퍼지 논리 및 신경망. 퍼지 논리 및 인공 신경망

중심에서 퍼지 논리 1965-1973년 L. Zadeh의 일련의 연구에서 제시된 퍼지 세트 이론이 있습니다. 퍼지 집합과 퍼지 논리의 수학적 이론은 고전 집합 이론과 고전 형식 논리의 일반화입니다. 새로운 이론이 등장한 주된 이유는 사람이 프로세스, 시스템, 대상을 설명하는 데 모호하고 대략적인 추론이 존재했기 때문입니다.

퍼지 세트의 주요 속성을 공식화한 L. Zade는 그의 전임자들의 작업을 기반으로 했습니다. 1920년대 초, 폴란드 수학자 Lukashevich는 술어의 값이 "참" 또는 "거짓"일 수 있는 다중 값 수학적 논리의 원리에 대해 연구했습니다. 1937년에 또 다른 미국 과학자인 M. Black은 Lukashevich의 다가치 논리를 대상 집합으로 목록에 처음으로 적용했으며 그러한 집합을 무기한이라고 불렀습니다.

과학적 방향으로서의 퍼지 논리는 쉽게 발전하지 못했고 사이비 과학이라는 비난을 피할 수 없었다. 1989년에도 국방, 산업, 비즈니스 분야에서 퍼지 논리를 성공적으로 적용한 사례가 수십 건이던 시절에도 미국 국립과학협회는 대학 교과서에서 퍼지 집합에 대한 자료를 제외하는 문제를 논의하고 있었습니다.

퍼지 시스템 개발의 첫 번째 기간(60년대 후반 ~ 70년대 초반)은 퍼지 세트의 이론적 장치 개발이 특징입니다. 1970년 Bellman은 Zadeh와 함께 퍼지 조건에서 의사 결정 이론을 개발했습니다.

70-80년대(제2기)에 콤플렉스의 퍼지 제어 분야에서 첫 번째 실용 성과가 나타났다. 기술 시스템(퍼지 제어 기능이 있는 증기 발생기). I. Mamdani는 1975년에 증기 터빈을 제어하기 위해 Zadeh의 대수학을 기반으로 작동하는 최초의 컨트롤러를 설계했습니다. 동시에 퍼지 논리를 기반으로 한 전문가 시스템의 생성, 퍼지 컨트롤러의 개발에 관심을 기울이기 시작했습니다. 의사 결정 지원을 위한 퍼지 전문가 시스템은 의학 및 경제 분야에서 널리 사용됩니다.

마지막으로 80년대 후반부터 현재까지 이어지는 제3기는 퍼지 전문가 시스템을 구축하기 위한 소프트웨어 패키지가 등장하면서 퍼지 논리의 적용 영역이 눈에 띄게 확장되고 있다. 자동차, 항공 우주 및 운송 산업, 가전 제품 분야, 금융 분야, 분석 및 관리 의사 결정 및 기타 여러 분야에서 사용됩니다. 또한 어떤 수학적 체계도 퍼지 논리에 기초한 체계로 근사할 수 있다는 B. Kosko의 유명한 FAT(Fuzzy Approximation Theorem)의 증명은 퍼지 논리의 발전에 중요한 역할을 했습니다.

퍼지 집합과 퍼지 논리를 기반으로 하는 정보 시스템을 호출합니다. 퍼지 시스템.

장점퍼지 시스템:

불확실한 조건에서 기능;

질적 및 양적 데이터로 운영;

관리에 전문 지식 사용;

대략적인 인간 추론의 모델 구축;

시스템에 대한 모든 종류의 섭동에 따른 안정성.

단점퍼지 시스템은 다음과 같습니다.

퍼지 시스템을 구축하기 위한 표준 방법론의 부족;

기존 방법으로는 퍼지 시스템의 수학적 분석이 불가능합니다.

· 확률적 접근 방식에 비해 퍼지 접근 방식을 사용해도 계산 정확도가 높아지지 않습니다.

