยการปฏิบัติงานเช่นต้นทุนการสร้างการออกแบบวัสดุ, การสั่งซื้อและนิตยสาร
ออกแบบการตรวจสอบและการควบคุม:. ในผู้เชี่ยวชาญด้านการใช้งานบางอย่าง
ระบบสามารถออกแบบให้ตรวจสอบการดำเนินงานและการควบคุมฟังก์ชั่นบางอย่าง เหล่านี้มีประโยชน์โดยเฉพาะอย่างยิ่งที่ความเร็วของการตัดสินใจเป็นสิ่งสำคัญอย่างจำเป็นตัวอย่างเช่นในอุตสาหกรรมพลังงานนิวเคลียร์และการควบคุมการจราจรทางอากาศและหุ้น
ตลาดการจัดหมวดหมู่ประชาชน /. ระบบเหล่านี้ช่วยในการจำแนก
เป้าหมายในระบบโดยประจำตัวประชาชนของคุณสมบัติต่างๆ (เหล่านี้สามารถโดยทางกายภาพหรือไม่ทางกายภาพ) สำหรับ หลากหลายชนิดตัวอย่างของสัตว์ที่มีการจำแนกตามลักษณะดังกล่าวเป็นที่อยู่อาศัยให้อาหารข้อมูลสีข้อมูลพันธุ์,ระบบญาติขนาด ฯลฯ เหล่านี้สามารถ beused โดยนักดูนกที่ชื่นชอบการตกปลาที่พักพิง animalrescue (เพื่อให้ตรงกับสัตว์เพื่อ prospectiveowners) เพื่อชื่อไม่กี่
.
4 ความสัมพันธ์ของตรรกศาสตร์และระบบผู้เชี่ยวชาญ
ระบบผู้เชี่ยวชาญเลือนเป็นระบบผู้เชี่ยวชาญที่ใช้ฟังก์ชั่นการเก็บรวบรวมสมาชิก offuzzy และกฎระเบียบแทนของตรรกะบูลีนที่จะให้เหตุผลเกี่ยวกับข้อมูลกฎระเบียบในระบบผู้เชี่ยวชาญเลือนเป็นเรื่องปกติของรูปแบบที่คล้ายกับต่อไปนี้: ถ้า x เป็น y ต่ำและอยู่ในระดับสูงแล้ว z = ปานกลางโดยที่ x และ y เป็นตัวแปร (ชื่อสำหรับค่าข้อมูลที่รู้จักกัน), z เป็นตัวแปร anoutput ( ชื่อสำหรับค่าข้อมูลที่จะคำนวณ) ต่ำเป็นฟังก์ชัน amembership (ย่อยเลือน) กำหนดไว้บน x สูงใน membershipfunction ที่กำหนดไว้ใน y,และขนาดกลางเป็นฟังก์ชันสมาชิกที่กำหนดไว้ในอดีต z.the (หลักฐานกฎ) อธิบายในระดับสิ่ง ruleapplies ในขณะที่ข้อสรุป (กฎของผลที่เกิดขึ้น) กำหนดฟังก์ชั่น amembership กับแต่ละหนึ่งหรือมากกว่าหนึ่งตัวแปรเอาท์พุท เครื่องมือที่ดีที่สุดสำหรับการทำงานกับระบบผู้เชี่ยวชาญเลือนให้มากกว่าหนึ่งข้อสรุป perruleชุดของกฎในระบบผู้เชี่ยวชาญเลือนเป็นที่รู้จักกันเป็นฐานกฎหรือฐานความรู้.
ขั้นตอนการดำเนินการขั้นตอนการอนุมานทั่วไปในสาม (หรือสี่)
การแปล กรุณารอสักครู่..
สถานการณ์โลกของความเป็นจริงซึ่งเปรียบเทียบกับข้อมูลของตน. เหล่านี้จะใช้ในการสำรวจเงินฝากน้ำมันและก๊าซธรรมชาติมีน้ำแร่เป็นอย่างดีในการตรวจจับ ภาพ การวิเคราะห์และเสียงพูด
ซึ่งจะช่วยทำความเข้าใจ.
5 .
6 .
7 .
8 .
1 บ่อยครั้ง ภายใต้ fuzzification ฟังก์ชันการเป็นสมาชิกที่กำหนดไว้ในตัวแปรอินพุตที่ถูกนำมาใช้เป็นค่าของจริงในการกำหนดระดับของความจริงสำหรับสถานที่ปฏิบัติงานกฎข้อที่แต่ละ.
