Logjika fuzzy dhe rrjetet nervore. Logjika fuzzy dhe rrjetet nervore artificiale

Në zemër të logjikë fuzzy qëndron teoria e grupeve fuzzy, e paraqitur në një seri punimesh nga L. Zadeh në 1965-1973. Grupet fuzzy dhe logjika fuzzy janë përgjithësime të teorisë klasike të seteve dhe logjikës klasike formale. Arsyeja kryesore për shfaqjen e një teorie të re ishte prania e arsyetimit të paqartë dhe të përafërt kur një person përshkruan procese, sisteme, objekte.

L. Zadeh, duke formuluar këtë pronë kryesore të grupeve fuzzy, u bazua në veprat e paraardhësve të tij. Në fillim të viteve 1920, matematikani polak Lukashevich po punonte mbi parimet e logjikës matematikore me shumë vlera, në të cilat vlerat e kallëzuesve mund të ishin më shumë sesa thjesht "të vërteta" ose "të rreme". Në 1937, një shkencëtar tjetër amerikan M. Black aplikoi për herë të parë logjikën shumëvlerë të Lukashevich në listat si grupe objektesh dhe i quajti këto grupe të pacaktuar.

Logjika e paqartë si drejtim shkencor nuk ishte e lehtë për tu zhvilluar dhe nuk i shpëtoi akuzave për pseudoshkencë. Edhe në vitin 1989, kur kishte dhjetëra shembuj të aplikimit të suksesshëm të logjikës fuzzy në mbrojtje, industri dhe biznes, Shoqëria Kombëtare e Shkencës e SHBA diskutoi çështjen e përjashtimit të materialeve në grupe fuzzy nga tekstet shkollore të institutit.

Periudha e parë e zhvillimit të sistemeve fuzzy (fundi i viteve 60 - fillimi i viteve 70) karakterizohet nga zhvillimi i aparatit teorik të grupeve fuzzy. Në 1970, Bellman dhe Zadeh zhvilluan teorinë e vendimmarrjes në kushte të paqarta.

Në vitet 70-80 (periudha e dytë), rezultatet e para praktike shfaqen në fushën e menaxhimit fuzzy të kompleksit sistemet teknike(gjenerator avulli fuzzy). I. Mamdani në 1975 projektoi kontrolluesin e parë që vepronte në bazë të algjebrës Zade për të kontrolluar një turbinë me avull. Në të njëjtën kohë, vëmendja filloi t'i kushtohet krijimit të sistemeve të ekspertëve të bazuara në logjikën fuzzy, zhvillimin e kontrolluesve të paqartë. Sistemet e paqarta të ekspertëve për mbështetjen e vendimeve kanë gjetur aplikim të gjerë në mjekësi dhe ekonomi.

Së fundi, në periudhën e tretë, e cila zgjat nga fundi i viteve 1980 dhe vazhdon në kohën e tanishme, shfaqen paketa softuerësh për ndërtimin e sistemeve të ekspertëve fuzzy, dhe fushat e aplikimit të logjikës fuzzy po zgjerohen ndjeshëm. Përdoret në industrinë e automobilave, hapësirës ajrore dhe transportit, pajisjeve shtëpiake, financave, vendimmarrjes së analizave dhe menaxhimit dhe shumë të tjera. Për më tepër, prova e FAT (Teorema e Përafrimit Fuzzy) nga B. Cosco, e cila deklaroi se çdo sistem matematikor mund të përafrohet nga një sistem i bazuar në logjikën fuzzy, luajti një rol të rëndësishëm në zhvillimin e logjikës fuzzy.

Quhen sisteme informacioni të bazuara në grupe fuzzy dhe logjikë fuzzy sistemet fuzzy.

Përparësitë sistemet fuzzy:

· Funksionimi në kushtet e pasigurisë;

· Funksionimi me të dhëna sasiore dhe cilësore;

· Përdorimi i njohurive të ekspertëve në menaxhim;

· Ndërtimi i modeleve të arsyetimit të përafërt të një personi;

· Stabiliteti nën të gjitha shqetësimet e mundshme që veprojnë në sistem.

Disavantazhet sistemet fuzzy janë:

· Mungesa e një metodologjie standarde për projektimin e sistemeve fuzzy;

· Pamundësia e analizës matematikore të sistemeve fuzzy me metodat ekzistuese;

· Përdorimi i një qasjeje të paqartë në krahasim me qasjen e mundshme nuk çon në një rritje të saktësisë së llogaritjeve.

