Нечеткая логика

Что такое нечеткая логика?

Нечеткая логика — это подход к обработке переменных, который позволяет обрабатывать несколько возможных значений истинности через одну и ту же переменную. Нечеткая логика пытается решить проблемы с открытым, неточным спектром данных и эвристики , что позволяет получить множество точных выводов.

Нечеткая логика предназначена для решения проблем путем рассмотрения всей доступной информации и принятия наилучшего возможного решения с учетом входных данных.

Понимание нечеткой логики

Нечеткая логика проистекает из математического изучения многозначной логики. В то время как обычная логика имеет дело с утверждениями об абсолютной истине (например, «Этот объект зеленый?»), нечеткая логика обращается к множествам с субъективными или относительными определениями, такими как «высокий», «большой» или «красивый». Это попытка имитировать то, как люди анализируют проблемы и принимают решения, опираясь на расплывчатые или неточные значения, а не на абсолютную правду или ложь.

На практике все эти конструкции допускают частичные значения «истинного» условия. Вместо того, чтобы требовать, чтобы все утверждения были абсолютно истинными или абсолютно ложными, как в классической логике, значениями истинности в нечеткой логике могут быть любые значения между нулем и единицей. Это дает алгоритмам возможность принимать решения на основе диапазонов данных, а не одной дискретной точки данных.

В стандартной логике каждое утверждение должно иметь абсолютное значение: истинное или ложное. В нечеткой логике значения истинности заменяются степенями «принадлежности» от 0 до 1, где 1 абсолютно верно, а 0 абсолютно ложно.

История нечеткой логики

Нечеткая логика была впервые предложена Лотфи Заде в статье 1965 года для журнала «Информация и управление». В своей статье под названием «Нечеткие множества» Заде попытался отразить тип данных, используемых при обработке информации, и вывел элементарную правила для такого набора.

«Чаще всего классы объектов, встречающихся в реальном физическом мире, не имеют точно определенных критериев принадлежности», — пояснил Заде. «Тем не менее факт остается фактом: такие неточно определенные «классы» играют важную роль в человеческом мышлении, особенно в областях распознавания образов, передачи информации и абстракции».

С тех пор нечеткая логика успешно применяется в системах управления машинами, обработке изображений, искусственном интеллекте и других областях, которые полагаются на сигналы с неоднозначной интерпретацией.

Особые соображения

Нечеткая логика в ее самом базовом смысле разрабатывается посредством анализа типа дерева решений. Таким образом, в более широком масштабе он формирует основу для систем искусственного интеллекта, программируемых посредством выводов на основе правил.

Как правило, термин «нечеткий» относится к огромному количеству сценариев, которые могут быть разработаны в древовидной системе решений. Разработка протоколов нечеткой логики может потребовать интеграции программирования на основе правил. Эти правила программирования можно назвать нечеткими множествами, поскольку они разрабатываются по усмотрению комплексных моделей.

Нечеткие множества также могут быть более сложными. В более сложных аналогиях с программированием у программистов может быть возможность расширить правила, используемые для определения включения и исключения переменных. Это может привести к более широкому диапазону вариантов с менее точными рассуждениями, основанными на правилах.

Нечеткая логика может использоваться в торговом программном обеспечении, где она используется для анализа рыночных данных для сигналов покупки и продажи.

Нечеткая семантика в искусственном интеллекте

Концепция нечеткой логики и нечеткой семантики является центральным компонентом программирования решений искусственного интеллекта. Решения и инструменты искусственного интеллекта продолжают расширяться в экономике в ряде секторов, поскольку возможности программирования на основе нечеткой логики также расширяются.

IBM Watson — одна из самых известных систем искусственного интеллекта, использующая варианты нечеткой логики и нечеткой семантики. В частности, в сфере финансовых услуг нечеткая логика используется в машинном обучении и технологических системах, поддерживающих результаты инвестиционной аналитики.

В некоторых продвинутых торговых моделях интеграция математики с нечеткой логикой также может использоваться, чтобы помочь аналитикам создавать автоматические сигналы покупки и продажи. Эти системы помогают инвесторам реагировать на широкий спектр меняющихся рыночных переменных, влияющих на их инвестиции.

