퍼지 논리

퍼지 로직이란?

퍼지 논리는 동일한 변수를 통해 여러 가능한 진리 값을 처리할 수 있도록 하는 변수 처리에 대한 접근 방식입니다. 퍼지 논리는 일련의 정확한 결론 을 얻을 수 있도록 하는 개방적이고 부정확한 데이터 스펙트럼과 발견적 방법 으로 문제를 해결하려고 시도합니다.

퍼지 논리는 사용 가능한 모든 정보를 고려하고 입력이 주어지면 가능한 최선의 결정을 내림으로써 문제를 해결하도록 설계되었습니다.

퍼지 논리 이해하기

퍼지 논리는 다중값 논리의 수학적 연구에서 비롯됩니다. 일반 논리는 "이 물체가 녹색입니까?"와 같은 절대적 진실의 진술을 다루는 반면, 퍼지 논리는 "키가 크다", "크다" 또는 "아름답다"와 같은 주관적이거나 상대적인 정의를 가진 집합을 다룹니다. 인간이 문제를 분석하고 결정을 내리는 방식을 모방하려는 이러한 시도는 절대적인 진실이나 거짓이 아닌 모호하거나 부정확한 가치에 의존하는 방식입니다.

실제로 이러한 구성은 모두 "true" 조건의 부분 값을 허용합니다. 고전 논리에서처럼 모든 진술이 절대적으로 참 또는 절대 거짓이 되도록 요구하는 대신 퍼지 논리의 진리 값은 0과 1 사이의 값이 될 수 있습니다. 이것은 알고리즘이 하나의 개별 데이터 포인트가 아닌 데이터 범위를 기반으로 결정을 내릴 수 있는 기회를 만듭니다.

표준 논리에서 모든 명령문에는 true 또는 false와 같은 절대값이 있어야 합니다. 퍼지 논리에서 진실 값은 0에서 1까지의 "멤버십" 등급으로 대체되며, 여기서 1은 절대적으로 참이고 0은 절대 거짓입니다.

퍼지 로직의 역사

퍼지 논리는 Lotfi Zadeh가 1965년 Information and Control 저널의 논문에서 처음 제안했습니다. Zadeh는 "Fuzzy Sets"라는 제목의 논문에서 정보 처리에 사용되는 데이터의 종류를 반영하려고 시도하고 기본 논리를 도출했습니다. 이러한 종류의 집합에 대한 규칙입니다.

Zadeh는 "실제 물리적 세계에서 접하는 개체의 클래스에는 구성원 자격 기준이 정확하게 정의되어 있지 않은 경우가 많습니다."라고 설명했습니다. "그러나 그렇게 부정확하게 정의된 '클래스'가 인간의 사고, 특히 패턴 인식, 정보 전달 및 추상화 영역에서 중요한 역할을 한다는 사실은 여전히 남아 있습니다."

이후 퍼지 논리는 기계 제어 시스템, 이미지 처리, 인공 지능 및 기타 모호한 해석이 있는 신호에 의존하는 분야에 성공적으로 적용되었습니다.

특별 고려 사항

가장 기본적인 의미의 퍼지 논리는 의사 결정 트리 유형 분석을 통해 개발됩니다. 따라서 더 넓은 범위에서 규칙 기반 추론을 통해 프로그래밍된 인공 지능 시스템의 기반을 형성합니다.

일반적으로 퍼지라는 용어는 의사결정나무와 같은 시스템에서 개발할 수 있는 방대한 수의 시나리오를 나타냅니다. 퍼지 논리 프로토콜을 개발하려면 규칙 기반 프로그래밍의 통합이 필요할 수 있습니다. 이러한 프로그래밍 규칙은 포괄적인 모델의 재량에 따라 개발되었기 때문에 퍼지 집합이라고 할 수 있습니다.

퍼지 집합도 더 복잡할 수 있습니다. 더 복잡한 프로그래밍 비유에서 프로그래머는 변수의 포함 및 제외를 결정하는 데 사용되는 규칙을 넓힐 수 있습니다. 이것은 덜 정확한 규칙 기반 추론으로 더 넓은 범위의 옵션을 초래할 수 있습니다.

퍼지 로직은 거래 소프트웨어에서 사용될 수 있으며, 여기서 매수 및 매도 신호에 대한 시장 데이터를 분석하는 데 사용됩니다.

인공 지능의 퍼지 의미론

퍼지 논리 및 퍼지 의미론의 개념은 인공 지능 솔루션 프로그래밍의 핵심 구성 요소입니다. 퍼지 논리의 프로그래밍 기능이 확장됨에 따라 인공 지능 솔루션 및 도구는 경제에서 다양한 부문에 걸쳐 계속 확장되고 있습니다.

IBM의 Watson은 퍼지 논리와 퍼지 의미론의 변형을 사용하는 가장 잘 알려진 인공 지능 시스템 중 하나입니다. 특히 금융 서비스에서 퍼지 논리는 투자 인텔리전스의 출력을 지원하는 기계 학습 및 기술 시스템에 사용됩니다.

일부 고급 거래 모델에서는 퍼지 논리 수학의 통합을 사용하여 분석가가 자동화된 매수 및 매도 신호를 생성하는 데 도움을 줄 수도 있습니다. 이러한 시스템은 투자자가 투자에 영향을 미치는 광범위한 변화하는 시장 변수에 대응하는 데 도움이 됩니다.

퍼지 논리의 예

고급 소프트웨어 거래 모델에서 시스템은 프로그래밍 가능한 퍼지 세트를 사용하여 실시간으로 수천 개의 증권을 분석하고 투자자에게 최상의 기회를 제공할 수 있습니다. 퍼지 논리는 거래자 가 여러 요소를 고려하여 사용하려고 할 때 자주 사용됩니다 . 이로 인해 거래 결정에 대한 분석이 좁혀질 수 있습니다. 거래자는 거래를 제정하기 위한 다양한 규칙을 프로그래밍할 수도 있습니다. 두 가지 예에는 다음이 포함됩니다.

• 규칙 1: 이동 평균 이 낮고 상대 강도 지수(RSI)가 낮으면 매도하십시오.

• 규칙 2: 이동 평균이 높고 상대 강도 지수 (RSI)가 높으면 매수합니다.

퍼지 논리는 거래자가 자신의 자동화된 거래 신호에 도달하기 위해 이러한 기본 예에서 낮음 및 높음에 대한 자체 주관적 추론을 프로그래밍할 수 있도록 합니다.

퍼지 로직의 장점과 단점

퍼지 로직은 머신 컨트롤러 및 인공 지능에서 자주 사용되며 거래 소프트웨어에도 적용될 수 있습니다. 응용 범위가 넓지만 상당한 제한 사항도 있습니다.

퍼지 논리는 인간의 의사 결정을 모방하기 때문에 모호하거나 왜곡된 입력이 있는 복잡한 문제를 모델링하는 데 가장 유용합니다. 자연어와의 유사성으로 인해 퍼지 논리 알고리즘은 표준 논리 프로그래밍보다 코딩하기 쉽고 더 적은 명령이 필요하므로 메모리 저장 요구 사항이 절약됩니다.

이러한 장점에는 퍼지 논리의 부정확한 특성으로 인해 단점도 있습니다. 시스템은 부정확한 데이터와 입력을 위해 설계되었기 때문에 부정확한 결과를 방지하기 위해 테스트와 검증을 거쳐야 합니다.

TTT

결론

퍼지 논리는 인간의 의사 결정에 영향을 미치는 불확실성을 통합하는 고전 논리의 확장입니다. 매개변수가 불분명하거나 부정확할 수 있는 복잡한 문제를 해결하는 데 자주 사용됩니다. 퍼지 논리는 모호하거나 불분명한 거래 신호를 해석하는 데 사용할 수 있는 투자 소프트웨어에서도 사용됩니다.

##하이라이트

• 퍼지 알고리즘은 일반 언어와의 유사성으로 인해 비교적 코딩이 간단하지만 철저한 검증과 테스트가 필요할 수 있습니다.

• 이론적으로 이것은 절대적인 진실이나 거짓에 대한 진술이 드문 실제 상황을 모방할 수 있는 더 많은 기회를 제공합니다.

• 퍼지 논리는 모든 문장의 진리값이 1 또는 0인 표준 논리의 일반화입니다. 퍼지 논리에서 명령문은 0.9 또는 0.5와 같은 부분 진리 값을 가질 수 있습니다.

• 퍼지 논리는 보다 발전된 의사결정 트리 처리 및 규칙 기반 프로그래밍과의 더 나은 통합을 허용하는 경험적 접근 방식입니다.

• 퍼지 논리는 양적 분석가가 알고리즘 실행을 개선하는 데 사용할 수 있습니다.

##자주하는 질문

퍼지 로직은 머신 러닝과 동일합니까?

퍼지 논리는 종종 기계 학습과 함께 그룹화되지만 동일한 것은 아닙니다. 기계 학습은 복잡한 문제를 해결하기 위해 알고리즘을 반복적으로 적용하여 인간의 인지를 모방하는 계산 시스템을 말합니다. 퍼지 논리는 부정확한 데이터 세트에서 작동할 수 있는 일련의 규칙 및 기능이지만 알고리즘은 여전히 사람이 코딩해야 합니다. 두 영역 모두 인공 지능과 복잡한 문제 해결에 응용할 수 있습니다.

데이터 마이닝에서 퍼지 논리란 무엇입니까?

데이터 마이닝 은 통계, 기계 학습 및 컴퓨터 과학과 겹치는 분야인 대규모 데이터 집합에서 중요한 관계를 식별하는 프로세스입니다. 퍼지 논리는 퍼지 데이터 집합에서 논리적 결론에 도달하는 데 사용할 수 있는 규칙 집합입니다. 데이터 마이닝은 종종 부정확한 측정에 적용되기 때문에 퍼지 논리는 이러한 종류의 데이터에서 관련 관계를 결정하는 유용한 방법입니다.

퍼지 논리와 신경망의 차이점은 무엇입니까?

인공 신경망 은 인간과 같은 신경계의 문제 해결 절차를 모방하도록 설계된 계산 시스템입니다. 이것은 부정확한 데이터에서 결론에 도달하도록 설계된 일련의 규칙인 퍼지 논리와 다릅니다. 둘 다 컴퓨터 과학에 응용 프로그램이 있지만 서로 다른 분야입니다.