Mehka logika in nevronske mreže. Mehka logika in umetne nevronske mreže

V središču mehka logika leži teorija mehkih množic, predstavljena v seriji del L. Zadeja v letih 1965-1973. Mehke množice in mehka logika so posplošitve klasične teorije množic in klasične formalne logike. Glavni razlog za nastanek nove teorije je bila prisotnost mehkega in približnega sklepanja, ko oseba opisuje procese, sisteme, predmete.

L. Zadeh, ki je oblikoval to glavno lastnost mehkih množic, je temeljil na delih svojih predhodnikov. V zgodnjih dvajsetih letih prejšnjega stoletja je poljski matematik Lukaševič delal na načelih večvrednostne matematične logike, v kateri so bile vrednosti predikatov lahko več kot le "resnične" ali "napačne". Leta 1937 je drugi ameriški znanstvenik M. Black prvič uporabil Lukaševičevo večvrednostno logiko za sezname kot množice predmetov in takšne množice poimenoval nedoločni.

Mehke logike kot znanstvene smeri ni bilo lahko razviti in se ni izognila obtožbam psevdoznanosti. Celo leta 1989, ko je bilo na desetine primerov uspešne uporabe mehke logike v obrambi, industriji in poslovanju, je ameriško nacionalno znanstveno združenje razpravljalo o vprašanju izključitve gradiva o mehkih sklopih iz inštitutskih učbenikov.

Za prvo obdobje razvoja mehkih sistemov (konec 60-ih - začetek 70-ih) je značilen razvoj teoretičnega aparata mehkih množic. Leta 1970 je Bellman skupaj z Zadehom razvil teorijo odločanja v mehkih pogojih.

V 70-80 letih (drugo obdobje) se pojavijo prvi praktični rezultati na področju mehkega upravljanja kompleksnih tehnični sistemi(generator mehkega pare). I. Mamdani je leta 1975 zasnoval prvi krmilnik, ki deluje na podlagi algebre Zade za krmiljenje parne turbine. Hkrati se je začela posvečati pozornost ustvarjanju ekspertnih sistemov, ki temeljijo na mehki logiki, razvoju mehkih krmilnikov. Mehki ekspertni sistemi za podporo odločanju so našli široko uporabo v medicini in ekonomiji.

Končno se v tretjem obdobju, ki traja od konca 80. let in se nadaljuje še danes, pojavljajo programski paketi za izgradnjo mehkih ekspertnih sistemov, področja uporabe mehke logike pa se močno širijo. Uporablja se v avtomobilski, vesoljski in transportni industriji, gospodinjskih aparatih, financah, analizah in upravljavskih odločitvah ter mnogih drugih. Poleg tega je pomembno vlogo pri razvoju mehke logike odigral dokaz slavnega FAT (Fuzzy Approximation Theorem) B. Cosca, ki pravi, da je vsak matematični sistem mogoče aproksimirati s sistemom, ki temelji na mehki logiki.

Imenujejo se informacijski sistemi, ki temeljijo na mehkih množicah in mehki logiki mehki sistemi.

dostojanstvo mehki sistemi:

· Delovanje v pogojih negotovosti;

· Delovanje s kvalitativnimi in kvantitativnimi podatki;

· Uporaba strokovnega znanja pri upravljanju;

· Izgradnja modelov približnega sklepanja osebe;

· Stabilnost pri vseh možnih motnjah, ki delujejo na sistem.

Slabosti mehki sistemi so:

· Pomanjkanje standardne metodologije za načrtovanje mehkih sistemov;

· nemožnost matematične analize mehkih sistemov z obstoječimi metodami;

· Uporaba mehkega pristopa v primerjavi z verjetnostnim pristopom ne vodi k povečanju natančnosti izračunov.

Teorija mehkih množic. Glavna razlika med teorijo mehkih množic in klasično teorijo ostrih množic je v tem, da če je za jasne množice rezultat izračuna karakteristične funkcije lahko le dve vrednosti - 0 ali 1, je za mehke množice to število neskončno, vendar omejen z razponom od nič do ena.

Mehak komplet. Naj bo U tako imenovana univerzalna množica, iz elementov katere so obravnavane vse druge množice ta razred težave, na primer množica vseh celih števil, množica vseh gladkih funkcij itd. Značilna funkcija niza je funkcija, katere vrednosti kažejo, ali je element množice A:

V teoriji mehkih množic se karakteristična funkcija imenuje funkcija pripadnosti, njena vrednost pa je stopnja pripadnosti elementa x v mehki množici A.

