Rolig logik

Vad är Fuzzy Logic?

Fuzzy logic är ett tillvägagångssätt för variabel bearbetning som gör att flera möjliga sanningsvärden kan bearbetas genom samma variabel. Fuzzy logic försöker lösa problem med ett öppet, oprecist spektrum av data och heuristik som gör det möjligt att få en rad korrekta slutsatser.

Fuzzy logic är designad för att lösa problem genom att beakta all tillgänglig information och fatta bästa möjliga beslut med tanke på input.

Förstå fuzzy logik

Fuzzy logic härrör från den matematiska studien av flervärdig logik. Medan vanlig logik handlar om uttalanden om absolut sanning (som "Är det här objektet grönt?"), suddiga logiska adresser med subjektiva eller relativa definitioner, såsom "lång", "stor" eller "vacker". Dessa försök att efterlikna hur människor analyserar problem och fattar beslut, på ett sätt som förlitar sig på vaga eller oprecisa värden snarare än absolut sanning eller lögn.

I praktiken tillåter alla dessa konstruktioner partiella värden för det "sanna" tillståndet. Istället för att kräva att alla påståenden är absolut sanna eller absolut falska, som i klassisk logik, kan sanningsvärdena i fuzzy logic vara vilket värde som helst mellan noll och ett. Detta skapar en möjlighet för algoritmer att fatta beslut baserat på dataintervall i motsats till en diskret datapunkt.

I standardlogik måste varje påstående ha ett absolut värde: sant eller falskt. I luddig logik ersätts sanningsvärden med grader av "medlemskap" från 0 till 1, där 1 är absolut sant och 0 är absolut falskt.

Fuzzy Logics historia

Fuzzy logic föreslogs först av Lotfi Zadeh i en artikel från 1965 för tidskriften Information and Control. I sin artikel, med titeln "Fuzzy Sets", försökte Zadeh återspegla den typ av data som används vid informationsbehandling och härledde den elementära logiken. regler för denna typ av uppsättning.

"Oftare än inte har de klasser av föremål som påträffas i den verkliga fysiska världen inte exakt definierade kriterier för medlemskap," förklarade Zadeh. "Ändå kvarstår faktum att sådana oprecist definierade "klasser" spelar en viktig roll i mänskligt tänkande, särskilt inom områdena mönsterigenkänning, kommunikation av information och abstraktion."

Sedan dess har fuzzy logic använts framgångsrikt i maskinkontrollsystem, bildbehandling, artificiell intelligens och andra områden som förlitar sig på signaler med tvetydig tolkning.

Särskilda överväganden

Fuzzy logik i sin mest grundläggande betydelse utvecklas genom analys av beslutsträdstyp. I en bredare skala utgör den således grunden för artificiell intelligens programmerade genom regelbaserade slutledningar.

I allmänhet hänvisar termen fuzzy till det stora antalet scenarier som kan utvecklas i ett beslutsträdliknande system. Att utveckla fuzzy logic-protokoll kan kräva integration av regelbaserad programmering. Dessa programmeringsregler kan hänvisas till som luddiga uppsättningar eftersom de utvecklas efter övergripande modellers gottfinnande.

Luddiga uppsättningar kan också vara mer komplexa. I mer komplexa programmeringsanalogier kan programmerare ha förmågan att vidga reglerna som används för att bestämma inkludering och exkludering av variabler. Detta kan resultera i ett bredare utbud av alternativ med mindre exakta regelbaserade resonemang.

Fuzzy logic kan användas i handelsmjukvara, där den används för att analysera marknadsdata för köp- och säljsignaler.

Fuzzy semantik i artificiell intelligens

Konceptet fuzzy logic och fuzzy semantik är en central komponent i programmeringen av artificiell intelligenslösningar. Artificiell intelligenslösningar och verktyg fortsätter att expandera i ekonomin inom en rad olika sektorer eftersom programmeringsmöjligheterna från fuzzy logic också expanderar.

IBMs Watson är ett av de mest välkända artificiella intelligenssystemen som använder variationer av fuzzy logik och fuzzy semantik. Specifikt inom finansiella tjänster används fuzzy logic i maskininlärning och tekniksystem som stöder utdata av investeringsintelligens.

I vissa avancerade handelsmodeller kan integrationen av fuzzy logic-matematik också användas för att hjälpa analytiker att skapa automatiserade köp- och säljsignaler. Dessa system hjälper investerare att reagera på ett brett spektrum av förändrade marknadsvariabler som påverkar deras investeringar.

Exempel på Fuzzy Logic

I avancerade mjukvaruhandelsmodeller kan system använda programmerbara fuzzy set för att analysera tusentals värdepapper i realtid och ge investeraren den bästa tillgängliga möjligheten. Fuzzy logic används ofta när en handlare försöker använda sig av flera faktorer för övervägande. Detta kan resultera i en snävare analys för handelsbeslut. Handlare kan också ha möjlighet att programmera en mängd olika regler för att genomföra affärer. Två exempel inkluderar följande:

• Regel 1: Om det glidande medelvärdet är lågt och Relative Strength Index (RSI) är lågt, sälj då.

• Regel 2: Om det glidande medelvärdet är högt och Relative Strength Index (RSI) är högt, köp då.

Fuzzy logic tillåter en handlare att programmera sina egna subjektiva slutsatser på låg och hög i dessa grundläggande exempel för att komma fram till sina egna automatiserade handelssignaler.

Fördelar och nackdelar med Fuzzy Logic

Fuzzy logic används ofta i maskinkontroller och artificiell intelligens och kan även appliceras på handelsmjukvara. Även om det har ett brett utbud av applikationer, har det också betydande begränsningar.

Eftersom fuzzy logic efterliknar mänskligt beslutsfattande är den mest användbar för att modellera komplexa problem med tvetydiga eller förvrängda indata. På grund av likheterna med naturligt språk är fuzzy logic-algoritmer lättare att koda än vanlig logisk programmering och kräver färre instruktioner, vilket sparar på minneslagringskraven.

Dessa fördelar har också nackdelar, på grund av den oprecisa karaktären hos suddig logik. Eftersom systemen är designade för felaktiga data och indata måste de testas och valideras för att förhindra felaktiga resultat.

TTT

Poängen

Fuzzy logic är en förlängning av klassisk logik som införlivar de osäkerheter som är en faktor i mänskligt beslutsfattande. Det används ofta för att lösa komplexa problem, där parametrarna kan vara oklara eller oprecisa. Fuzzy logic används också i investeringsprogramvara, där den kan användas för att tolka tvetydiga eller oklara handelssignaler.

##Höjdpunkter

– På grund av likheterna med vanligt språk är fuzzy algoritmer relativt enkla att koda, men de kan kräva noggrann verifiering och testning.

– Teoretiskt ger detta tillvägagångssättet större möjlighet att efterlikna verkliga omständigheter, där uttalanden om absolut sanning eller lögn är sällsynta.

– Fuzzy logic är en generalisering från standardlogik, där alla påståenden har ett sanningsvärde på ett eller noll. I fuzzy logic kan påståenden ha ett värde av partiell sanning, som 0,9 eller 0,5.

– Fuzzy logic är ett heuristiskt tillvägagångssätt som möjliggör mer avancerad bearbetning av beslutsträd och bättre integration med regelbaserad programmering.

• Fuzzy logic kan användas av kvantitativa analytiker för att förbättra exekveringen av sina algoritmer.

##FAQ

Är fuzzy logik detsamma som maskininlärning?

Fuzzy logik grupperas ofta tillsammans med maskininlärning, men de är inte samma sak. Maskininlärning hänvisar till beräkningssystem som efterliknar mänsklig kognition, genom att iterativt anpassa algoritmer för att lösa komplexa problem. Fuzzy logic är en uppsättning regler och funktioner som kan fungera på oprecisa datamängder, men algoritmerna måste fortfarande kodas av människor. Båda områdena har tillämpningar inom artificiell intelligens och komplex problemlösning.

Vad är Fuzzy Logic i Data Mining?

Datautvinning är processen att identifiera betydande samband i stora uppsättningar data, ett fält som överlappar med statistik, maskininlärning och datavetenskap. Fuzzy logic är en uppsättning regler som kan användas för att dra logiska slutsatser från fuzzy uppsättningar av data. Eftersom datautvinning ofta används för oprecisa mätningar, är fuzzy logic ett användbart sätt att bestämma relevanta relationer från denna typ av data.

Vad är skillnaden mellan fuzzy logik och neurala nätverk?

Ett artificiellt neuralt nätverk är ett beräkningssystem utformat för att imitera problemlösningsprocedurerna i ett människoliknande nervsystem. Detta skiljer sig från fuzzy logic, en uppsättning regler utformade för att dra slutsatser från oprecisa data. Båda har applikationer inom datavetenskap, men de är distinkta fält.