2 ภายใต้ การรบกวนความคุ้มค่าความจริงสำหรับสถานที่ปฏิบัติงานของกฎข้อที่แต่ละคนจะคำนวณและนำไปใช้ในการสรุปที่เป็นส่วนหนึ่งของกฎข้อที่แต่ละห้อง โรงแรมแห่งนี้ส่งผลให้ในหนึ่งชุดย่อย Fuzzy logic )เพื่อได้รับมอบหมายให้เป็นตัวแปรแต่ละเอาต์พุตสำหรับกฎข้อที่แต่ละแห่ง โดยปกติแล้วเท่านั้นนาที ผลิตภัณฑ์ หรือใช้เป็นกฎระเบียบลงความเห็นได้ ในพิลึกนาทีฟังก์ชันการเป็นสมาชิกเอาต์พุตที่ถูกตัดออกในระดับความสูงที่เกี่ยวข้องในระดับคำนวณของกฎข้อที่สถานที่ปฏิบัติงานของความจริง( fuzzy logic และ) ในการเป็นสมาชิกของ ผลิตภัณฑ์ inferencing เอาต์พุตจะทำงานในระดับ isscaled คำนวณของกฎข้อที่สถานที่ปฏิบัติงานของความจริง.
3 ภายใต้ การเขียนย่อยทำงานด้วยระบบ Fuzzy Logic ที่ได้รับมอบหมายสำหรับ outputvariable แต่ละทั้งหมดคือการผสมผสานเข้าด้วยกันเพื่อจัดรูปแบบย่อยทำงานด้วยระบบ Fuzzy Logic หนึ่งเดียวสำหรับปรับเปลี่ยนแต่ละเอาต์พุต โดยปกติแล้วสูงสุด( MAX )อีกครั้งหรือจำนวนเงินจะนำมาใช้ ใน maxcomposition ย่อยทำงานด้วยระบบ Fuzzy Logic เอาต์พุตแบบรวมที่มีการก่อสร้างโดยการจุดที่ maximumover ฉลาดทำงานด้วยระบบ Fuzzy Logic ที่ย่อยทั้งหมดที่กำหนดให้กับปรับเปลี่ยนโดยกฎข้อที่พิลึก(ทำงานด้วยระบบ Fuzzy Logic หรือ) ในการเขียนจำนวนเงินข้อย่อยทำงานด้วยระบบ Fuzzy Logic เอาต์พุตแบบรวมที่มีการก่อสร้างโดยจุดที่ sumover ฉลาดย่อยทำงานด้วยระบบ Fuzzy Logic ที่ทั้งหมดที่กำหนดให้กับระดับเอาต์พุตโดย theinference กฎข้อที่. N 4 สุดท้ายคือ(อุปกรณ์เสริม) defuzzification ซึ่งจะถูกนำมาใช้เมื่อมันมีประโยชน์ที่จะแปลงเอาต์พุตทำงานด้วยระบบ Fuzzy Logic ที่ตั้งค่าเป็นหมายเลขที่คมชัด มีวิธีการ aremore defuzzification กว่าคุณสามารถเขย่า Memory Stick ที่(อย่างน้อย 30 )สองด้านเทคนิคที่ใช้โดยทั่วไปที่มีวิธีการสูงสุดและ centroid ได้ ในวิธี centroid มูลค่าที่ใสสะอาดของที่ปรับเปลี่ยนเอาต์พุตได้คำนวณโดยการหาค่าตัวแปรของศูนย์ถ่วงของการเป็นสมาชิกที่ให้ความคุ้มค่าที่ทำงานด้วยระบบ Fuzzy Logic ในวิธีสูงสุดoneof ค่าตัวแปรที่ย่อยทำงานด้วยระบบ Fuzzy Logic ที่มีมูลค่าสูงสุดของความจริงได้รับเลือกเป็นค่าที่ใสสะอาดที่สำหรับปรับเอาต์พุตที่. N 5 สถาปัตยกรรมของทำงาน Fuzzy Logic อัจฉริยะแห่งระบบหุง
มีห้าแอตทริบิวต์ที่เชื่อมโยงกับระบบทำงานด้วยระบบ Fuzzy Logic ขั้นสูง:
1 )เป็นตัวแปรสำคัญอินพุต
2 )ตัวแปรเอาต์พุต
3 )ส่วนย่อยของอินพุตและเอาต์พุตที่ทำงานและการเป็นสมาชิกที่ตรงกับย่อยต่างๆที่นำไปสู่ตั้งค่าทำงานด้วยระบบ Fuzzy Logic
4 )ระเบียบการเชื่อมต่ออินพุตที่ย่อยทำงานด้วยระบบ Fuzzy Logic และระบบเอาต์พุตทำงานด้วยระบบ Fuzzy Logic ย่อย
ซึ่งจะช่วยการคาดเดา:คาดการณ์เอาไว้แล้วผู้เชี่ยวชาญที่จะนำมาใช้เป็นวิธีการ
ซึ่งจะช่วยในการ"สงสัย"ที่ผลลัพธ์ที่เป็นไปได้ของสถานการณ์โดยปกติแล้วสังเกตเห็นการให้ปัจจัยความเป็นไปได้ที่. โรงแรมแห่งนี้คือมักใช้
ซึ่งจะช่วยในการพยากรณ์ สภาพ อากาศ.