Bolj strogo: mehka množica A je zbirka parov

kje je funkcija članstva, tj

Naj je na primer U = (a, b, c, d, e). Potem element a ne pripada množici A, element b ji pripada v manjši meri, element c bolj ali manj pripada, element d pripada v pomembnem obsegu, e je element množice A.

Primer. Naj bo vesolje U množica realne številke... Mehak niz A, ki označuje niz številk blizu 10, je mogoče določiti z naslednjo funkcijo članstva (slika 21.1):

,

Medtem ko se mehka logika lahko eksplicitno uporablja za predstavitev strokovnega znanja s pravili za jezikovne spremenljivke, običajno traja zelo dolgo, da se izdela in nastavi funkcije članstva, ki kvantificirajo te spremenljivke. Metode poučevanja nevronskih omrežij avtomatizirajo ta proces in znatno zmanjšajo čas in stroške razvoja, hkrati pa izboljšajo parametre sistema. Sistemi, ki uporabljajo nevronske mreže za določanje parametrov mehkih modelov, se imenujejo mehki nevronski sistemi. Najpomembnejša lastnost teh sistemov je njihova interpretabilnost v smislu mehkih pravil če-potem.

Takšni sistemi se imenujejo tudi kooperativni nevronski mehki sistemi in so v nasprotju s konkurenčnimi nevronskimi mehkimi sistemi, v katerih nevronske mreže in mehki sistemi sodelujejo pri reševanju istega problema brez medsebojne interakcije. V tem primeru se nevronska mreža običajno uporablja za predhodno obdelavo vhodov ali za naknadno obdelavo izhodov mehkega sistema.

Poleg njih obstajajo tudi mehki nevronski sistemi. To so imena nevronskih mrež, ki uporabljajo mehke tehnike za pospešitev učenja in izboljšanje njihove učinkovitosti. To je mogoče doseči na primer z uporabo mehkih pravil za spreminjanje hitrosti učenja ali z upoštevanjem nevronskih mrež z mehkimi vhodnimi vrednostmi.

Obstajata dva glavna pristopa za nadzor hitrosti učenja perceptrona širjenje nazaj... V prvem primeru se ta hitrost istočasno in enakomerno zmanjšuje za vse nevrone omrežja, odvisno od enega globalnega kriterija - dosežene povprečne kvadratne napake na izhodni plasti. Hkrati se omrežje hitro uči v začetni fazi usposabljanja in se izogne ​​nihanjem napak v kasnejši fazi. V drugem primeru se ocenjujejo spremembe posameznih mednevronskih povezav. Če imajo pri naslednjih dveh korakih učenja prirast povezav nasproten predznak, je smiselno znižati ustrezno lokalno hitrost - sicer bi jo bilo treba povečati. Uporaba mehkih pravil lahko zagotovi natančnejši nadzor nad lokalnimi stopnjami spreminjanja povezave. Zlasti je to mogoče doseči, če se kot vhodni parametri teh pravil uporabijo zaporedne vrednosti gradientov napak. Tabela ustreznih pravil je lahko na primer naslednja oblika:

Jezikovni spremenljivki Stopnja učenja in Gradient imata v pravilu mehkega prilagajanja, prikazanem v tabeli, naslednje vrednosti: Opomba - velika negativna; NS - majhen negativen; Z - blizu nič; PS - majhen pozitiv; PB - Velika pozitivna.

Končno so v sodobnih hibridnih nevronskih mehkih sistemih nevronske mreže in mehki modeli združeni v eno samo homogeno arhitekturo. Takšne sisteme lahko interpretiramo bodisi kot nevronske mreže z mehkimi parametri ali kot vzporedno porazdeljene mehke sisteme.

Elementi mehke logike

Osrednji koncept mehke logike je koncept jezikovna spremenljivka... Po Lotfi Zadehu je jezikovna spremenljivka spremenljivka, katere vrednosti so besede ali stavke naravnega ali umetnega jezika. Primer jezikovne spremenljivke je na primer padec produkcije, če prevzame jezikovne in ne številčne vrednosti, kot so na primer nepomembne, opazne, pomembne in katastrofalne. Očitno jezikovni pomeni ne označujejo jasno obstoječega stanja. Na primer, 3-odstotni padec proizvodnje lahko obravnavamo kot nekoliko nepomemben in nekoliko opazen. Intuitivno je jasno, da mora biti merilo, da je dani padec katastrofalen, zelo majhno.