퍼지 집합 이론.퍼지 세트 이론과 파삭 파삭 한 세트의 고전 이론의 주요 차이점은 파삭파삭 세트의 경우 특성 함수 계산 결과가 0 또는 1의 두 값만 될 수 있다면 퍼지 세트의 경우이 숫자는 무한하다는 것입니다. 그러나 0에서 1까지의 범위로 제한됩니다.

퍼지 세트. U를 소위 보편집합이라 하자. 주어진 수업문제, 예를 들어 모든 정수 집합, 모든 부드러운 함수 집합 등 집합의 특성 함수는 값이 집합 A의 요소가 다음과 같은지 여부를 나타내는 함수입니다.

퍼지 집합 이론에서 특성 함수를 소속 함수라고 하며 그 값은 퍼지 집합 A에서 요소 x의 소속 정도입니다.

더 엄밀히 말하면, 퍼지 집합 A는 쌍의 집합입니다.

여기서 멤버십 기능, 즉

예를 들어, U =(a, b, c, d, e), . 그러면 요소 a는 집합 A에 속하지 않고, 요소 b는 집합 A에 약간 속하며, 요소 c는 어느 정도 속하고, 요소 d는 집합 A에 속하며, e는 집합 A의 요소입니다.

예. 우주 U를 집합으로 하자 실수. 10에 가까운 숫자 집합을 나타내는 퍼지 집합 A는 다음 소속 함수로 정의할 수 있습니다(그림 21.1).

,

퍼지 논리는 다음에 대한 규칙으로 전문 지식을 표현하는 데 명시적으로 사용될 수 있습니다. 언어 변수, 일반적으로 이러한 변수를 정량화하는 소속 함수를 구성하고 조정하는 데 매우 오랜 시간이 걸립니다. 신경망 교육 방법은 이 프로세스를 자동화하고 개발 시간과 비용을 크게 줄이는 동시에 시스템 매개변수를 개선합니다. 신경망을 사용하여 퍼지 모델의 매개변수를 결정하는 시스템을 신경 퍼지 시스템이라고 합니다. 이러한 시스템의 가장 중요한 속성은 퍼지 if-then 규칙 측면에서 해석 가능성입니다.

이러한 시스템은 협동 신경 퍼지 시스템이라고도 하며 신경망과 퍼지 시스템이 서로 상호 작용하지 않고 동일한 문제를 해결하기 위해 함께 작동하는 경쟁적 신경 퍼지 시스템과 반대됩니다. 이 경우 신경망은 일반적으로 퍼지 시스템의 입력 전처리 또는 출력 후처리에 사용됩니다.

그 외에도 퍼지 신경 시스템도 있습니다. 퍼지 방법을 사용하여 학습 속도를 높이고 성능을 향상시키는 신경망의 이름입니다. 예를 들어 퍼지 규칙을 사용하여 학습 속도를 변경하거나 퍼지 입력 값이 있는 신경망을 고려하여 이를 달성할 수 있습니다.

퍼셉트론의 학습 속도를 제어하는 ​​두 가지 주요 접근 방식이 있습니다. 역전파 방법. 첫 번째 경우, 이 속도는 하나의 글로벌 기준(출력 레이어에서 달성된 평균 제곱근 오차)에 따라 네트워크의 모든 뉴런에 대해 동시에 균일하게 감소합니다. 동시에 네트워크는 훈련 초기 단계에서 빠르게 학습하고 후반 단계에서 오류 진동을 방지합니다. 두 번째 경우에는 개별 뉴런 연결의 변화가 평가됩니다. 다음 두 학습 단계에서 연결 증분의 부호가 반대이면 해당 로컬 속도를 줄이는 것이 타당하고 그렇지 않으면 증가해야 합니다. 퍼지 규칙을 사용하면 로컬 링크 수정 속도를 보다 정확하게 제어할 수 있습니다. 특히, 오류 기울기의 연속 값이 이러한 규칙에 대한 입력 매개변수로 사용되는 경우 이를 달성할 수 있습니다. 해당 규칙의 표는 다음과 같습니다.

