퍼지는 퍼지 논리로 작업하기 위한 라이브러리입니다

퍼지 논리는 사실이 언어적 변수로 표시될 때 전통적인 아리스토텔리스 논리학을 종합한 것입니다. 고전적 논리와 동등한 퍼지 논리는 정의된 퍼지 집합에 대한 자체 퍼지 논리 연산을 가지고 있습니다. 피지 집합뿐만 아니라 일반 집합에도 동일한 연산이 있지만, 계산만 훨씬 어렵습니다. 우리는 퍼지 집합의 구성이 퍼지 집합으로 구성된 다는 것도 주목해야 합니다.

퍼지 논린의 주요 원리는 고전 논리와는 별개로 현실의 반영에 대한 최대 근접성과 높은 수준의 주관성이며, 이는 계산에 상당한 오류를 초래할 수 있습니다.

퍼지 모델(또는 시스템)은 퍼지 논리에 기반한 계산의 수학적 모델입니다. 이러한 모델의 구성은 연구 대상이 형식화가 약학 정확한 수학적 설명이 너무 복잡하거나 알려지지 않은 경우에 적용할 수 있습니다. 이러한 모델의 출력 값(오류 모델)의 품질은 이 모델을 설정한 엑스퍼트 어드바이저에만 직접 좌우됩니다. 오류를 최소화하는 최선의 옵션은 가장 완전하고 포괄적인 모델을 그린 다음 대규모 트레이닝 집합에서 머신 러닝으로 조정하는 것입니다.

모델 제작의 진행은 크게 세 단계로 나눌 수 있습니다:

1. 모델의 입력 및 출력 특성에 대한 정의.
2. 기술 기반 구축.
3. 퍼지 추론 방법 중 하나 선택 (Mamdani 또는 Sugeno).

첫 번째 단계는 결과 2에 직접 영향을 미치고 모델의 향후 작동을 결정합니다. 기술 기반 또는 규칙 기반은 검사된 개체의 입력과 출력 사이의 관계를 정의하는 "if,then" 퍼지 규칙 유형의 집합입니다. 시스템 내 규칙 수는 제한되지 않으며 엑스퍼트 어드바이저가 결정하기도 합니다. 퍼지 규칙의 일반화된 형식은 다음과 같습니다:

규칙 조건이면 규칙 결론.

규칙 조건은 개체의 현재 상태와 규칙 결론(이 조건이 개체에 미치는 영향)을 설명합니다. 조건과 결론에 대한 일반적인 견해는 퍼지 추론에 의해 결정되기 때문에 선택할 수 없습니다.

시스템의 각 규칙에는 가중치가 있으며, 이 특성은 모델에서 규칙의 중요성을 정의합니다. 가중치 인자는 [0,1] 범위 내의 규칙에 할당됩니다. 관련 문헌에서 찾을 수 있는 퍼지 모델의 많은 예에서 가중치 데이터는 지정되지 않지만, 그것이 존재하지 않는다는 것을 의미하지는 않습니다. 실제로 데이터베이스의 각 규칙에 대해 가중치는 고정되며 통합과 같습니다. 각 규칙에는 두 가지 유형의 항과 결론이 있을 수 있습니다:

1. 단순 — 단일 퍼지 변수를 포함;
2. 복합 — 여러 퍼지 변수를 포함.

생성된 지식 기반에 따라 모델에 대한 퍼지 추론 시스템이 결정됩니다. 퍼지 논리적 추론은 지식 기반 및 퍼지 연산을 사용하여 입력의 현재 값에 해당하는 퍼지 집합의 형태로 결론을 얻는 것입니다. 퍼지 추론의 두 가지 주요 유형은 Mamdani 및 Sugeno입니다.