#منطق_فازی
#بخش_دوم
باید پذیرفت قواعدی نظیر این زیبا هستند، زیرا این ها قواعد بشری هستند. آنها نمونه خوبی هستند برای اینکه ما چطورفکر می کنیم و چطور نتیجه می گیریم. بیایید به سراغ نمونه دیگری برویم:
ازشما سوال می شود" آیا شغلتان را دوست دارید؟" پاسخ شما لزوماً بله یا خیر نمی باشد؛ بنابراین مجموعه جواب به صورت زیر خواهد بود:
جواب= { تا حدی، نه خیلی، تقریباً، اصلاً ، کم و بیش، خیلی و... }
به هر یک از این مقادیر،مقداری به عنوان " درجه عضویت" نسبت داده می شود، بدین معنا که مقدار مربوطه تا چه حد در این مجموعه عضو می باشد.
مجموعه های فازی و زبان طبیعی
لازم به ذکر است، در مجموعه های قطعی، یک شیء قطعاً ، یا عضو مجموعه، می باشد یا نمی باشد:
μA(x)=0 ,1
اگر xعضو مجموعه A باشد (1)
اگر X عضو مجموعه A نباشد(0)
اما در مجموعه های فازی، یک شیء می تواند تا حدودی به یک مجموعه متعلق باشد:
μ(X):X—>[0,1]
که در این حالت تابع عضویت، یک عدد حقیقی است:
0<=μA<=1
بدین معنا که شیء مورد نظر به طور نسبی در یک مجموعه وجود دارد. همچنین مقدار جزئی تابع عضویت، درجه عضویت نامیده می شود.
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
#بخش_دوم
باید پذیرفت قواعدی نظیر این زیبا هستند، زیرا این ها قواعد بشری هستند. آنها نمونه خوبی هستند برای اینکه ما چطورفکر می کنیم و چطور نتیجه می گیریم. بیایید به سراغ نمونه دیگری برویم:
ازشما سوال می شود" آیا شغلتان را دوست دارید؟" پاسخ شما لزوماً بله یا خیر نمی باشد؛ بنابراین مجموعه جواب به صورت زیر خواهد بود:
جواب= { تا حدی، نه خیلی، تقریباً، اصلاً ، کم و بیش، خیلی و... }
به هر یک از این مقادیر،مقداری به عنوان " درجه عضویت" نسبت داده می شود، بدین معنا که مقدار مربوطه تا چه حد در این مجموعه عضو می باشد.
مجموعه های فازی و زبان طبیعی
لازم به ذکر است، در مجموعه های قطعی، یک شیء قطعاً ، یا عضو مجموعه، می باشد یا نمی باشد:
μA(x)=0 ,1
اگر xعضو مجموعه A باشد (1)
اگر X عضو مجموعه A نباشد(0)
اما در مجموعه های فازی، یک شیء می تواند تا حدودی به یک مجموعه متعلق باشد:
μ(X):X—>[0,1]
که در این حالت تابع عضویت، یک عدد حقیقی است:
0<=μA<=1
بدین معنا که شیء مورد نظر به طور نسبی در یک مجموعه وجود دارد. همچنین مقدار جزئی تابع عضویت، درجه عضویت نامیده می شود.
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
🙏با معرفی کانال به دیگران ما را همراهی کنید 🙏👇👇👇
@Pythonforeveryone
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw
@Pythonforeveryone
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw
#منطق_فازی
#بخش_سوم
از سوی دیگر در نظر داشته باشید: مفاهیم ومجموعه های فازی ،عموماً در زبان طبیعی بکار می روند نظیر:
" جان قد بلند است."(جدول 1)
" هوا گرم است."
