Logika rozmyta a sieć neuronowa
Logika rozmyta należy do rodziny logiki wielowartościowej. Koncentruje się na stałym i przybliżonym rozumowaniu w przeciwieństwie do stałego i dokładnego rozumowania. 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 sieć SSN dostosowuje swoją strukturę na podstawie otrzymywanych informacji.
Co to jest logika rozmyta?
Logika rozmyta należy do rodziny logiki wielowartościowej. Koncentruje się na stałym i przybliżonym rozumowaniu w przeciwieństwie do stałego i dokładnego rozumowania. 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 prawdziwości jest zakresem, może obsługiwać prawdziwość częściową. Początek logiki rozmytej nastąpił w 1956 roku, wraz z wprowadzeniem teorii zbiorów rozmytych przez Lotfiego Zadeha. Logika rozmyta zapewnia metodę podejmowania określonych decyzji na podstawie nieprecyzyjnych i niejednoznacznych danych wejściowych. Logika rozmyta jest szeroko stosowana w zastosowaniach w systemach sterowania, ponieważ bardzo przypomina sposób podejmowania decyzji przez człowieka, ale w szybszy sposób. Logika rozmyta może być zintegrowana z systemami sterowania opartymi na małych urządzeniach przenośnych do dużych stacji roboczych PC.
Co to są sieci neuronowe?
ANN to model obliczeniowy opracowany w oparciu o biologiczne sieci neuronowe. SSN składa się ze sztucznych neuronów, które łączą się ze sobą. Zazwyczaj SSN dostosowuje swoją strukturę na podstawie przychodzących do niej informacji. Podczas opracowywania SSN należy przestrzegać zestawu systematycznych kroków zwanych zasadami uczenia się. Co więcej, proces uczenia wymaga danych uczenia się, aby odkryć najlepszy punkt pracy SSN. SSN można wykorzystać do nauki funkcji aproksymacji niektórych obserwowanych danych. Jednak stosując SSN, należy wziąć pod uwagę kilka czynników. Model musi być starannie dobrany w zależności od danych. Korzystanie z niepotrzebnie skomplikowanych modeli utrudniłoby proces uczenia się. Wybór prawidłowego algorytmu uczenia się jest również ważny, ponieważ niektóre algorytmy uczenia się działają lepiej z pewnymi typami danych.
Jaka jest różnica między logiką rozmytą a sieciami neuronowymi?
Logika rozmyta pozwala podejmować określone decyzje na podstawie nieprecyzyjnych lub niejednoznacznych danych, podczas gdy ANN stara się włączyć ludzki proces myślenia do rozwiązywania problemów bez ich matematycznego modelowania. Mimo że obie te metody mogą być użyte do rozwiązywania problemów nieliniowych oraz problemów, które nie są odpowiednio określone, nie są one ze sobą powiązane. W przeciwieństwie do logiki rozmytej, ANN próbuje zastosować proces myślenia w ludzkim mózgu do rozwiązywania problemów. Ponadto SSN obejmuje proces uczenia się, który obejmuje uczenie się algorytmów i wymaga danych uczących. Istnieją jednak hybrydowe inteligentne systemy opracowane przy użyciu tych dwóch metod, zwanych Fuzzy Neural Network (FNN) lub Neuro-Fuzzy System (NFS).