Примеры нечеткой логики

В продвинутых программных моделях торговли системы могут использовать программируемые нечеткие множества для анализа тысяч ценных бумаг в режиме реального времени и предоставления инвестору наилучших доступных возможностей. Нечеткая логика часто используется, когда трейдер стремится использовать для рассмотрения несколько факторов. Это может привести к суженному анализу торговых решений. Трейдеры также могут иметь возможность запрограммировать различные правила для проведения сделок. Два примера включают следующее:

• Правило 1: если скользящая средняя низкая и индекс относительной силы (RSI) низкий, продавайте.

• Правило 2: Если скользящая средняя высокая и индекс относительной силы (RSI) высокий, покупайте.

Нечеткая логика позволяет трейдеру программировать свои собственные субъективные выводы о минимуме и максимуме в этих базовых примерах, чтобы получить свои собственные автоматические торговые сигналы.

Преимущества и недостатки нечеткой логики

Нечеткая логика часто используется в контроллерах машин и искусственном интеллекте, а также может применяться в торговом программном обеспечении. Хотя он имеет широкий спектр применения, он также имеет существенные ограничения.

Поскольку нечеткая логика имитирует процесс принятия решений человеком, она наиболее полезна для моделирования сложных проблем с неоднозначными или искаженными входными данными. Из-за сходства с естественным языком алгоритмы нечеткой логики легче кодировать, чем стандартное логическое программирование, и они требуют меньшего количества инструкций, тем самым экономя требования к памяти.

Эти преимущества также имеют недостатки из-за неточной природы нечеткой логики. Поскольку системы предназначены для неточных данных и входных данных, они должны быть протестированы и проверены, чтобы предотвратить неточные результаты.

ТТТ

Нижняя линия

Нечеткая логика — это расширение классической логики, которое включает неопределенности, влияющие на принятие решений человеком. Он часто используется для решения сложных задач, где параметры могут быть неясными или неточными. Нечеткая логика также используется в инвестиционном программном обеспечении, где ее можно использовать для интерпретации неоднозначных или неясных торговых сигналов.

Особенности

• Из-за сходства с обычным языком нечеткие алгоритмы сравнительно просты в программировании, но могут потребовать тщательной проверки и тестирования.

• Теоретически это дает подходу больше возможностей для имитации реальных обстоятельств, где заявления об абсолютной истине или ложности встречаются редко.

• Нечеткая логика является обобщением стандартной логики, в которой все утверждения имеют значение истинности, равное единице или нулю. В нечеткой логике утверждения могут иметь значение частичной правды, например 0,9 или 0,5.

• Нечеткая логика — это эвристический подход, который обеспечивает более совершенную обработку дерева решений и лучшую интеграцию с программированием на основе правил.

• Нечеткая логика может использоваться количественными аналитиками для улучшения выполнения их алгоритмов.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Является ли нечеткая логика тем же самым, что и машинное обучение?

Нечеткую логику часто объединяют с машинным обучением, но это не одно и то же. Машинное обучение относится к вычислительным системам, которые имитируют человеческое познание, итеративно адаптируя алгоритмы для решения сложных задач. Нечеткая логика — это набор правил и функций, которые могут работать с неточными наборами данных, но алгоритмы все равно должны быть закодированы людьми. Обе области имеют приложения в области искусственного интеллекта и комплексного решения проблем.

Что такое нечеткая логика в интеллектуальном анализе данных?

Интеллектуальный анализ данных — это процесс выявления существенных взаимосвязей в больших наборах данных, область, которая пересекается со статистикой, машинным обучением и информатикой. Нечеткая логика — это набор правил, которые можно использовать для получения логических выводов из нечетких наборов данных. Поскольку интеллектуальный анализ данных часто применяется для неточных измерений, нечеткая логика является полезным способом определения соответствующих взаимосвязей из такого рода данных.

В чем разница между нечеткой логикой и нейронными сетями?

Искусственная нейронная сеть — это вычислительная система, предназначенная для имитации процедур решения задач нервной системы, подобной человеку. Это отличается от нечеткой логики, набора правил, разработанных для того, чтобы делать выводы из неточных данных. У обоих есть приложения в информатике, но это разные области.