Sløret logik

Hvad er Fuzzy Logic?

Fuzzy logic er en tilgang til variabel behandling, der gør det muligt at behandle flere mulige sandhedsværdier gennem den samme variabel. Fuzzy logic forsøger at løse problemer med et åbent, upræcist spektrum af data og heuristik , der gør det muligt at opnå en række præcise konklusioner.

Fuzzy logic er designet til at løse problemer ved at overveje al tilgængelig information og træffe den bedst mulige beslutning givet input.

Forstå Fuzzy Logic

Fuzzy logic stammer fra den matematiske undersøgelse af flerværdilogik. Mens almindelig logik beskæftiger sig med udsagn om absolut sandhed (såsom "Er dette objekt grønt?"), fuzzy logic-adressesæt med subjektive eller relative definitioner, såsom "høj", "stor" eller "smuk". Dette forsøger at efterligne den måde, mennesker analyserer problemer og træffer beslutninger på, på en måde, der er afhængig af vage eller upræcise værdier snarere end absolut sandhed eller løgn.

I praksis tillader disse konstruktioner alle delværdier af den "sande" tilstand. I stedet for at kræve, at alle udsagn er absolut sande eller absolut falske, som i klassisk logik, kan sandhedsværdierne i fuzzy logik være en hvilken som helst værdi mellem nul og én. Dette skaber en mulighed for algoritmer til at træffe beslutninger baseret på dataintervaller i modsætning til ét diskret datapunkt.

I standardlogik skal hvert udsagn have en absolut værdi: sand eller falsk. I fuzzy logik erstattes sandhedsværdier med grader af "medlemskab" fra 0 til 1, hvor 1 er absolut sandt og 0 er absolut falsk.

Historien om Fuzzy Logic

Fuzzy logic blev først foreslået af Lotfi Zadeh i et papir fra 1965 for tidsskriftet Information and Control. I sit papir med titlen "Fuzzy Sets" forsøgte Zadeh at afspejle den slags data, der blev brugt i informationsbehandling og udledte den elementære logik regler for denne type sæt.

"Ofte oftere end ikke har de klasser af objekter, man støder på i den virkelige fysiske verden, ikke præcist definerede kriterier for medlemskab," forklarede Zadeh. "Alligevel er det et faktum, at sådanne upræcist definerede 'klasser' spiller en vigtig rolle i menneskelig tænkning, især inden for områderne mønstergenkendelse, kommunikation af information og abstraktion."

Siden da er fuzzy logic blevet anvendt med succes i maskinstyringssystemer, billedbehandling, kunstig intelligens og andre områder, der er afhængige af signaler med tvetydig fortolkning.

Særlige overvejelser

Fuzzy logik i sin mest basale forstand er udviklet gennem beslutningstrætypeanalyse. På en bredere skala danner den således grundlaget for kunstige intelligenssystemer programmeret gennem regelbaserede slutninger.

Generelt refererer udtrykket fuzzy til det store antal scenarier, der kan udvikles i et beslutningstræ-lignende system. Udvikling af fuzzy logic-protokoller kan kræve integration af regelbaseret programmering. Disse programmeringsregler kan omtales som fuzzy sæt, da de er udviklet efter omfattende modellers skøn.

Fuzzy sæt kan også være mere komplekse. I mere komplekse programmeringsanalogier kan programmører have mulighed for at udvide de regler, der bruges til at bestemme inklusion og udelukkelse af variable. Dette kan resultere i en bredere vifte af muligheder med mindre præcise regelbaserede ræsonnementer.

Fuzzy logic kan bruges i handelssoftware, hvor den bruges til at analysere markedsdata for købs- og salgssignaler.

Fuzzy Semantics in Artificial Intelligence

Konceptet fuzzy logic og fuzzy semantik er en central komponent i programmeringen af kunstig intelligens-løsninger. Kunstig intelligens-løsninger og værktøjer fortsætter med at ekspandere i økonomien på tværs af en række sektorer, efterhånden som programmeringsmulighederne fra fuzzy logic også udvides.

IBMs Watson er et af de mest kendte kunstig intelligenssystemer, der bruger variationer af fuzzy logik og fuzzy semantik. Specifikt inden for finansielle tjenester bruges fuzzy logic i maskinlæring og teknologisystemer, der understøtter output af investeringsintelligens.

I nogle avancerede handelsmodeller kan integrationen af fuzzy logic-matematik også bruges til at hjælpe analytikere med at skabe automatiserede købs- og salgssignaler. Disse systemer hjælper investorer med at reagere på en bred vifte af skiftende markedsvariabler, der påvirker deres investeringer.

