Logik Kabur

Apakah Logik Kabur?

Logik kabur ialah pendekatan kepada pemprosesan pembolehubah yang membolehkan pelbagai nilai kebenaran yang mungkin diproses melalui pembolehubah yang sama. Logik kabur cuba menyelesaikan masalah dengan spektrum data dan heuristik yang terbuka dan tidak tepat yang memungkinkan untuk mendapatkan pelbagai kesimpulan yang tepat.

Logik kabur direka bentuk untuk menyelesaikan masalah dengan mempertimbangkan semua maklumat yang ada dan membuat keputusan sebaik mungkin diberikan input.

Memahami Logik Kabur

Logik kabur berpunca daripada kajian matematik logik berbilang nilai. Manakala logik biasa memperkatakan pernyataan kebenaran mutlak (seperti, "Adakah objek ini hijau?"), set alamat logik kabur dengan takrifan subjektif atau relatif, seperti "tinggi," "besar" atau "cantik." Percubaan ini untuk meniru cara manusia menganalisis masalah dan membuat keputusan, dengan cara yang bergantung pada nilai yang tidak jelas atau tidak tepat dan bukannya kebenaran mutlak atau kepalsuan.

Dalam amalan, semua binaan ini membenarkan nilai separa keadaan "benar". Daripada menghendaki semua pernyataan benar atau salah mutlak, seperti dalam logik klasik, nilai kebenaran dalam logik kabur boleh menjadi sebarang nilai antara sifar dan satu. Ini mewujudkan peluang untuk algoritma membuat keputusan berdasarkan julat data berbanding satu titik data diskret.

Dalam logik standard, setiap pernyataan mesti mempunyai nilai mutlak: benar atau salah. Dalam logik kabur, nilai kebenaran digantikan dengan darjah "keahlian" dari 0 hingga 1, di mana 1 adalah benar sepenuhnya dan 0 adalah benar-benar palsu.

Sejarah Logik Kabur

Logik kabur pertama kali dicadangkan oleh Lotfi Zadeh dalam makalah 1965 untuk jurnal Maklumat dan Kawalan. Dalam kertas kerjanya, bertajuk "Set Kabur," Zadeh cuba untuk menggambarkan jenis data yang digunakan dalam pemprosesan maklumat dan memperoleh unsur logik peraturan untuk set jenis ini.

"Lazimnya, kelas objek yang ditemui dalam dunia fizikal sebenar tidak mempunyai kriteria keahlian yang ditakrifkan dengan tepat," jelas Zadeh. "Namun, hakikatnya tetap bahawa 'kelas' yang ditakrifkan dengan tidak tepat itu memainkan peranan penting dalam pemikiran manusia, terutamanya dalam domain pengecaman corak, komunikasi maklumat, dan abstraksi."

Sejak itu, logik kabur telah berjaya digunakan dalam sistem kawalan mesin, pemprosesan imej, kecerdasan buatan dan bidang lain yang bergantung pada isyarat dengan tafsiran yang tidak jelas.

Pertimbangan Khas

Logik kabur dalam pengertian paling asasnya dibangunkan melalui analisis jenis pokok keputusan. Oleh itu, pada skala yang lebih luas, ia membentuk asas untuk sistem kecerdasan buatan yang diprogramkan melalui inferens berasaskan peraturan.

Secara amnya, istilah fuzzy merujuk kepada sejumlah besar senario yang boleh dibangunkan dalam sistem seperti pepohon keputusan. Membangunkan protokol logik kabur boleh memerlukan penyepaduan pengaturcaraan berasaskan peraturan. Peraturan pengaturcaraan ini boleh dirujuk sebagai set kabur kerana ia dibangunkan mengikut budi bicara model komprehensif.

Set kabur juga mungkin lebih kompleks. Dalam analogi pengaturcaraan yang lebih kompleks, pengaturcara mungkin mempunyai keupayaan untuk meluaskan peraturan yang digunakan untuk menentukan kemasukan dan pengecualian pembolehubah. Ini boleh menghasilkan pilihan yang lebih luas dengan penaakulan berasaskan peraturan yang kurang tepat.

Logik kabur boleh digunakan dalam perisian dagangan, di mana ia digunakan untuk menganalisis data pasaran untuk isyarat beli dan jual.

Semantik Kabur dalam Kepintaran Buatan

Konsep logik kabur dan semantik kabur adalah komponen utama kepada pengaturcaraan penyelesaian kecerdasan buatan. Penyelesaian dan alatan kecerdasan buatan terus berkembang dalam ekonomi merentas pelbagai sektor kerana keupayaan pengaturcaraan daripada logik kabur juga berkembang.

Watson IBM ialah salah satu sistem kecerdasan buatan yang paling terkenal menggunakan variasi logik kabur dan semantik kabur. Khususnya dalam perkhidmatan kewangan, logik kabur digunakan dalam pembelajaran mesin dan sistem teknologi yang menyokong output risikan pelaburan.

Dalam beberapa model dagangan lanjutan, penyepaduan matematik logik kabur juga boleh digunakan untuk membantu penganalisis mencipta isyarat beli dan jual automatik. Sistem ini membantu pelabur bertindak balas terhadap pelbagai pembolehubah pasaran yang berubah-ubah yang mempengaruhi pelaburan mereka.