کلمات مشخص شده، به اسامی مقداری و مجموعه های فازی اشاره دارند. به عبارتی دیگر گزاره فازی که شامل لغاتی نظیر " بلند" و " گرم " است، نشان دهنده مجموعه فازی مربوطه است. برای روشن شدن مفهوم ، مجموعه فازی بلند می تواند از تابع عضویت زیر بهره بگیرد:
دراین تئوری، عضویت اعضای مجموعه از طریق تابع U ( X) مشخص می شود که X نمایانگر یک عضو مشخص و U تابعی فازی است که درجه عضویت X در مجموعه مربوطه را تعیین می کند و مقدار آن بین صفر و یک است:
A={(x,μA (x) )|x€ X }
همچنین به عنوان یک مجموعه متناهی از عناصر، برای عبارت بلند قد می توان زیر مجموعه فازی ذیل را تعریف کرد:
{ ( 8،1 )، ( 1، 705 )، ( 1، 7 )، (875،65 )، ( 05، 6 )،( 0125، 55 )،(0 ، 5 )}= بلند قد
در این مجموعه فازی، علامت "، " درجه عضویت را از اعداد مربوطه به قد افراد جدا می سازد.
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
#بخش_سوم
از سوی دیگر در نظر داشته باشید: مفاهیم ومجموعه های فازی ،عموماً در زبان طبیعی بکار می روند نظیر:
" جان قد بلند است."(جدول 1)
" هوا گرم است."
کلمات مشخص شده، به اسامی مقداری و مجموعه های فازی اشاره دارند. به عبارتی دیگر گزاره فازی که شامل لغاتی نظیر " بلند" و " گرم " است، نشان دهنده مجموعه فازی مربوطه است. برای روشن شدن مفهوم ، مجموعه فازی بلند می تواند از تابع عضویت زیر بهره بگیرد:
دراین تئوری، عضویت اعضای مجموعه از طریق تابع U ( X) مشخص می شود که X نمایانگر یک عضو مشخص و U تابعی فازی است که درجه عضویت X در مجموعه مربوطه را تعیین می کند و مقدار آن بین صفر و یک است:
A={(x,μA (x) )|x€ X }
همچنین به عنوان یک مجموعه متناهی از عناصر، برای عبارت بلند قد می توان زیر مجموعه فازی ذیل را تعریف کرد:
{ ( 8،1 )، ( 1، 705 )، ( 1، 7 )، (875،65 )، ( 05، 6 )،( 0125، 55 )،(0 ، 5 )}= بلند قد
در این مجموعه فازی، علامت "، " درجه عضویت را از اعداد مربوطه به قد افراد جدا می سازد.
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
#منطق_فازی
#بخش_چهارم
متغیرهای زبانی
" متغیرهای زبانی، متغیرهایی هستند که مقادیرشان اعداد نیستند،بلکه لغات یا جملات یک زبان طبیعی یا ساختگی هستند."
به طورکلی، متغیرها به 2 دسته تقسیم می شوند:
زبانی: مانند کلمات و عبارات مربوطه به یک زبان طبیعی می باشد.
عددی: که متغیرها دارای مقادیرعددی هستند.
یک متغیر زبانی در واقع، یک عبارت زبان طبیعی است که به یک مقدار کمیت خاص اشاره دارد و اصطلاحاً مانند مترجم عمل می کند و به کمک تابع عضویت ،نشان داده می شود. مانند واژه " سرد" در جمله " هوا سرد است". در اینجا سردی خود متغیری است برای دمای هوا که می تواند مقادیر مختلفی به خود اختصاص دهد و در واقع یک تابع عضویت برای آن تعریف می شود.
درعین حال متغیرهای زبانی می توانند از الحاق
U=u1,u2,u3...
تشکیل شوند که هر کدام از uiها، عباتی تجزیه ناپذیر است. مانند " تا حدی سرد "، که در مجموع به 4 دسته زیر تقسیم می شود:
عبارات اصلی: که به عنوان برچسب هایی برای مجموعه های فازی در نظر گرفته می شوند و مانند " سرد" در عبارات بالا، یا عباراتی از قبیل : کوتاه، بلند و ... که هر کدام تابع عضویت مخصوص خود را دارند.