Kot veste, se aparat za mehke množice in mehka logika že dolgo (več kot 10 let) uspešno uporablja za reševanje problemov, pri katerih so začetni podatki nezanesljivi in ​​slabo formalizirani. Prednosti ta pristop:
-opis pogojev in načina reševanja problema v jeziku, ki je blizu naravnemu;
-univerzalnost: po znamenitem FAT (Fuzzy Approximation Theorem), ki ga je leta 1993 dokazal B.Kosko, je mogoče kateri koli matematični sistem aproksimirati s sistemom, ki temelji na mehki logiki;

Hkrati so za mehke ekspertne in nadzorne sisteme značilne nekatere pomanjkljivosti:
1) začetni niz postuliranih mehkih pravil oblikuje strokovnjak za ljudi in se lahko izkaže za nepopolnega ali protislovnega;
2) vrsta in parametri članskih funkcij, ki opisujejo vhodne in izhodne spremenljivke sistema, so izbrani subjektivno in morda ne odražajo v celoti realnosti.
Da bi vsaj delno odpravili navedene pomanjkljivosti, so številni avtorji predlagali implementacijo mehkih ekspertnih in nadzornih sistemov s prilagodljivimi - prilagajanje, ko sistem deluje, tako pravil kot parametrov članskih funkcij. Med več različicami takšne prilagoditve je očitno ena najuspešnejših metoda tako imenovanih hibridnih nevronskih mrež.
Hibridna nevronska mreža je po strukturi formalno identična večplastni nevronski mreži z usposabljanjem, na primer po algoritmu povratnega širjenja, vendar skrite plasti v njej ustrezajo fazam delovanja mehkega sistema. Torej:
-1. sloj nevronov opravlja funkcijo uvajanja mehkosti na podlagi danih funkcij pripadnosti vhodov;
-2. sloj prikazuje nabor mehkih pravil;
- 3. plast ima funkcijo ostrenja.
Za vsako od teh plasti je značilen niz parametrov (parametri članskih funkcij, mehka pravila odločanja, aktivna
funkcionalne funkcije, uteži povezav), katerih prilagoditev se v bistvu izvaja na enak način kot pri običajnih nevronskih mrežah.
Knjiga obravnava teoretične vidike komponent takšnih omrežij, in sicer aparata mehke logike, temelje teorije umetnih nevronskih mrež in samih hibridnih omrežij v povezavi s problemi upravljanja in odločanja v pogojih negotovosti.
Posebna pozornost je namenjena implementacija programske opreme modele teh pristopov z uporabo orodij matematičnega sistema MATLAB 5.2 / 5.3.

Prejšnji članki:

Medtem ko so se inženirji, ki so delali na področju avtomatskega krmiljenja, ukvarjali s prehodom s tradicionalnih elektromehanskih in analognih krmilnih tehnologij na digitalne mehatronske krmilne sisteme, ki združujejo računalniške algoritme za analizo in odločanje, so se na obzorju pojavili novi. Računalniške tehnologije ki lahko prinese še pomembnejše spremembe. Nevronske mreže in mehka logika so že našle široko uporabo in bodo kmalu lahko spremenile način gradnje in programiranja avtomatskih krmilnih sistemov.

Tradicionalni računalniki imajo von Neumannovo arhitekturo, ki temelji na zaporedni obdelavi in ​​izvajanju izrecno danih navodil. Umetne nevronske mreže (ANN) temeljijo na drugačni arhitekturi. Sestavljeni so iz zelo preprostih procesorskih enot, združenih v sistem z visoko stopnjo vzporednosti. Ta sistem izvaja implicitna navodila, ki temeljijo na prepoznavanju vzorcev na vhodih podatkov iz zunanjih virov.

Mehka logika obrne tudi tradicionalna prepričanja na glavo. Namesto rezultatov natančnih meritev, ki določajo položaj vrednosti na dani lestvici (na primer "temperatura 23 ° C"), mehke informacije kažejo na stopnjo pripadnosti mehkim prekrivajočim se nizom ("na hladnejši strani toplejšega ").

Definicije

Računalniki (ali natančneje, "stroji za sklepanje"), ki uporabljajo te koncepte, so sposobni reševati kompleksne probleme, ki presegajo zmožnosti tradicionalnih nadzornih sistemov.

Umetna nevronska mreža (ANN) je po Wikipediji "medsebojno povezana zbirka umetnih 'nevronov', ki uporablja matematični ali računalniški model za obdelavo informacij na podlagi povezanosti kalkulatorjev."

V večini primerov je ANN prilagodljiv sistem, ki spreminja svojo strukturo pod vplivom zunanjih ali notranjih informacij, ki prehajajo skozi omrežje. Namesto izračuna številčnih rezultatov iz številčnih vhodnih podatkov, ANN modelirajo zapletene odnose med vhodi in izhodi ali odkrijejo vzorce v podatkih.

Elementarna vozlišča (imenovana tudi "nevroni", "nevrode", "obdelovalni elementi" ali "bloki") so povezana skupaj in tvorijo mrežo vozlišč. Ugoden učinek njihove uporabe izhaja iz zmožnosti izvajanja algoritmov sklepanja, ki spreminjajo sile ali uteži. omrežne povezave za pridobitev zahtevanega signalnega toka.

V tem primeru umetne nevronske mreže je spremenljivka h, ki predstavlja 3D vektor, odvisna od vhodne spremenljivke x. Nato je g, dvodimenzionalna vektorska spremenljivka, odvisna od h in končno je izhodna spremenljivka f odvisna od g.

Najbolj zanimiva je možnost učenja, ki v praksi pomeni optimizacijo določene vrednosti, pogosto imenovane »cena«, ki kaže pravilnost rezultata v kontekstu rešenega problema.

Na primer, cena v klasičnem problemu potujočega prodajalca je čas, ki je potreben, da se v celoti obišče ozemlje posla s postanki na vseh zahtevanih točkah in prispe na začetno točko. Krajša pot je boljša rešitev.

Da bi rešili to težavo, morajo von Neumannovi računalniki določiti vse možne poti, nato pa preveriti vsako pot po vrsti in sešteti časovne zamude za določitev skupne zamude za to pot. Po izračunu vsote za vse možne poti računalnik preprosto izbere najkrajšo .

Nasprotno pa ANN upoštevajo vse poti vzporedno, da bi našli konfiguracije, ki minimizirajo skupni čas poti. Uporaba teh konfiguracij zmanjša nastalo pot. Usposabljanje je sestavljeno iz identifikacije konfiguracij, ki na podlagi prejšnjih izkušenj zagotavljajo strategije optimizacije poti.

Mehka logika (spet glede na Wikipedijo) izhaja iz teorije mehkih množic, ki obravnava sklepanje, ki je bolj približno kot natančno. Resnica v mehki logiki kaže pripadnost mehkim množicam. V mehki logiki je mogoče odločitve sprejemati na podlagi nenatančnih, a kljub temu zelo pomembnih značilnosti. Mehka logika omogoča spreminjanje vrednosti članstva v nizu v območju od 0 do vključno 1, pa tudi uporabo tako nejasnih pojmov, kot so "malo", "do neke mere" in "zelo". To omogoča izvedbo delnega članstva v nizu na poseben način.

Glavno aplikacijo je mogoče opisati z neprekinjenimi spremenljivimi podobmočji. Na primer, temperaturno območje protiblokirnega zavornega sistema ima lahko več ločenih funkcij dodatne opreme, ki določajo temperaturna območja, potrebna za pravilno upravljanje zavor. Vsaka funkcija prikazuje, ali je vrednost temperature resnična vrednost v območju od 0 do 1. Te resnične vrednosti se lahko nato uporabijo za izbiro metode krmiljenja zavornega sistema.

Obdelava slike

Z sprejemanjem odločitev v ANN, ki temelji na mehki logiki, je mogoče ustvariti močan nadzorni sistem. Očitno ta dva koncepta dobro delujeta skupaj: algoritem sklepanja s tremi mehkimi stanji (npr. hladno, toplo, vroče) bi lahko implementirali v strojno opremo z uporabo resničnih vrednosti (0,8, 0,2, 0,0) kot vhodov za tri nevrone, vsakega od ki predstavlja enega od treh sklopov. Vsak nevron obdela vhodno vrednost v skladu s svojo funkcijo in prejme izhodno vrednost, ki bo nato vhodna vrednost za drugo plast nevronov itd.