Contoh Logik Kabur

Dalam model dagangan perisian lanjutan, sistem boleh menggunakan set kabur boleh atur cara untuk menganalisis beribu-ribu sekuriti dalam masa nyata dan memberikan pelabur peluang terbaik yang tersedia. Logik kabur sering digunakan apabila seorang peniaga berusaha untuk menggunakan pelbagai faktor untuk dipertimbangkan. Ini boleh mengakibatkan analisis yang sempit untuk keputusan perdagangan. Pedagang juga mungkin mempunyai keupayaan untuk memprogramkan pelbagai peraturan untuk menggubal perdagangan. Dua contoh termasuk yang berikut:

Peraturan 1: Jika purata pergerakan rendah dan Indeks Kekuatan Relatif (RSI) rendah, maka jual.
Peraturan 2: Jika purata pergerakan adalah tinggi dan Indeks Kekuatan Relatif (RSI) adalah tinggi, maka beli.

Logik kabur membolehkan peniaga memprogramkan inferens subjektif mereka sendiri pada rendah dan tinggi dalam contoh asas ini untuk mencapai isyarat dagangan automatik mereka sendiri.

Kelebihan dan Kelemahan Logik Kabur

Logik kabur sering digunakan dalam pengawal mesin dan kecerdasan buatan dan juga boleh digunakan untuk perisian dagangan. Walaupun ia mempunyai pelbagai aplikasi, ia juga mempunyai had yang besar.

Oleh kerana logik kabur meniru pembuatan keputusan manusia, ia paling berguna untuk memodelkan masalah kompleks dengan input yang samar-samar atau terherot. Disebabkan persamaan dengan bahasa semula jadi, algoritma logik kabur lebih mudah untuk dikodkan daripada pengaturcaraan logik standard, dan memerlukan arahan yang lebih sedikit, dengan itu menjimatkan keperluan storan memori.

Kelebihan ini juga datang dengan kelemahan, kerana sifat logik kabur yang tidak tepat. Memandangkan sistem direka untuk data dan input yang tidak tepat, ia mesti diuji dan disahkan untuk mengelakkan keputusan yang tidak tepat.

TTT

Garisan bawah

Logik kabur ialah lanjutan daripada logik klasik yang menggabungkan ketidakpastian yang menjadi faktor dalam pembuatan keputusan manusia. Ia sering digunakan untuk menyelesaikan masalah yang kompleks, di mana parameter mungkin tidak jelas atau tidak tepat. Logik kabur juga digunakan dalam perisian pelaburan, di mana ia boleh digunakan untuk mentafsir isyarat dagangan yang samar-samar atau tidak jelas.

##Sorotan

Oleh kerana persamaan dengan bahasa biasa, algoritma kabur agak mudah untuk dikodkan, tetapi ia mungkin memerlukan pengesahan dan ujian menyeluruh.
Secara teorinya, ini memberikan pendekatan lebih banyak peluang untuk meniru keadaan kehidupan sebenar, di mana pernyataan kebenaran mutlak atau kepalsuan jarang berlaku.
Logik kabur ialah generalisasi daripada logik piawai, di mana semua pernyataan mempunyai nilai kebenaran satu atau sifar. Dalam logik kabur, pernyataan boleh mempunyai nilai kebenaran separa, seperti 0.9 atau 0.5.
Logik kabur ialah pendekatan heuristik yang membolehkan pemprosesan pokok keputusan yang lebih maju dan penyepaduan yang lebih baik dengan pengaturcaraan berasaskan peraturan.
Logik kabur boleh digunakan oleh penganalisis kuantitatif untuk menambah baik pelaksanaan algoritma mereka.

##Soalan Lazim

Adakah Logik Fuzzy Sama dengan Pembelajaran Mesin?

Logik kabur sering dikumpulkan bersama dengan pembelajaran mesin, tetapi ia bukan perkara yang sama. Pembelajaran mesin merujuk kepada sistem pengiraan yang meniru kognisi manusia, dengan menyesuaikan algoritma secara berulang untuk menyelesaikan masalah yang kompleks. Logik kabur ialah satu set peraturan dan fungsi yang boleh beroperasi pada set data yang tidak tepat, tetapi algoritma masih perlu dikodkan oleh manusia. Kedua-dua bidang mempunyai aplikasi dalam kecerdasan buatan dan penyelesaian masalah yang kompleks.

Apakah Logik Kabur dalam Perlombongan Data?

Perlombongan data ialah proses mengenal pasti hubungan penting dalam set data yang besar, bidang yang bertindih dengan statistik, pembelajaran mesin dan sains komputer. Logik kabur ialah satu set peraturan yang boleh digunakan untuk mencapai kesimpulan logik daripada set data kabur. Memandangkan perlombongan data sering digunakan untuk pengukuran yang tidak tepat, logik kabur ialah cara yang berguna untuk menentukan perhubungan yang berkaitan daripada jenis data ini.

Apakah Perbezaan Antara Logik Fuzzy dan Rangkaian Neural?

saraf tiruan ialah sistem pengiraan yang direka untuk meniru prosedur penyelesaian masalah sistem saraf seperti manusia. Ini berbeza daripada logik kabur, satu set peraturan yang direka untuk mencapai kesimpulan daripada data yang tidak tepat. Kedua-duanya mempunyai aplikasi dalam sains komputer, tetapi ia adalah bidang yang berbeza.