حروف ربط: مانند و، یا...
پیراینده: که روی عبارات اولیه اعمال شده و اثر تشدید یا تضعیف در مفهوم آن عبارت را به همراه دارد. مانند تا حدی، اندکی ، بسیار و ...
حروف نشانه: مانند پرانتز و ...
بنابراین از مجموعه های فازی و متغیرهای زبانی، می توان برای کمیت بخشیدن به مفاهیم زبان طبیعی استفاده کرد.
چند متغیر زبانی و مقادیر نوعی که ممکن است به آنها اختصاص یابد:
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
#بخش_چهارم
متغیرهای زبانی
" متغیرهای زبانی، متغیرهایی هستند که مقادیرشان اعداد نیستند،بلکه لغات یا جملات یک زبان طبیعی یا ساختگی هستند."
به طورکلی، متغیرها به 2 دسته تقسیم می شوند:
زبانی: مانند کلمات و عبارات مربوطه به یک زبان طبیعی می باشد.
عددی: که متغیرها دارای مقادیرعددی هستند.
یک متغیر زبانی در واقع، یک عبارت زبان طبیعی است که به یک مقدار کمیت خاص اشاره دارد و اصطلاحاً مانند مترجم عمل می کند و به کمک تابع عضویت ،نشان داده می شود. مانند واژه " سرد" در جمله " هوا سرد است". در اینجا سردی خود متغیری است برای دمای هوا که می تواند مقادیر مختلفی به خود اختصاص دهد و در واقع یک تابع عضویت برای آن تعریف می شود.
درعین حال متغیرهای زبانی می توانند از الحاق
U=u1,u2,u3...
تشکیل شوند که هر کدام از uiها، عباتی تجزیه ناپذیر است. مانند " تا حدی سرد "، که در مجموع به 4 دسته زیر تقسیم می شود:
عبارات اصلی: که به عنوان برچسب هایی برای مجموعه های فازی در نظر گرفته می شوند و مانند " سرد" در عبارات بالا، یا عباراتی از قبیل : کوتاه، بلند و ... که هر کدام تابع عضویت مخصوص خود را دارند.
حروف ربط: مانند و، یا...
پیراینده: که روی عبارات اولیه اعمال شده و اثر تشدید یا تضعیف در مفهوم آن عبارت را به همراه دارد. مانند تا حدی، اندکی ، بسیار و ...
حروف نشانه: مانند پرانتز و ...
بنابراین از مجموعه های فازی و متغیرهای زبانی، می توان برای کمیت بخشیدن به مفاهیم زبان طبیعی استفاده کرد.
چند متغیر زبانی و مقادیر نوعی که ممکن است به آنها اختصاص یابد:
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
شما ممکن است یک توسعه دهنده با تجربه باشید یا ممکن است یک مبتدی باشید. در هر صورت، همه ما می توانیم سادگی پایتون را ببینیم. پایتون همواره از نظر نحو ساده و سهولت استفاده مورد توجه قرار گرفته است. در اینجا یک کد ساده در پایتون وجود دارد:
heap = []
while (True):
data = input()
if(data == 'q'):
break
else:
heap.append(int(data))
در مقایسه با زبان های دیگر، پایتون بسیاری از موارد را از بین می برد
جاوا:
int max_x;
if(coordinates.get(i).x > 0)
{
max_x = 255;
}
else
{
max_x = -255;
}
int max_y;
شما در کد جاوا در بالا متوجه خواهید شد، ما برای ساختارهای مختلف و همچنین هر جمله ای که با یک نقطه کلاسیک به پایان می رسد، داریم افزونه های فیش مجزا است. این همان سبک نحوی است که شما برای C، C #، C ++ و حتی جاوا اسکریپت پیدا می کنید. برای یک مبتدی، می توانید خیلی نگران نباشد در رابطه با نحو و توانایی تمرکز بر آنچه مهم است (آنچه که در واقع انجام می شود).
