Introduction au système de logique floue
La logique floue est une approche informatique qui est basée sur le «degré de vérité» et n'est pas limitée au booléen «vrai ou faux». Le terme «flou» signifie quelque chose qui est vague ou pas très clair. Le système de logique floue est appliqué aux scénarios où il est difficile de catégoriser les états en tant que «vrai ou faux» binaire. La logique floue peut incorporer des valeurs intermédiaires comme partiellement vrai et partiellement faux. Il peut être mis en œuvre sur une large gamme d'appareils allant du petit microcontrôleur aux grands systèmes informatiques. Il essaie d'imiter une prise de décision humaine, qui peut incorporer toutes les valeurs entre Vrai et Faux.
Une architecture de système de logique floue
Le système de logique floue comprend quatre composants principaux qui sont expliqués à l'aide du schéma d'architecture ci-dessous:
- Rules: Rule Base se compose d'un large ensemble de règles programmées et alimentées par des experts qui régissent la prise de décision dans le système flou. Les règles sont des ensembles d'instructions «If-Then» qui déterminent l'occurrence de l'événement en fonction de la condition.
- Fuzzification: la fuzzification convertit les entrées brutes mesurées par les capteurs en ensembles flous. Ces entrées converties sont transmises au système de commande pour un traitement ultérieur.
- Moteur d'inférence: il aide à mapper les règles à l'ensemble de données d'entrée et à décider ainsi quelles règles doivent être appliquées pour une entrée donnée. Il le fait en calculant le% de correspondance des règles pour l'entrée donnée.
- Défuzzification: C'est l'opposé de la Fuzzification. Ici, les ensembles flous sont convertis en entrées nettes. Ces entrées nettes sont la sortie du système de logique floue.
Fonction d'adhésion
La fonction d'appartenance définit la manière dont l'entrée du système flou est mappée à des valeurs comprises entre 0 et 1. L'entrée est généralement appelée univers (U) car elle peut contenir n'importe quelle valeur. La fonction d'appartenance est définie comme:
μ A: X → (0, 1).
Ici, X représente l'univers et Y représente toute valeur comprise entre 0 et 1. La fonction d'appartenance triangulaire est la fonction d'appartenance la plus couramment utilisée. Les autres fonctions d'adhésion incluent Trapézoïdal, Gaussien et Singleton.
Pourquoi et quand utiliser la logique floue?
La logique floue est particulièrement utile lorsque vous souhaitez imiter la pensée humaine dans un système de contrôle. Plus qu'un raisonnement de précision, il se concentre sur un raisonnement acceptable qui est très proche de la façon dont le monde réel fonctionne. Il est conçu pour faire face aux incertitudes et est compétent pour découvrir l'inférence de la conclusion.
Algorithme du système de logique floue
- Définir toutes les variables et tous les termes qui agiront comme entrée dans le système flou
- Créer une fonction d'adhésion pour le système (comme défini ci-dessus)
- Créer une base de règles qui sera mappée à chaque entrée
- Convertir une entrée normale en entrée floue qui est envoyée à la fonction d'appartenance
- Évaluer le résultat de la fonction d'appartenance
- Combinez tous les résultats obtenus à partir de l'ensemble de règles individuel
- Convertir l'ensemble flou de sortie en entrée nette (défuzzification)
Application du système de logique floue
La logique floue est adoptée dans toutes les grandes industries, mais l'automobile reste les principaux adoptants. Peu de ses applications sont répertoriées ci-dessous:
- Nissan utilise Fuzzy Logic pour contrôler le système de freinage en cas de danger. Fuzzy Logic utilise des entrées telles que la vitesse, l'accélération, l'élan pour décider de l'intensité des freins.
- Nissan utilise également Fuzzy Logic pour contrôler la quantité d'injection de carburant et l'allumage en fonction d'entrées telles que le régime moteur, la température et la capacité de charge.
- Il est utilisé dans les satellites et les avions pour le contrôle de l'altitude.
- Mitsubishi utilise la logique floue pour rendre la gestion des ascenseurs plus efficace en prenant en compte le trafic passagers.
- Nippon Steel utilise Fuzzy Logic pour décider de la proportion dans laquelle différents types de ciment doivent être mélangés pour rendre le ciment plus durable.
- Fuzzy Logic trouve son application dans l'industrie chimique pour gérer les différents processus comme le contrôle du pH, le processus de séchage et le processus de distillation.
- La logique floue peut être combinée avec le réseau de neurones artificiels (ANN) pour imiter le fonctionnement d'un cerveau humain. Fuzzy Logic agrège les données et les transforme en informations plus significatives qui sont utilisées comme ensembles flous.
Avantages du système de logique floue
Voici cinq avantages du système de logique floue:
- Fuzzy Logic peut fonctionner avec tout type d'entrée même si elle n'est pas structurée, déformée, imprécise ou contient du bruit.
- La construction de logique floue est très facile à lire et à comprendre car elle imite étroitement la façon dont Human-Mind prend la décision.
- Les nuances de Fuzzy Logic impliquent l'utilisation de concepts mathématiques clés comme Set Theory et Probability, ce qui le rend apte à résoudre toutes sortes de défis quotidiens auxquels l'humanité est confrontée.
- Fuzzy Logic peut fournir des solutions efficaces à un problème très complexe dans différentes industries.
- Fuzzy Logic System a besoin de très peu de données pour préparer un modèle robuste. Par conséquent, il n'a besoin que d'une quantité limitée de mémoire pour son exécution.
Inconvénients du système de logique floue
Voici les quatre principaux inconvénients du système de logique floue:
- Il n'y a pas de moyen standard de résoudre un problème via la logique floue, par conséquent, différents experts peuvent avoir une solution différente à un problème qui conduit à une ambiguïté.
- Comme le système de logique floue fonctionne avec des données à la fois précises et imprécises, sa précision peut parfois être compromise.
- Le système de logique floue ne peut pas apprendre de ses erreurs ou échecs passés car il n'a pas la capacité d'auto-apprentissage comme l'apprentissage automatique et le réseau neuronal.
- En raison du manque de normalisation, il n'y a pas de moyen fixe de trouver des règles et des fonctions d'appartenance pour le problème donné. Par conséquent, il devient parfois difficile de trouver des règles exactes et des fonctions d'appartenance pour certains problèmes.
Conclusion
Fuzzy Logic fournit une manière alternative d'aborder les problèmes du monde réel dans le monde informatique. Il peut être facilement appliqué à différentes applications et systèmes de contrôle qui peuvent en retirer des avantages à long terme. Compte tenu de sa capacité à bien fonctionner avec «Degree of Truth», il ouvre de nombreuses portes à l'informatique moderne. Cependant, ce n'est pas la panacée à tous les problèmes car il a de sérieuses limites en termes de précision et son incapacité à tirer des leçons de son échec comme dans le cas du Machine Learning.
Articles recommandés
Ceci est un guide du système de logique floue. Nous discutons ici pourquoi et quand utiliser le système flou, avec l'architecture, l'application, et enfin avec des avantages et des inconvénients. Vous pouvez également consulter nos autres articles connexes pour en savoir plus -
- Qu'est-ce que la logique floue?
- Test Fuzz
- Entreprises IoT
- Trame de données R
- Dispositif capteur
- Les 12 principaux types de capteurs et leurs applications