언어 변수 학습 속도 및 기울기는 테이블에 설명된 퍼지 적응 규칙에서 다음 값을 취합니다. NB - 큰 음수; NS - 작은 부정; Z - 0에 가깝습니다. 추신 - 작은 긍정; PB - 큰 긍정.

마지막으로, 최신 하이브리드 신경 퍼지 시스템에서는 신경망과 퍼지 모델이 단일 동종 아키텍처로 결합됩니다. 이러한 시스템은 퍼지 매개변수가 있는 신경망 또는 병렬 분산 퍼지 시스템으로 해석될 수 있습니다.

퍼지 논리의 요소

퍼지 논리의 중심 개념은 언어 변수. Lotfi Zade에 따르면 언어 변수는 값이 자연어 또는 인공 언어의 단어 또는 문장인 변수입니다. 예를 들어, 언어 변수의 예로는 무시할 수 있는, 눈에 띄는, 중요하고 치명적인 것과 같은 언어적 가치를 취하는 경우 생산 감소가 있습니다. 언어적 의미가 기존 상황을 명확하게 특징짓지 못한다는 것은 명백합니다. 예를 들어 생산량의 3% 감소는 다소 사소하고 다소 눈에 띄는 것으로 볼 수 있습니다. 주어진 추락이 파국적이라는 척도는 매우 작음에 틀림없다는 것은 직관적으로 분명하다.

알려진 바와 같이, 초기 데이터가 신뢰할 수 없고 형식화되지 않은 문제를 해결하기 위해 퍼지 집합 및 퍼지 논리 장치가 오랫동안(10년 이상) 성공적으로 사용되었습니다. 강점이 접근법:
- 자연에 가까운 언어로 문제를 해결하는 조건과 방법에 대한 설명
- 보편성: 1993년 B. Kosko가 증명한 유명한 FAT(Fuzzy Approximation Theorem)에 따르면 모든 수학적 시스템은 퍼지 논리에 기반한 시스템으로 근사화될 수 있습니다.

동시에 퍼지 전문가 및 제어 시스템에는 다음과 같은 몇 가지 단점이 있습니다.
1) 가정된 퍼지 규칙의 초기 세트는 인간 전문가에 의해 공식화되며 불완전하거나 일관성이 없을 수 있습니다.
2) 시스템의 입력 및 출력 변수를 설명하는 소속 함수의 유형 및 매개 변수는 주관적으로 선택되며 현실을 완전히 반영하지 못할 수 있습니다.
이러한 단점을 적어도 부분적으로 제거하기 위해 많은 저자가 퍼지 전문가 및 제어 시스템을 적응형으로 만들 것을 제안했습니다. 즉, 시스템이 작동함에 따라 멤버십 기능의 규칙과 매개변수를 모두 조정하는 것입니다. 이러한 적응을 위한 몇 가지 옵션 중에서 가장 성공적인 것 중 하나는 분명히 소위 하이브리드 신경망 방법입니다.
하이브리드 신경망은 예를 들어 오류 역전파 알고리즘에 따라 학습이 있는 다층 신경망과 구조적으로 형식적으로 동일하지만 그 안의 숨겨진 계층은 퍼지 시스템 기능의 단계에 해당합니다. 그래서:
-뉴런의 1층은 주어진 입력의 소속함수를 기반으로 퍼지를 도입하는 기능을 수행합니다.
-두 번째 레이어는 일련의 퍼지 규칙을 표시합니다.
- 3층은 명료함을 가져오는 기능을 한다.
이러한 각 계층은 일련의 매개변수(구성원 함수 매개변수, 퍼지 결정 규칙, 활성
합리적 함수, 연결 가중치), 본질적으로 일반 신경망과 동일한 방식으로 구성됩니다.
이 책은 이러한 네트워크 구성 요소의 이론적 측면, 즉 퍼지 논리의 장치, 인공 신경망 이론의 기초 및 불확실성 하에서의 제어 및 의사 결정 문제와 관련하여 적절한 하이브리드 네트워크에 대해 논의합니다.
특별한주의를 기울입니다 소프트웨어 구현수학 시스템 MATLAB 5.2/5.3의 도구로 이러한 접근법의 모델.