پاداش اضافی با پایتون این است که آن را به مبتدیان می آموزد که چگونه کد خود را به درستی نوشت. من بسیاری از تازه کارها را نادرست می بینم که کد آنها را نادیده می گیرد، و به این ترتیب با راحتی می توان آن را غیر قابل تفسیر نمود. پایتون یکی از چندین زبان است که حساس به سفارشی است. این بدان معنی است که اگر شما کد خود را درست ندهید، شما خطاهای منطقی (زمانی که کد اجرا می شود اما نتیجه دلخواه را نمی دهد).
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
heap = []
while (True):
data = input()
if(data == 'q'):
break
else:
heap.append(int(data))
در مقایسه با زبان های دیگر، پایتون بسیاری از موارد را از بین می برد
جاوا:
int max_x;
if(coordinates.get(i).x > 0)
{
max_x = 255;
}
else
{
max_x = -255;
}
int max_y;
شما در کد جاوا در بالا متوجه خواهید شد، ما برای ساختارهای مختلف و همچنین هر جمله ای که با یک نقطه کلاسیک به پایان می رسد، داریم افزونه های فیش مجزا است. این همان سبک نحوی است که شما برای C، C #، C ++ و حتی جاوا اسکریپت پیدا می کنید. برای یک مبتدی، می توانید خیلی نگران نباشد در رابطه با نحو و توانایی تمرکز بر آنچه مهم است (آنچه که در واقع انجام می شود).
پاداش اضافی با پایتون این است که آن را به مبتدیان می آموزد که چگونه کد خود را به درستی نوشت. من بسیاری از تازه کارها را نادرست می بینم که کد آنها را نادیده می گیرد، و به این ترتیب با راحتی می توان آن را غیر قابل تفسیر نمود. پایتون یکی از چندین زبان است که حساس به سفارشی است. این بدان معنی است که اگر شما کد خود را درست ندهید، شما خطاهای منطقی (زمانی که کد اجرا می شود اما نتیجه دلخواه را نمی دهد).
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
#منطق_فازی
#بخش_پنجم
اما چگونه منطق فازی به کار گرفته می شود؟
منطق فازی معمولاً از قوانین " اگر و آنگاه" ( IF/THEN) استفاده می کند، اما این بررسی ،به صورت بررسی مقادیر خشک منطق کلاسیک نمی باشد، بلکه این بررسی توسط متغیرهای معنایی صورت می گیرد.این قوانین معمولاً به شکل زیر بیان می شود:
اگر( متغیر ) ( حالت ) است، آنگاه ( عملکرد ).
برای مثال ،یک دستگاه تنظیم کننده درجه حرارت را در نظر بگیرید که قانون منطق فازی را می توان اینگونه برایش تعریف کرد:
-اگر ( درجه حرارات) ( بسیار سرد) است، آنگاه ( فن را متوقف کن ).
-اگر درجه حرارت سرد است، آنگاه سرعت فن را کم کن.
-اگر درجه حرارت متعادل است، آنگاه همین سرعت فن را حفظ کن.
-به طورکلی روش کار منطق فازی را می توان به شکل زیر نشان داد
کاربرد هوش مصنوعی
هدف هوش مصنوعی، نزدیک نمودن رفتار و پاسخ یک سیستم کامپیوتری به الگوهایی است که انسان بر اساس آن ها رفتار می کندو پاسخ می دهد. در حقیقت گاه سیستم های طراحی می شوند که قدرت تجزیه و تحلیل آنها از انسان بیشتر است، ولی همچنان از الگوی ما استفاده می کنند. بر همین مبنا، هوش مصنوعی، با سیستم فازی یا سیستمی که انسان بر طبق آن تصمیم می گیرد،رابطه تنگاتنگی دارد
قاعده Soft Computing
این قاعده کلیدی، عبارت است از بهره گیری از خطای مجاز به خاطر عدم دقت، نامعلومی، حقایق جزء به جزء برای دست یابی به قدرت و سهولت و یافتن راه حل با هزینه کم. البته ایده اساسی این قاعده، با بسیاری از توانایی های اولیه تئوری مجموعه های فازی، پیوند دارد.