การวางแผนและการออกแบบ:นี้ช่วยให้ผู้เชี่ยวชาญด้านการพัฒนาโซลูชันที่ช่วยประหยัดเวลาได้อย่างรวดเร็ว
ระบบซึ่งไม่ได้เปลี่ยนผู้เชี่ยวชาญแต่ทำหน้าที่เป็นเครื่องมือโดยการทำงานเช่นโครงการ,การออกแบบอาคาร,วัสดุเชื่อมต่อในการสั่งซื้อและนิตยสาร
การออกแบบ.
การติดตามและการควบคุม:ในบางแอปพลิเคชันจากผู้เชี่ยวชาญ
ซึ่งจะช่วยระบบสามารถจะต้องถูกออกแบบมาให้ตรวจสอบการทำงานและการควบคุมการทำงานบางอย่าง. สิ่งเหล่านี้จะเป็นประโยชน์โดยเฉพาะสถานที่ซึ่งความเร็วในการตัดสินใจเป็นเรื่องสำคัญอย่างยิ่งตัวอย่างเช่นในอุตสาหกรรมพลังงานนิวเคลียร์,และการควบคุมการจราจรทางอากาศที่หุ้น
ตลาด.
การแบ่ง ประเภท /การระบุตัวตน:ระบบซึ่งช่วยให้คุณสามารถ
ซึ่งจะช่วยแบ่ง ประเภท ที่เป้าหมายได้ในระบบโดยการระบุตัวตนของต่างๆโดดเด่นไปด้วย(ตัวเลือกเหล่านี้ได้ทาง กายภาพ หรือไม่ทาง กายภาพ )ตัวอย่างเช่น ประเภท ของสัตว์ได้รับการจัด ประเภท ว่าตามแอตทริบิวต์เช่นที่อยู่อาศัย,การป้อนนมข้อมูล,สี,การผสมพันธุ์ข้อมูล,มีขนาดกลางมีความสัมพันธ์กันเป็นต้นระบบเหล่านี้สามารถ beused โดยผู้เฝ้ามองนกผู้ที่ชื่นชอบการตกปลาการหลบ ภัย animalrescue (ให้ตรงกับสัตว์เพื่อ prospectiveowners )กับชื่อ
ไม่กี่.
4 ความสัมพันธ์ของระบบทำงานด้วยระบบ Fuzzy Logic และผู้เชี่ยวชาญระบบ
ซึ่งจะช่วยให้ระบบทำงานด้วยระบบ Fuzzy Logic ผู้เชี่ยวชาญมีผู้เชี่ยวชาญที่จะใช้กฎและฟังก์ชันการทำงานการเป็นสมาชิก offuzzy คอลเลคชันที่แทนเชิงตรรกะของ Boolean เหตุผลเกี่ยวกับข้อมูลกฎที่ผู้เชี่ยวชาญระบบ Fuzzy Logic ที่ได้รับโดยปกติแล้วในรูปแบบที่คล้ายกับ X ต่อไปนี้หากอยู่ในระดับต่ำและ Y อยู่ในระดับสูงและ Z =ขนาดกลางที่ X และ Y เป็นตัวแปรอินพุต(ชื่อสำหรับค่าข้อมูลที่มีชื่อเสียง) Z เป็น anoutput แบบแปรผัน(ชื่อที่ใช้สำหรับค่าของข้อมูลที่จะคำนวณ)ต่ำ amembership ฟังก์ชัน(เป็นส่วนย่อยทำงานด้วยระบบ Fuzzy logic )ที่กำหนดไว้ในระดับสูงคือ membershipfunction ที่กำหนดไว้ใน Yมีขนาดกลางและมีฟังก์ชันการเป็นสมาชิกที่กำหนดไว้ใน Z .นำ(สถานที่ปฏิบัติงานของกฎข้อที่)จะอธิบายถึงสิ่งที่ระดับ ruleapplies ในขณะที่บทสรุปที่(ความมีหน้ามีตาของกฎข้อที่)จะมอบหมายให้ทำงาน amembership หนึ่งหรือมากกว่าเป็นตัวแปรแต่ละเอาต์พุต เครื่องมือสำหรับการทำงานด้วยระบบ Fuzzy logic ช่วยให้ผู้เชี่ยวชาญมากกว่าหนึ่ง perrule บทสรุปตั้งค่ากฎระเบียบของผู้เชี่ยวชาญในระบบ Fuzzy Logic ที่เป็นที่รู้จักกันในชื่อฐานกฎข้อที่หรือฐานความรู้.
กระบวนการลงความเห็นได้ทั่วไปที่นำเงินในสาม(หรือสี่)ตามขั้นตอน
การแปล กรุณารอสักครู่..