이전 기사:

자동 제어 분야의 엔지니어들이 전통적인 전기 기계 및 아날로그 제어 기술에서 컴퓨터화된 분석 및 결정 알고리즘을 통합하는 디지털 메카트로닉 제어 시스템으로 이동하는 동안 새로운 기술이 등장했습니다. 컴퓨터 기술훨씬 더 중요한 변화를 일으킬 수 있습니다. 신경망과 퍼지 논리는 이미 폭넓게 응용되고 있으며 곧 자동 제어 시스템을 구축하고 프로그래밍하는 방식을 바꿀 수 있을 것입니다.

전통적인 컴퓨터에는 명시적으로 주어진 명령의 순차적 처리 및 실행을 기반으로 하는 폰 노이만 아키텍처가 있습니다. ANN(인공 신경망)은 다른 아키텍처를 기반으로 구축됩니다. 이들은 높은 수준의 병렬성을 갖춘 시스템에 결합된 매우 단순한 프로세서 장치로 조립됩니다. 이 시스템은 외부 소스의 데이터 입력에 대한 패턴 인식을 기반으로 암시적 명령을 실행합니다.

퍼지 논리는 또한 전통적인 생각을 뒤집습니다. 미리 결정된 척도(예: "온도 23°C")에서 양의 위치를 ​​설정하는 정확한 측정 대신 퍼지 정보는 모호하게 정의된 중첩 세트("따뜻한 쪽에서 더 차가운 쪽")의 소속 정도를 나타냅니다.

정의

이러한 개념을 사용하는 컴퓨터(또는 더 정확하게는 "추론 기계")는 기존 제어 시스템이 처리할 수 없는 복잡한 문제를 해결할 수 있습니다.

Wikipedia에 따르면 인공 신경망(ANN)은 "수학적 또는 계산 모델을 사용하여 계산의 연결성을 기반으로 정보를 처리하는 상호 연결된 인공 '뉴런' 모음"입니다.

대부분의 경우 ANN은 네트워크를 통과하는 외부 또는 내부 정보의 영향으로 구조를 변경하는 적응형 시스템입니다. 숫자 입력에서 수치 결과를 계산하는 대신 ANN은 입력과 출력 사이의 복잡한 관계를 모델링하거나 데이터에서 패턴을 발견합니다.

기본 노드("뉴런", "뉴로드", "처리 요소" 또는 "블록"이라고도 함)는 서로 연결되어 노드 네트워크를 형성합니다. 유용한 효과그들의 적용은 힘이나 무게를 수정하는 추론 알고리즘을 구현하는 능력에서 비롯됩니다. 네트워크 연결원하는 신호 흐름을 얻습니다.

이 인공 신경망 예제에서 3D 벡터를 나타내는 변수 h는 입력 변수 x에 따라 달라집니다. 다음으로 2차원 벡터변수인 g는 h에 의존하고 마지막으로 출력변수 f는 g에 의존한다.

가장 흥미로운 것은 학습의 가능성인데, 이는 실제로 해결되는 문제의 맥락에서 결과의 정확성을 보여주는 "비용"이라고 하는 특정 값을 최적화하는 것을 의미합니다.

예를 들어, 고전적인 여행하는 세일즈맨 문제의 가격은 거래 영역을 완전히 돌아서 필요한 모든 지점에서 멈추고 출발점에 도달하는 데 필요한 시간입니다. 더 짧은 경로는 더 나은 솔루션을 제공합니다.

이 문제를 해결하기 위해 폰 노이만 컴퓨터는 가능한 모든 경로를 설정한 다음 각 경로를 차례로 확인하고 시간 지연을 합산하여 이 경로의 총 지연을 결정해야 합니다. 가능한 모든 경로의 합계를 계산한 후 컴퓨터는 단순히 다음을 선택합니다. 가장 짧은 것.

반대로 ANN은 총 경로 시간을 최소화하는 구성을 찾기 위해 모든 경로를 병렬로 고려합니다. 이러한 구성을 사용하면 결과 경로가 최소화됩니다. 학습은 이전 경험을 기반으로 경로 최적화 전략을 제공하는 구성 정의로 구성됩니다.

퍼지 논리(위키피디아에 따르면)는 정확한 것보다 더 근사한 추론을 다루는 퍼지 집합 이론에서 파생됩니다. 퍼지 논리의 진실은 퍼지 정의 세트에 속하는 것을 보여줍니다. 퍼지 논리에서는 모호하게 정의된 결정을 기반으로 할 수 있지만 그럼에도 불구하고 매우 중요한 특성입니다. 퍼지 논리는 "조금", "어느 정도", "매우 많이"와 같은 모호한 개념의 사용뿐만 아니라 0에서 1까지의 범위에서 구성원 값을 변경할 수 있습니다. 이것은 특별한 방법으로 집합에서 부분적 멤버십을 구현할 수 있도록 합니다.

주요 응용 분야는 연속 변수의 하위 범위로 설명할 수 있습니다. 예를 들어 잠김 방지 브레이크 시스템의 온도 범위에는 브레이크를 적절하게 제어하는 ​​데 필요한 온도 범위를 결정하는 몇 가지 별도의 멤버쉽 함수가 있을 수 있습니다. 각 함수는 온도 값이 0~1 범위의 진리값에 속하는지 여부를 표시합니다. 그런 다음 이러한 진리값을 사용하여 브레이크 시스템을 제어하는 ​​방법을 선택할 수 있습니다.

이미지 처리

퍼지 논리를 기반으로 한 ANN의 의사 결정을 통해 강력한 제어 시스템을 만들 수 있습니다. 분명히 이 두 개념은 함께 잘 작동합니다. 3개의 퍼지 상태(예: 콜드, 웜, 핫)가 있는 추론 알고리즘은 진리값(0.8, 0.2, 0.0)을 3개의 뉴런에 대한 입력 값으로 사용하여 하드웨어에서 구현될 수 있습니다. , 각각 세 세트 중 하나를 나타냅니다. 각 뉴런은 기능에 따라 입력 값을 처리하고 출력 값을 받습니다. 그러면 두 번째 뉴런 계층의 입력 값이 됩니다.

예를 들어 이미지 처리를 위한 뉴로컴퓨터는 비디오 녹화, 조명 및 하드웨어 설정에 대한 수많은 제한을 제거할 수 있습니다. 이러한 자유도는 신경망을 통해 예제를 검토하여 인식 메커니즘을 구축할 수 있기 때문에 가능합니다. 결과적으로 시스템은 강한 빛과 약한 빛, 서로 다른 각도에 있을 때 양품과 불량품을 인식하도록 훈련될 수 있습니다. 추론 엔진은 조명 조건을 "평가"하는 것으로 시작합니다(즉, 시스템이 작동하는 방법을 알고 있는 다른 조명 조건과의 유사성 정도를 설정함). 그런 다음 시스템은 주어진 조명 조건을 기반으로 하는 기준을 사용하여 이미지 내용에 대한 결정을 내립니다. 시스템은 조명 조건을 퍼지 개념으로 취급하기 때문에 추론 엔진은 알려진 예에서 새로운 조건을 쉽게 결정합니다.

시스템이 더 많은 예제를 학습할수록 이미지 처리 엔진이 더 많은 경험을 얻습니다. 이 학습 프로세스는 예를 들어 유사점과 차이점이 있는 영역에서 학습하기 위해 유사한 속성을 가진 부품 그룹으로 미리 정렬하여 매우 쉽게 자동화할 수 있습니다. 이렇게 관찰된 유사점과 차이점은 들어오는 부품을 이러한 범주로 분류하는 작업을 수행하는 ANN에 정보를 제공할 수 있습니다. 따라서 시스템의 성공 여부는 장비 비용이 아니라 신뢰할 수 있는 추론 엔진을 교육하고 구축하는 데 필요한 이미지 수에 달려 있습니다.

이미징 신경 컴퓨터는 진단이 모델과 알고리즘이 아닌 운영자 경험과 전문 지식에 의존하는 응용 분야에 적합합니다. 프로세서는 작업자가 만든 이미지에 대한 간단한 주석으로 인식 메커니즘을 구축한 다음 주석이 제공된 개체에서 특징 또는 특징 벡터를 추출하여 신경망에 전달할 수 있습니다. 보이는 객체를 설명하는 특징 벡터는 픽셀 행 값, 히스토그램 또는 강도 분포, 강도 분포 프로파일 또는 각 축을 따른 그래디언트처럼 간단할 수 있습니다. 더 복잡한 기능웨이블릿 변환 및 고속 푸리에 변환의 요소를 포함할 수 있습니다.

일반화

예를 통해 학습한 후 신경망은 일반화가 가능하고 이전에 관찰된 적이 없는 상황을 분류하여 예에서 유사한 상황과 연관시킬 수 있습니다. 반면에 시스템이 상황의 과도한 자유와 일반화 경향이 있는 경우 반례를 학습하여 언제든지 해당 동작을 수정할 수 있습니다.

신경망의 관점에서 이 작업은 의사결정 공간의 기존 매핑과 충돌하는 새로운 예를 일치시키기 위해 기존 뉴런의 영향 영역을 줄이는 것입니다.

ANN의 수용을 결정하는 중요한 요소는 독립적이고 적응적인 학습입니다. 이것은 장치가 최소한의 조작자 개입 또는 개입 없이 물체를 연구할 수 있어야 함을 의미합니다. 예를 들어, 미래에는 인형이 처음으로 인형을 펼치는 아이의 얼굴을 인식하고 이름을 물어볼 수 있을 것입니다. 독학 휴대전화첫 번째 소유자의 지문을 검사하는 것으로 구성되었을 수 있습니다. 하나의 장치에서 얼굴, 지문 및 음성 인식을 결합하여 소유자 식별을 향상시킬 수도 있습니다.

자가 학습 설정에서 장치는 작업 환경에서 가장 잘 작동할 자체 인식 엔진을 구축해야 합니다. 예를 들어, 지능형 인형은 머리카락과 피부색, 위치 또는 계절에 관계없이 원래 소유자를 인식해야 합니다.

처음에 엔진은 알고 있는 모든 특징 추출 기술을 사용해야 합니다. 이것은 여러 중간 메커니즘의 형성으로 이어질 것이며, 각각은 객체의 동일한 범주를 식별하도록 설계되었지만 관찰을 기반으로 합니다. 다양한 기능(색상, 거칠기, 대비, 테두리 두께 등). 그 후 일반 메커니즘은 중간 메커니즘의 작업을 평가하여 다음을 제공하는 메커니즘을 선택할 수 있습니다. 더 나은 성능및/또는 정확도.

생선 선별 예

PiscesVMK는 기술 장비선상 및 연안 공장에서 생선 가공용. 이 회사의 고객은 북해와 대서양에서 다양한 종류의 물고기를 1년 내내 조업하는 어류 가공 선박입니다. 이 소비자들은 가능한 한 빨리 어획량을 채우고 싶어합니다. 최고 품질최소한의 직원으로.