همچنین هوش مصنوعی کلاسیک، بر روی دقت ارائه سیستم های مصنوعی متمرکز شده بود، اما با عملی کردن و رشد این سیستم ها ، مشخص شد که نمی توان منطق محض را در کاربردها به کار
در واقع بر همین مبناست که منطق فازی به خوبی نشان می دهد که چرا منطق دو ارزشی < صفر و یک > در ریاضیات کلاسیک، قادر به تبیین و توصیف مفاهیم نادقیقی همچون < گرما و سرما> که مبنای بسیاری از تصمیم گیری های هوشمند را تشکیل می دهند ، نیست.
این در حالیست که نحوه استنتاج سیستم های هوشمند با استفاده از منطق فازی، به سرعت باعث پیشرفت این علم شد و باعث شد تا هوش مصنوعی ،حقیقتاً در جهشی فوق العاده ،به هوش انسانی نزدیک تر گردد.
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
#بخش_پنجم
اما چگونه منطق فازی به کار گرفته می شود؟
منطق فازی معمولاً از قوانین " اگر و آنگاه" ( IF/THEN) استفاده می کند، اما این بررسی ،به صورت بررسی مقادیر خشک منطق کلاسیک نمی باشد، بلکه این بررسی توسط متغیرهای معنایی صورت می گیرد.این قوانین معمولاً به شکل زیر بیان می شود:
اگر( متغیر ) ( حالت ) است، آنگاه ( عملکرد ).
برای مثال ،یک دستگاه تنظیم کننده درجه حرارت را در نظر بگیرید که قانون منطق فازی را می توان اینگونه برایش تعریف کرد:
-اگر ( درجه حرارات) ( بسیار سرد) است، آنگاه ( فن را متوقف کن ).
-اگر درجه حرارت سرد است، آنگاه سرعت فن را کم کن.
-اگر درجه حرارت متعادل است، آنگاه همین سرعت فن را حفظ کن.
-به طورکلی روش کار منطق فازی را می توان به شکل زیر نشان داد
کاربرد هوش مصنوعی
هدف هوش مصنوعی، نزدیک نمودن رفتار و پاسخ یک سیستم کامپیوتری به الگوهایی است که انسان بر اساس آن ها رفتار می کندو پاسخ می دهد. در حقیقت گاه سیستم های طراحی می شوند که قدرت تجزیه و تحلیل آنها از انسان بیشتر است، ولی همچنان از الگوی ما استفاده می کنند. بر همین مبنا، هوش مصنوعی، با سیستم فازی یا سیستمی که انسان بر طبق آن تصمیم می گیرد،رابطه تنگاتنگی دارد
قاعده Soft Computing
این قاعده کلیدی، عبارت است از بهره گیری از خطای مجاز به خاطر عدم دقت، نامعلومی، حقایق جزء به جزء برای دست یابی به قدرت و سهولت و یافتن راه حل با هزینه کم. البته ایده اساسی این قاعده، با بسیاری از توانایی های اولیه تئوری مجموعه های فازی، پیوند دارد.
همچنین هوش مصنوعی کلاسیک، بر روی دقت ارائه سیستم های مصنوعی متمرکز شده بود، اما با عملی کردن و رشد این سیستم ها ، مشخص شد که نمی توان منطق محض را در کاربردها به کار
در واقع بر همین مبناست که منطق فازی به خوبی نشان می دهد که چرا منطق دو ارزشی < صفر و یک > در ریاضیات کلاسیک، قادر به تبیین و توصیف مفاهیم نادقیقی همچون < گرما و سرما> که مبنای بسیاری از تصمیم گیری های هوشمند را تشکیل می دهند ، نیست.
