Нечеткая логика против нейронной сети
Fuzzy Logic принадлежит к семейству многозначной логики. Он фокусируется на фиксированных и приблизительных рассуждениях в отличие от фиксированных и точных рассуждений. Переменная в нечеткой логике может принимать диапазон значений истинности от 0 до 1, в отличие от того, чтобы принимать истинное или ложное значение в традиционных двоичных наборах. Нейронные сети (NN) или искусственные нейронные сети (ANN) - это вычислительная модель, разработанная на основе биологических нейронных сетей. ИНС состоит из искусственных нейронов, которые соединяются друг с другом. Обычно ИНС адаптирует свою структуру на основе поступающей к ней информации.
Что такое нечеткая логика?
Fuzzy Logic принадлежит к семейству многозначной логики. Он фокусируется на фиксированных и приблизительных рассуждениях в отличие от фиксированных и точных рассуждений. Переменная в нечеткой логике может принимать диапазон значений истинности от 0 до 1, в отличие от того, чтобы принимать истинное или ложное значение в традиционных двоичных наборах. Поскольку значение истинности - это диапазон, он может обрабатывать частичную истину. Начало нечеткой логики было отмечено в 1956 году, когда Лотфи Заде ввел теорию нечетких множеств. Нечеткая логика предоставляет метод для принятия определенных решений на основе неточных и неоднозначных входных данных. Нечеткая логика широко используется для приложений в системах управления, поскольку она очень похожа на то, как человек принимает решение, но более быстрым способом. Нечеткую логику можно включить как в системы управления, основанные на небольших портативных устройствах, так и на больших рабочих станциях ПК.
Что такое нейронные сети?
ИНС - это вычислительная модель, разработанная на основе биологических нейронных сетей. ИНС состоит из искусственных нейронов, которые соединяются друг с другом. Обычно ИНС адаптирует свою структуру на основе поступающей к ней информации. При разработке ИНС необходимо следовать ряду систематических шагов, называемых правилами обучения. Кроме того, процесс обучения требует обучающих данных, чтобы определить лучшую рабочую точку ИНС. ИНС можно использовать для изучения функции аппроксимации некоторых наблюдаемых данных. Но при применении ИНС необходимо учитывать несколько факторов. Модель должна быть тщательно выбрана в зависимости от данных. Использование излишне сложных моделей затруднит процесс обучения. Выбор правильного алгоритма обучения также важен, поскольку некоторые алгоритмы обучения лучше работают с определенными типами данных.
В чем разница между нечеткой логикой и нейронными сетями?
Нечеткая логика позволяет принимать определенные решения на основе неточных или неоднозначных данных, тогда как ИНС пытается включить человеческий процесс мышления для решения проблем без их математического моделирования. Несмотря на то, что оба эти метода могут использоваться для решения нелинейных задач и проблем, которые не определены должным образом, они не связаны. В отличие от нечеткой логики, ИНС пытается применить мыслительный процесс в человеческом мозгу для решения проблем. Кроме того, ИНС включает процесс обучения, который включает алгоритмы обучения и требует обучающих данных. Но существуют гибридные интеллектуальные системы, разработанные с использованием этих двух методов, которые называются нечеткой нейронной сетью (FNN) или нейро-нечеткой системой (NFS).