Eksempler på Fuzzy Logic

I avancerede softwarehandelsmodeller kan systemer bruge programmerbare fuzzy-sæt til at analysere tusindvis af værdipapirer i realtid og give investoren den bedst tilgængelige mulighed. Fuzzy logik bruges ofte, når en erhvervsdrivende søger at gøre brug af flere faktorer til overvejelse. Dette kan resultere i en indsnævret analyse for handelsbeslutninger. Handlende kan også have mulighed for at programmere en række regler for at gennemføre handler. To eksempler omfatter følgende:

Regel 1: Hvis det glidende gennemsnit er lavt, og Relative Strength Index (RSI) er lavt, så sælg.
Regel 2: Hvis det glidende gennemsnit er højt og Relative Strength Index (RSI) er højt, så køb.

Fuzzy logic giver en erhvervsdrivende mulighed for at programmere deres egne subjektive slutninger på lav og høj i disse grundlæggende eksempler for at nå frem til deres egne automatiserede handelssignaler.

Fordele og ulemper ved Fuzzy Logic

Fuzzy logic bruges ofte i maskincontrollere og kunstig intelligens og kan også anvendes til handelssoftware. Selvom det har en bred vifte af applikationer, har det også væsentlige begrænsninger.

Fordi fuzzy logic efterligner menneskelig beslutningstagning, er den mest nyttig til modellering af komplekse problemer med tvetydige eller forvrængede input. På grund af lighederne med naturligt sprog er fuzzy logic-algoritmer nemmere at kode end standard logisk programmering og kræver færre instruktioner, hvorved der spares på hukommelseslagringskravene.

Disse fordele kommer også med ulemper på grund af den upræcise karakter af fuzzy logik. Da systemerne er designet til unøjagtige data og input, skal de testes og valideres for at forhindre unøjagtige resultater.

TTT

Bundlinjen

Fuzzy logic er en forlængelse af klassisk logik, der inkorporerer de usikkerheder, der er en faktor i menneskelig beslutningstagning. Det bruges ofte til at løse komplekse problemer, hvor parametrene kan være uklare eller upræcise. Fuzzy logic bruges også i investeringssoftware, hvor den kan bruges til at fortolke tvetydige eller uklare handelssignaler.

Højdepunkter

På grund af lighederne med almindeligt sprog er fuzzy algoritmer forholdsvis enkle at kode, men de kan kræve grundig verifikation og test.
Teoretisk set giver dette tilgangen større mulighed for at efterligne virkelige omstændigheder, hvor udsagn om absolut sandhed eller løgn er sjældne.
Fuzzy logic er en generalisering fra standardlogik, hvor alle udsagn har en sandhedsværdi på én eller nul. I fuzzy logik kan udsagn have en værdi af delvis sandhed, såsom 0,9 eller 0,5.
Fuzzy logic er en heuristisk tilgang, der giver mulighed for mere avanceret beslutningstræbehandling og bedre integration med regelbaseret programmering.
Fuzzy logic kan bruges af kvantitative analytikere til at forbedre udførelsen af deres algoritmer.

Ofte stillede spørgsmål

Er Fuzzy Logic det samme som Machine Learning?

Fuzzy logik er ofte grupperet sammen med maskinlæring, men de er ikke det samme. Maskinlæring refererer til beregningssystemer, der efterligner menneskelig kognition ved iterativt at tilpasse algoritmer til at løse komplekse problemer. Fuzzy logic er et sæt regler og funktioner, der kan fungere på upræcise datasæt, men algoritmerne skal stadig kodes af mennesker. Begge områder har anvendelser inden for kunstig intelligens og kompleks problemløsning.

Hvad er Fuzzy Logic i Data Mining?

Data mining er processen med at identificere væsentlige relationer i store datasæt, et felt, der overlapper med statistik, maskinlæring og datalogi. Fuzzy logic er et sæt regler, der kan bruges til at nå logiske konklusioner fra fuzzy datasæt. Da data mining ofte anvendes til upræcise målinger, er fuzzy logic en nyttig måde at bestemme relevante relationer ud fra denne type data.

Hvad er forskellen mellem fuzzy logik og neurale netværk?

Et kunstigt neuralt netværk er et beregningssystem designet til at efterligne problemløsningsprocedurerne i et menneskelignende nervesystem. Dette er forskelligt fra fuzzy logic, et sæt regler designet til at nå konklusioner ud fra upræcise data. Begge har applikationer inden for datalogi, men de er adskilte områder.