این در حالیست که نحوه استنتاج سیستم های هوشمند با استفاده از منطق فازی، به سرعت باعث پیشرفت این علم شد و باعث شد تا هوش مصنوعی ،حقیقتاً در جهشی فوق العاده ،به هوش انسانی نزدیک تر گردد.
✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
🙏با معرفی کانال به دیگران ما را همراهی کنید 🙏👇👇👇
@Pythonforeveryone
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw
@Pythonforeveryone
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw
#منطق_فازی
#بخش_ششم
زمینه های کاربرد منطق فازی درهوش مصنوعی
1-هوش مصنوعی رویداد گرا: در این نوع، سیستم بر اساس هر رویدادی که انجام می شود، یک واکنش هوشمندانه انجام می دهد. در این حالت با استفاده از قواعد IF/THEN فازی، می توان برای حالات و رویدادهای جزء شده و طبقه بندی شده ،عکس العمل مناسبی تعیین کرد.
2-هوش مصنوعی هدف گرا: این نوع هوش مصنوعی،هدف با ارزش بیشتر را بر می گزیند و آن را با تقسیم به زیرهدفهای کوچکتر، پردازش می کند.
در این نوع هوش نیز با کمک منطق فازی می توان با توجه به درجه عضویت، هدف مورد نظر را انتخاب کرد.
نمونه هایی از کاربرد عملی منطق فازی در هوش مصنوعی
جهت ملموس شدن بحث منطق فازی،دراین بخش به تعدادی از ادوات و ماشین هایی که بر اساس منطق فازی طراحی و به بازار عرضه شده اند اشاره می شود. ناگفته نماند در حال حاضر در بازار، نمونه هایی از این دستگاه ها، از نوع فاقد منطق فازی وجود دارد که به آنها صفت انواع عادی را اطلاق می کنیم، ضمن اینکه در اینجا قطعاً بحث بر سرنمونه های دارای منطق فازی و نحوه عملکرد این ماشین ها در طیف و محدوده این منطق می باشد.
-ماشین لباسشویی که استراتژی شستشو را براساس تشخیص میزان چرک، نوع پارچه، اندازه بارگیری، و میزان آب تنظیم می کند.
-سیستم تشخیص گلف که چوب گلف را براساس فیزیک بدنی و ضربات گلف باز انتخاب می کند .
-شبکه عصبی برای تنظیم علایق و چشایی کاربران.
- سیستم کنترل کامپیوتر از طریق مغز
- هوش مصنوعی بازی های تصویری و جلوه های ویژه سینمایی
- قطارهای هوشمند
- ربات های هوشمند از جمله ربات ظرف شو
نتیجه
دریک کلام،منطق فازی معتقد است که ابهام همیشه و همواره در جوهره و ماهیت علم بوده و می توان از آن بهره جست. برخلاف آنچه اکثراً معتقدند که باید تقریب ها را دقیق تر کرد تا در نتیجه آن بهره وری افزایش یابد.ضمن اینکه در منطق فازی باید به دنبال ساختن ماشین آلات و مدل هایی بود که ابهام را به عنوان بخشی از سیستم ،هضم نموده و مدل کند.
زیرا تنها در این صورت است که می توان در سیستم های مبتنی بر هوش مصنوعی، رفتار و عکس العمل این گونه سیستم ها را به رفتار انسانی نزدیک نموده و به نتیجه دلخواه دست یافت.
بر همین اساس کاربرد منطق فازی در حل مسائل هوش مصنوعی،بیش از پیش درحال گسترش است. البته باید توجه داشت که مسائل بسیاری وجود دارند که حل آنها جز با انجام محاسبات دقیق ریاضی و پردازش حجم زیادی از داده ها ممکن نیست.