Na primer, nevroračunalnik za obdelavo slik lahko odstrani številne omejitve glede snemanja videa, osvetlitve in nastavitev strojne opreme. Ta stopnja svobode postane možna zaradi dejstva, da nevronska mreža omogoča izgradnjo mehanizma za prepoznavanje s preučevanjem primerov. Posledično se lahko sistem usposobi za prepoznavanje dobrih in pokvarjenih izdelkov pri močni in šibki svetlobi, ko se nahajajo pod različnimi koti itd. Mehanizem sklepanja se začne z "ocenjevanjem" svetlobnih pogojev (z drugimi besedami, ugotavlja stopnjo podobnosti z drugimi svetlobnimi pogoji, pod katerimi sistem ve, kako naprej). Sistem se nato odloči o vsebini slike po kriterijih, ki temeljijo na danih svetlobnih pogojih. Ker sistem obravnava svetlobne pogoje kot mehke koncepte, motor sklepanja zlahka določi nove pogoje iz znanih primerov.

Več primerov, ko sistem preuči, več izkušenj pridobi motor za obdelavo slik. Ta učni proces je mogoče precej enostavno avtomatizirati, na primer s predhodnim razvrščanjem v skupine delov s podobnimi lastnostmi za usposabljanje na področjih podobnosti in razlik. Te opažene podobnosti in razlike lahko dodatno zagotovijo informacije ANN, katere naloga je razvrstiti prihajajoče dele v te kategorije. Tako uspeh sistema ni odvisen od stroškov opreme, temveč od števila slik, potrebnih za usposabljanje in izgradnjo zanesljivega sklepnega mehanizma.

Nevroračunalnik za obdelavo slik je primeren za aplikacije, kjer se diagnostika opira na izkušnje in strokovno presojo operaterja in ne na modele in algoritme. Procesor lahko iz preprostih slikovnih komentarjev, ki jih naredi operater, sestavi mehanizem za prepoznavanje, nato iz označenih objektov ekstrahira značilnosti ali vektorje značilnosti in jih posreduje v nevronsko mrežo. Vektorji značilnosti, ki opisujejo vidne objekte, so lahko tako preprosti, kot so vrednosti vrstic slikovnih pik, histogram ali porazdelitev intenzivnosti, profili porazdelitve intenzivnosti ali gradienti vzdolž ustreznih osi. Več zapleteni znaki lahko vključuje elemente valovne transformacije in hitre Fourierjeve transformacije.

Posplošitve

Po učenju s primeri je nevronska mreža sposobna posploševanja in lahko razvrsti situacije, ki jih še nikoli nismo opazili, ter jih poveže s podobnimi situacijami iz primerov. Po drugi strani pa, če je sistem nagnjen k pretirani svobodi in posploševanju situacij, lahko njegovo obnašanje kadarkoli popravimo z učenjem nasprotnih primerov.

Z vidika nevronske mreže je ta operacija zmanjšanje vplivnih območij obstoječih nevronov v skladu z novimi primeri, ki so v nasprotju z obstoječim preslikavanjem prostora odločanja.

Pomemben dejavnik, ki določa prepoznavanje ANN, je samousmerjeno in prilagodljivo učenje. To pomeni, da mora biti naprava sposobna preučevati objekt z minimalnim posegom operaterja ali brez njega. V prihodnosti lahko na primer punčke prepoznajo obraz otroka, ki jih prvič razgrne, in vprašajo za njegovo ime. Samoučenje za mobitel lahko preučuje prstni odtis svojega prvega lastnika. Prepoznavanje lastnika je mogoče izboljšati tudi z združevanjem prepoznavanja obraza, prstnega odtisa in govora v eni napravi.

V okolju samouka mora naprava zgraditi lasten motor za prepoznavanje, ki bo najbolje deloval v svojem delovnem okolju. Pametna lutka mora na primer prepoznati svojega prvotnega lastnika ne glede na barvo las in kože, lokacijo ali letni čas.

Sprva mora motor uporabljati vse tehnike pridobivanja lastnosti, ki jih pozna. To bo vodilo do oblikovanja številnih vmesnih mehanizmov, od katerih je vsak zasnovan za identifikacijo istih kategorij predmetov, vendar temelji na opazovanju. različne funkcije(barva, zrnatost, kontrast, debelina robov itd.). Po tem lahko splošni mehanizem oceni delo vmesnih mehanizmov in izbere tiste, ki dajejo boljšo zmogljivost in/ali natančnost.

Primer sortiranja rib

RibeVMK proizvaja tehnološko opremo za predelavo rib na krovu in v tovarnah na morju. Stranke podjetja so plovila za predelavo rib, ki lovijo različne vrste rib skozi vse leto v Severnem morju in Atlantskem oceanu. Ti potrošniki želijo svoja skladišča čim hitreje napolniti z najkakovostnejšim ulovom z minimalnim številom delavcev.

Običajno se ribe pripeljejo na krov z mrežami in raztovorijo v zabojnike na tekočem traku, ki jih prenaša skozi stroje za čiščenje, rezanje in filetiranje. Možna odstopanja vključujejo neprimerno sorto, poškodovane ribe, več kot eno ribo v posodi in nepravilen položaj pred vstopom v rezalnik. Izvedba takšnega nadzora s tradicionalnimi sredstvi obdelave slik je težka, saj je velikost, obliko in prostornino težko matematično opisati. Poleg tega se ti parametri lahko razlikujejo glede na lokacijo plovbe in letni čas.

Ribi so namestili več kot 20 sistemov, ki temeljijo na Matroxovi pametni kameri Iris in motorju za prepoznavanje CogniSight podjetja General Vision. Kamera je nameščena nad transporterjem, tako da riba preide pod njo tik pred vstopom v filetir. Kamera je povezana s krmilnikom Siemens Simatic S7-224 (PLC) in z lokalno omrežje(LAN). Stroboskopski vir svetlobe, nameščen poleg kamere, se sproži vsakič, ko se v vidnem polju pojavi nova posoda. Priključitev kamere na lokalno omrežje je potrebna za izvedbo treh operacij: prilagoditev pretvornika, da se zagotovi ostrenje in ustrezen kontrast slike, usposabljanje mehanizma za prepoznavanje in dostop do statistike, ki nenehno poroča o številu kondicioniranih in podstandardnih rib.

Pretvornik je nastavljen samo enkrat, ko je kamera nameščena v vodotesno ohišje. Usposabljanje se opravi na začetku vsakega plavanja z vzorci rib iz prvega ulova ali z nalaganjem obstoječe datoteke.

Ko kamera prejme bazo znanja, lahko začne samostojno prepoznavati ribe, brez komunikacije osebni računalnik... ANN ga razvrsti v kategorije "sprejeto", "zavrnjeno", "za obdelavo" ali "prazno". Ta signal gre v PLC, ki nadzoruje dve krtači, ki vodita posamezne ribe v posode za odstranjevanje ali predelavo. PLC je povezan tudi z magnetnim senzorjem, ki generira startni signal vsakič, ko posoda z ribami preide pod kamero.

Trenutno je Ribi namestil več kot 20 sistemov v 5 različnih ribiških flotah na Norveškem, Islandiji, Škotskem in Danskem. Sistem ocenjuje 360 ​​transportnih trakov na minuto na sledovih, vendar lahko deluje še hitreje.

Za mrežo 80 nevronov je bila pri razvrščanju 16 ton rib dosežena 98-odstotna natančnost. Ribiči so s sistemom zadovoljni zaradi njegove zanesljivosti, prilagodljivosti in enostavne uporabe. Prednosti: Krajši čas plovbe, boljša kakovost ulova in boljši dohodek, porazdeljen med manj ribičev.

V orodjih za diskretno proizvodnjo so nevronske mreže našle uporabo pri upravljanju vozil, prepoznavanju vzorcev v radarskih sistemih, prepoznavanju osebnosti, prepoznavanju predmetov, rokopisu, kretnji in prepoznavanju govora.

Fuzzy logika se že uporablja za krmiljenje avtomobila in drugih podsistemov vozila, kot sta ABS in tempomat, pa tudi klimatske naprave, kamere, digitalna obdelava slik, umetna inteligenca računalniške igre in prepoznavanje vzorcev v oddaljenih senzoričnih sistemih.

Podobne mehke računalniške tehnologije se uporabljajo tudi za ustvarjanje zanesljivih polnilnik za baterije za dihalne aparate. V kontinuirni in serijski industriji so mehka logika in nevronske mreže hrbtenica nekaterih samonastavljivih krmilnikov. Nekateri mikrokrmilniki in mikroprocesorji so optimizirani za mehko logiko, tako da lahko sistemi delujejo še hitreje (glejte spodaj »Fast Fuzzy Logic za nadzor v realnem času«).