일반적으로 생선은 그물과 함께 선상에 실려 세척, 썰기 및 필레팅 기계를 통해 운반되는 컨베이어의 컨테이너로 내려집니다. 가능한 편차에는 잘못된 종류, 손상된 물고기, 탱크에 두 마리 이상의 물고기가 있는 것, 슬라이싱 기계에 들어가기 전에 올바르게 배치하지 않은 것 등이 포함됩니다. 치수, 모양 및 부피가 수학적으로 설명하기 어렵기 때문에 전통적인 이미지 처리 수단으로 이러한 제어를 구현하는 것은 어렵습니다. 또한 이러한 매개 변수는 항해 장소 및 계절에 따라 다를 수 있습니다.

Pisces는 Matrox의 Iris 스마트 카메라와 General Vision의 CogniSight 인식 엔진을 기반으로 20개 이상의 시스템을 설치했습니다. 카메라는 컨베이어 위에 장착되어 생선이 필레팅 기계에 들어가기 직전에 컨베이어 아래를 통과합니다. 카메라는 Siemens Simatic S7-224 컨트롤러(PLC)와 지역 네트워크(랜). 새로운 컨테이너가 시야에 들어올 때마다 카메라 옆에 장착된 스트로보스코픽 광원이 작동합니다. 세 가지 작업을 수행하려면 카메라를 로컬 네트워크에 연결해야 합니다. 초점과 적절한 이미지 대비를 보장하기 위해 변환기를 조정하고, 인식 엔진을 학습하고, 상태가 좋고 상태가 나쁜 물고기의 수를 지속적으로 보고하는 통계에 액세스합니다.

트랜스듀서 조정은 방수 케이스에 카메라를 설치하는 동안 한 번만 수행됩니다. 교육은 각 수영을 시작할 때 처음 잡은 물고기 샘플을 사용하거나 기존 파일을 업로드하여 수행됩니다.

카메라가 지식 베이스를 수신하면 카메라와 통신하지 않고 자율적으로 물고기를 인식할 수 있습니다. 개인용 컴퓨터. INS는 이를 "승인됨", "거부됨", "처리용" 또는 "비어 있음" 범주로 분류합니다. 이 신호는 적절한 물고기를 제거 또는 처리를 위해 통으로 보내는 두 개의 브러시를 제어하는 ​​PLC로 이동합니다. PLC는 또한 어항이 챔버 아래를 통과할 때마다 트리거 신호를 생성하는 자기 센서에 연결됩니다.

Pisces는 현재 노르웨이, 아이슬란드, 스코틀랜드, 덴마크의 5개 어선에 20개 이상의 시스템을 설치했습니다. 시스템은 청어 라인에서 분당 360개의 컨베이어 용량을 추정하지만 더 빠르게 실행할 수 있습니다.

80개의 뉴런으로 구성된 네트워크의 경우 16톤의 물고기를 분류하는 데 98%의 정확도가 달성되었습니다. 어부들은 신뢰성, 유연성 및 사용 용이성으로 인해 시스템에 만족하고 있습니다. 이점: 항해 시간 단축, 어획량 증가, 더 적은 수의 어부들과 소득 공유.

개별 제조 도구에서 신경망은 차량 제어, 레이더 시스템의 패턴 인식, 성격 인식, 물체 인식, 필기, 제스처 및 음성에 적용되었습니다.

퍼지 논리는 이미 자동차와 ABS 시스템, 크루즈 컨트롤, 에어컨, 카메라, 디지털 이미징과 같은 기타 차량 하위 시스템을 제어하는 ​​데 사용되고 있습니다. 인공 지능원격 감각 시스템의 컴퓨터 게임 및 패턴 인식.

유사한 소프트 컴퓨팅 기술도 신뢰할 수 있는 환경을 만드는 데 사용됩니다. 충전기호흡 장치 배터리용. 연속 및 배치 산업에서 퍼지 논리 및 신경망은 일부 자체 조정 컨트롤러의 기초입니다. 일부 마이크로컨트롤러와 마이크로프로세서는 퍼지 로직에 최적화되어 시스템이 훨씬 더 빠르게 실행될 수 있습니다(아래의 "실시간 제어를 위한 빠른 퍼지 로직" 참조).