در نتیجه چنین به نظر می رسد که تلفیق منطق " دو ارزشی و منطق فازی" بتواند توان عملیاتی کامپیوترها و بسیاری از تجهیزات و ادوات مورد استفاده بشر را، به میزان چشمگیری افزایش دهد و سهم مهمی در پیشرفت هوش مصنوعی تا حد نزدیک به هوش انسان ،داشته باشد.
جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone
#بخش_ششم
زمینه های کاربرد منطق فازی درهوش مصنوعی
1-هوش مصنوعی رویداد گرا: در این نوع، سیستم بر اساس هر رویدادی که انجام می شود، یک واکنش هوشمندانه انجام می دهد. در این حالت با استفاده از قواعد IF/THEN فازی، می توان برای حالات و رویدادهای جزء شده و طبقه بندی شده ،عکس العمل مناسبی تعیین کرد.
2-هوش مصنوعی هدف گرا: این نوع هوش مصنوعی،هدف با ارزش بیشتر را بر می گزیند و آن را با تقسیم به زیرهدفهای کوچکتر، پردازش می کند.
در این نوع هوش نیز با کمک منطق فازی می توان با توجه به درجه عضویت، هدف مورد نظر را انتخاب کرد.
نمونه هایی از کاربرد عملی منطق فازی در هوش مصنوعی
جهت ملموس شدن بحث منطق فازی،دراین بخش به تعدادی از ادوات و ماشین هایی که بر اساس منطق فازی طراحی و به بازار عرضه شده اند اشاره می شود. ناگفته نماند در حال حاضر در بازار، نمونه هایی از این دستگاه ها، از نوع فاقد منطق فازی وجود دارد که به آنها صفت انواع عادی را اطلاق می کنیم، ضمن اینکه در اینجا قطعاً بحث بر سرنمونه های دارای منطق فازی و نحوه عملکرد این ماشین ها در طیف و محدوده این منطق می باشد.
-ماشین لباسشویی که استراتژی شستشو را براساس تشخیص میزان چرک، نوع پارچه، اندازه بارگیری، و میزان آب تنظیم می کند.
-سیستم تشخیص گلف که چوب گلف را براساس فیزیک بدنی و ضربات گلف باز انتخاب می کند .
-شبکه عصبی برای تنظیم علایق و چشایی کاربران.
- سیستم کنترل کامپیوتر از طریق مغز
- هوش مصنوعی بازی های تصویری و جلوه های ویژه سینمایی
- قطارهای هوشمند
- ربات های هوشمند از جمله ربات ظرف شو
نتیجه
دریک کلام،منطق فازی معتقد است که ابهام همیشه و همواره در جوهره و ماهیت علم بوده و می توان از آن بهره جست. برخلاف آنچه اکثراً معتقدند که باید تقریب ها را دقیق تر کرد تا در نتیجه آن بهره وری افزایش یابد.ضمن اینکه در منطق فازی باید به دنبال ساختن ماشین آلات و مدل هایی بود که ابهام را به عنوان بخشی از سیستم ،هضم نموده و مدل کند.
زیرا تنها در این صورت است که می توان در سیستم های مبتنی بر هوش مصنوعی، رفتار و عکس العمل این گونه سیستم ها را به رفتار انسانی نزدیک نموده و به نتیجه دلخواه دست یافت.
بر همین اساس کاربرد منطق فازی در حل مسائل هوش مصنوعی،بیش از پیش درحال گسترش است. البته باید توجه داشت که مسائل بسیاری وجود دارند که حل آنها جز با انجام محاسبات دقیق ریاضی و پردازش حجم زیادی از داده ها ممکن نیست.
در نتیجه چنین به نظر می رسد که تلفیق منطق " دو ارزشی و منطق فازی" بتواند توان عملیاتی کامپیوترها و بسیاری از تجهیزات و ادوات مورد استفاده بشر را، به میزان چشمگیری افزایش دهد و سهم مهمی در پیشرفت هوش مصنوعی تا حد نزدیک به هوش انسان ،داشته باشد.
جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone