模糊逻辑

##什么是模糊逻辑？

模糊逻辑是一种变量处理方法，允许通过同一个变量处理多个可能的真值。模糊逻辑试图用开放的、不精确的数据范围和启发式方法来解决问题，从而有可能获得一系列准确的结论。

模糊逻辑旨在通过考虑所有可用信息并在给定输入的情况下做出最佳决策来解决问题。

理解模糊逻辑

模糊逻辑源于对多值逻辑的数学研究。普通逻辑处理绝对真理的陈述（例如，“这个物体是绿色的吗？”），而模糊逻辑处理带有主观或相对定义的集合，例如“高”、“大”或“美丽”。这试图模仿人类分析问题和做出决策的方式，这种方式依赖于模糊或不精确的价值观，而不是绝对的真理或虚假。

实际上，这些构造都允许“真”条件的部分值。与经典逻辑中要求所有陈述绝对正确或绝对错误不同，模糊逻辑中的真值可以是 0 和 1 之间的任何值。这为算法提供了一个机会，可以根据数据范围而不是一个离散数据点做出决策。

在标准逻辑中，每个语句都必须有一个绝对值：真或假。在模糊逻辑中，真值被从 0 到 1 的“隶属度”程度替换，其中 1 绝对正确，0 绝对错误。

模糊逻辑由 Lotfi Zadeh 在 1965 年为 **Information and Control 杂志撰写的论文中首次提出。在他的论文“Fuzzy Sets”中，Zadeh 试图反映信息处理中使用的数据类型，并推导出基本逻辑这种集合的规则。

“通常情况下，现实物理世界中遇到的对象类别并没有精确定义的成员资格标准，”Zadeh 解释说。 “然而，事实仍然是，这些定义不准确的‘类’在人类思维中发挥着重要作用，特别是在模式识别、信息交流和抽象领域。”

此后，模糊逻辑已成功应用于机器控制系统、图像处理、人工智能等依赖于具有模糊解释的信号的领域。

最基本意义上的模糊逻辑是通过决策树类型分析开发的。因此，在更广泛的范围内，它构成了通过基于规则的推理进行编程的人工智能系统的基础。

通常，术语模糊是指可以在类似决策树的系统中开发的大量场景。开发模糊逻辑协议可能需要集成基于规则的编程。这些编程规则可以称为模糊集，因为它们是在综合模型的判断下开发的。

模糊集也可能更复杂。在更复杂的编程类比中，程序员可能有能力扩大用于确定变量包含和排除的规则。这可能会导致选择范围更广，但基于规则的推理不太精确。

模糊逻辑可用于交易软件，用于分析市场数据以获取买卖信号。

模糊逻辑和模糊语义的概念是人工智能解决方案编程的核心组成部分。随着模糊逻辑的编程能力也在扩展，人工智能解决方案和工具在经济中的各个领域继续扩展。

IBM 的 Watson 是最著名的人工智能系统之一，它使用模糊逻辑和模糊语义的变体。特别是在金融服务领域，模糊逻辑被用于支持投资情报输出的机器学习和技术系统。

在一些高级交易模型中，模糊逻辑数学的集成也可用于帮助分析师创建自动买卖信号。这些系统帮助投资者对影响其投资的广泛变化的市场变量做出反应。

在先进的软件交易模型中，系统可以使用可编程模糊集实时分析数千种证券，并为投资者提供最佳机会。当交易者试图利用多个因素进行考虑时，通常会使用模糊逻辑。这可能导致交易决策的分析范围缩小。交易者也可能有能力编写各种交易规则。两个例子包括：

模糊逻辑允许交易者在这些基本示例中对低位和高位的主观推断进行编程，以得出他们自己的自动交易信号。

模糊逻辑经常用于机器控制器和人工智能，也可以应用于交易软件。虽然它的应用范围很广，但也有很大的局限性。

因为模糊逻辑模仿人类决策，所以它最适用于对具有模糊或扭曲输入的复杂问题进行建模。由于与自然语言的相似性，模糊逻辑算法比标准逻辑编程更容易编码，并且需要更少的指令，从而节省内存存储需求。

由于模糊逻辑的不精确性，这些优点也伴随着缺点。由于系统是为不准确的数据和输入而设计的，因此必须对其进行测试和验证以防止结果不准确。

模糊逻辑是经典逻辑的扩展，它结合了人类决策中的不确定性因素。它经常用于解决参数可能不清楚或不精确的复杂问题。模糊逻辑也用于投资软件，可用于解释模棱两可或不清楚的交易信号。

＃＃强调

＃＃常问问题

模糊逻辑通常与机器学习组合在一起，但它们并不是一回事。机器学习是指模拟人类认知的计算系统，通过迭代调整算法来解决复杂问题。模糊逻辑是一组规则和函数，可以对不精确的数据集进行操作，但算法仍然需要人工编码。这两个领域在人工智能和复杂问题解决方面都有应用。

数据挖掘是在大量数据中识别重要关系的过程，该领域与统计学、机器学习和计算机科学重叠。模糊逻辑是一组规则，可用于从模糊数据集得出逻辑结论。由于数据挖掘通常应用于不精确的测量，因此模糊逻辑是从此类数据中确定相关关系的有用方法。

人工神经网络是一种计算系统，旨在模仿类人神经系统的问题解决程序。这与模糊逻辑不同，模糊逻辑是一组旨在从不精确数据中得出结论的规则。两者都在计算机科学中有应用，但它们是不同的领域。