Teoria e grupeve fuzzy. Dallimi kryesor midis teorisë së grupeve fuzzy dhe teorisë klasike të grupeve të freskëta është se nëse për grupe të qarta rezultati i llogaritjes së funksionit karakteristik mund të jetë vetëm dy vlera- 0 ose 1, atëherë për grupet fuzzy ky numër është i pafund, por e kufizuar nga diapazoni nga zero në një.

Set i paqartë. Le të jetë U i ashtuquajturi grup universal, nga elementët e të cilit të gjitha grupet e tjera merren parasysh këtë klasë probleme, për shembull, grupi i të gjithë numrave të plotë, grupi i të gjitha funksioneve të lëmuara, etj. Funksioni karakteristik i një grupi është një funksion vlerat e të cilit tregojnë nëse është një element i bashkësisë A:

Në teorinë e grupeve fuzzy, funksioni karakteristik quhet një funksion anëtarësie, dhe vlera e tij është shkalla e anëtarësisë së një elementi x në një grup fuzzy A.

Më rreptësisht: një grup i paqartë A është një koleksion i çifteve

ku është funksioni i anëtarësimit, domethënë

Le, për shembull, U = (a, b, c, d, e) ,. Atëherë elementi a nuk i përket bashkësisë A, elementi b i përket në një masë të vogël, elementi c pak a shumë i përket, elementi d i përket një shkalle të madhe, e është një element i bashkësisë A.

Shembull. Le të jetë universi U i vendosur numrat realë... Një grup i paqartë A, që tregon një grup numrash afër 10, mund të specifikohet me funksionin e mëposhtëm të anëtarësimit (Fig.21.1):

,

Ndërsa logjika fuzzy mund të përdoret në mënyrë eksplicite për të përfaqësuar njohuritë e ekspertëve me rregulla për ndryshoret gjuhësore, zakonisht kërkon një kohë shumë të gjatë për të ndërtuar dhe vendosur funksione të anëtarësimit që përcaktojnë sasinë e këtyre ndryshoreve. Metodat e mësimit të rrjetit nervor automatizojnë këtë proces dhe zvogëlojnë ndjeshëm kohën dhe kostot e zhvillimit, duke përmirësuar parametrat e sistemit. Sistemet që përdorin rrjetet nervore për të përcaktuar parametrat e modeleve fuzzy quhen sisteme nervore fuzzy. Prona më e rëndësishme e këtyre sistemeve është interpretueshmëria e tyre në aspektin e rregullave fuzzy if-then.

Sisteme të tilla quhen gjithashtu sisteme nervore fuzzy bashkëpunuese dhe janë kundër sistemeve konkurruese nervore fuzzy, në të cilat rrjetet nervore dhe sistemet fuzzy punojnë së bashku për të zgjidhur të njëjtin problem pa ndërvepruar me njëri -tjetrin. Në këtë rast, një rrjet nervor përdoret zakonisht për para-përpunimin e hyrjeve ose për daljet pas përpunimit të një sistemi fuzzy.

Përveç tyre, ka edhe sisteme nervore të paqarta. Këta janë emrat e rrjeteve nervore që përdorin teknika fuzzy për të përshpejtuar mësimin dhe për të përmirësuar performancën e tyre. Kjo mund të arrihet, për shembull, duke përdorur rregulla fuzzy për të ndryshuar shkallën e të mësuarit ose duke marrë parasysh rrjetet nervore me vlera hyrëse fuzzy.

Ekzistojnë dy qasje kryesore për të kontrolluar shkallën e të mësuarit të perceptronit ripopullim... Në rastin e parë, kjo normë zvogëlohet njëkohësisht dhe në mënyrë uniforme për të gjithë neuronet e rrjetit, në varësi të një kriteri global-gabimit të arritur rrënjë-mesatare-katror në shtresën dalëse. Në të njëjtën kohë, rrjeti mëson shpejt në fazën fillestare të trajnimit dhe shmang luhatjet e gabimeve në një fazë të mëvonshme. Në rastin e dytë, vlerësohen ndryshimet në lidhjet individuale interneuronale. Nëse në dy hapat e ardhshëm të mësimit rritjet e lidhjeve kanë shenjën e kundërt, atëherë është e arsyeshme të zvogëloni normën përkatëse lokale - përndryshe ajo duhet të rritet. Përdorimi i rregullave të paqarta mund të sigurojë kontroll më të saktë të normave lokale të modifikimit të lidhjes. Në veçanti, kjo mund të arrihet nëse vlerat e njëpasnjëshme të gradienteve të gabimeve përdoren si parametra hyrës të këtyre rregullave. Tabela e rregullave përkatëse mund të jetë, për shembull, forma e mëposhtme:

Variablat gjuhësorë Shkalla e të nxënit dhe Gradienti marrin vlerat e mëposhtme në rregullin e përshtatjes fuzi të ilustruar në tabelë: NB - negativ i madh; NS - negativ i vogël; Z - afër zeros; PS - pozitive e vogël; PB - Pozitiv i madh.

Së fundi, në sistemet moderne hibride nervore fuzzy, rrjetet nervore dhe modelet fuzzy kombinohen në një arkitekturë të vetme homogjene. Sisteme të tilla mund të interpretohen ose si rrjete nervore me parametra fuzzy, ose si sisteme fuzzy të shpërndara paralelisht.

Elemente logjike fuzzy

Koncepti qendror i logjikës fuzzy është koncepti ndryshore gjuhësore... Sipas Lotfi Zadeh, një ndryshore gjuhësore është një ndryshore vlerat e së cilës janë fjalë ose fjali të një gjuhe natyrore ose artificiale. Një shembull i një ndryshoreje gjuhësore është, për shembull, rënia e prodhimit nëse merr vlera gjuhësore dhe jo numerike, të tilla si, për shembull, të parëndësishme, të dukshme, domethënëse dhe katastrofike. Natyrisht, kuptimet gjuhësore nuk e karakterizojnë qartë situatën ekzistuese. Për shembull, një rënie prej 3% në prodhim mund të shihet si e parëndësishme dhe e parëndësishme. Intshtë intuitivisht e qartë se masa që një rënie e caktuar është katastrofike duhet të jetë shumë e vogël.

Siç e dini, aparati i grupeve fuzzy dhe logjika fuzzy është përdorur me sukses për një kohë të gjatë (më shumë se 10 vjet) për zgjidhjen e problemeve në të cilat të dhënat fillestare janë jo të besueshme dhe të formalizuara dobët. Pikat e forta kjo qasje:
-përshkrimi i kushteve dhe metodës për zgjidhjen e problemit në një gjuhë të afërt me atë natyrore;
-universiteti: sipas FAT -it të famshëm (Teorema e Përafrimit Fuzzy), të vërtetuar nga B.Kosko në 1993, çdo sistem matematikor mund të përafrohet nga një sistem i bazuar në logjikën fuzzy;

Në të njëjtën kohë, disavantazhe të caktuara janë karakteristike për sistemet e ekspertëve dhe kontrollit të paqartë:
1) grupi fillestar i rregullave të dyshimta të paqarta është formuluar nga një ekspert njerëzor dhe mund të rezultojë i paplotë ose kontradiktor;
2) lloji dhe parametrat e funksioneve të anëtarësimit që përshkruajnë ndryshoret hyrëse dhe dalëse të sistemit janë zgjedhur në mënyrë subjektive dhe mund të mos pasqyrojnë plotësisht realitetin.
Për të eleminuar, të paktën pjesërisht, mangësitë e treguara, një numër autorësh propozuan zbatimin e sistemeve të ekspertëve fuzzy dhe kontrollit me ato adaptive - duke rregulluar, siç funksionon sistemi, si rregullat ashtu edhe parametrat e funksioneve të anëtarësimit. Ndër disa variante të një përshtatjeje të tillë, një nga më të suksesshmet, me sa duket, është metoda e të ashtuquajturve rrjete nervore hibride.
Një rrjet nervor hibrid është formalisht identik në strukturë me një rrjet nervor me shumë shtresa me trajnim, për shembull, sipas algoritmit të gabimit të shpërthimit të gabimit, por shtresat e fshehura në të korrespondojnë me fazat e funksionimit të sistemit fuzzy. Kështu që:
Shtresa -1 e neuroneve kryen funksionin e futjes së paqartësisë bazuar në funksionet e dhëna të anëtarësimit të inputeve;
Shtresa e dytë shfaq një sërë rregullash të paqarta;
- Shtresa e 3 -të ka funksionin e mprehjes.
Secila nga këto shtresa karakterizohet nga një grup parametrash (parametrat e funksioneve të anëtarësimit, rregullat e vendimit të paqartë, aktiv
funksionet, peshat e lidhjeve), rregullimi i të cilave kryhet, në thelb, në të njëjtën mënyrë si për rrjetet nervore konvencionale.
Libri shqyrton aspektet teorike të përbërësve të rrjeteve të tilla, përkatësisht, aparatin e logjikës fuzzy, themelet e teorisë së rrjeteve nervore artificiale dhe rrjeteve hibride të përshtatshme në lidhje me problemet e kontrollit dhe vendimmarrjes në kushte pasigurie.
Vëmendje e veçantë i kushtohet zbatimit softuerik të modeleve të këtyre qasjeve duke përdorur mjetet e sistemit matematikor MATLAB 5.2 / 5.3.

Artikujt e mëparshëm:

Ndërsa inxhinierët që punonin në fushën e kontrollit automatik ishin të angazhuar në kalimin nga teknologjitë tradicionale të kontrollit elektromekanik dhe analog në sistemet dixhitale të kontrollit mekatronik që kombinojnë algoritme të kompjuterizuara për analiza dhe vendimmarrje, të reja u shfaqën në horizont. Teknologjitë kompjuterike që mund të sjellë ndryshime edhe më domethënëse. Rrjetet nervore dhe logjika fuzzy tashmë kanë gjetur përdorim të gjerë dhe së shpejti do të jenë në gjendje të ndryshojnë mënyrat e ndërtimit dhe programimit të sistemeve të kontrollit automatik.

Kompjuterët tradicionalë kanë arkitekturë von Neumann, e cila bazohet në përpunimin dhe ekzekutimin sekuencial të udhëzimeve të dhëna në mënyrë eksplicite. Rrjetet nervore artificiale (ANN) bazohen në një arkitekturë të ndryshme. Ato janë mbledhur nga njësi shumë të thjeshta procesori të kombinuara në një sistem me një nivel të lartë paralelizmi. Ky sistem ekzekuton udhëzime të nënkuptuara bazuar në njohjen e modelit në hyrjet e të dhënave nga burimet e jashtme.

Logjika e paqartë gjithashtu i kthen përmbys bindjet tradicionale. Në vend të rezultateve të matjeve të sakta që përcaktojnë pozicionin e vlerës në një shkallë të caktuar (për shembull, "temperatura 23 ° C"), informacioni fuz tregon shkallën e përkatësisë së grupeve fuzzy të mbivendosura ("në anën më të ftohtë të ngrohësit ").

Përkufizimet

Kompjuterët (ose më saktë, "makinat e konkluzionit") që përdorin këto koncepte janë të afta të zgjidhin probleme komplekse që janë përtej fuqisë së sistemeve tradicionale të kontrollit.

Një rrjet nervor artificial (ANN), sipas Wikipedia, është "një koleksion i ndërlidhur i" neuroneve "artificiale që përdor një model matematikor ose llogaritës për të përpunuar informacionin bazuar në lidhshmërinë e llogaritësve."

Në shumicën e rasteve, ANN është një sistem adaptues që ndryshon strukturën e tij nën ndikimin e informacionit të jashtëm ose të brendshëm që kalon përmes rrjetit. Në vend që të llogariten rezultatet numerike nga të dhënat numerike të hyrjes, ANN -të modelojnë marrëdhënie komplekse midis hyrjeve dhe daljeve ose zbulojnë modele në të dhëna.

Nyjet elementare (të quajtura edhe "neurone", "neurode", "elementë të përpunimit" ose "blloqe") janë të lidhura së bashku dhe formojnë një rrjet nyjesh. Efekti i dobishëm i aplikimit të tyre buron nga aftësia për të zbatuar algoritme përfundimi që ndryshojnë forcat ose peshat. lidhjet e rrjetit për të marrë rrjedhën e kërkuar të sinjalit.

Në këtë shembull të një rrjeti nervor artificial, ndryshorja h që përfaqëson vektorin 3D varet nga ndryshorja hyrëse x. Tjetra, g, një ndryshore vektoriale dy-dimensionale, varet nga h, dhe së fundi, ndryshorja dalëse f varet nga g.

Më interesantja është mundësia e të mësuarit, e cila në praktikë nënkupton optimizimin e një vlere, të quajtur shpesh "çmim", që tregon korrektësinë e rezultatit në kontekstin e problemit që po zgjidhet.

Për shembull, çmimi në problemin klasik të shitësit udhëtues është koha e kërkuar për të kaluar plotësisht territorin e një tregtie me ndalesa në të gjitha pikat e kërkuara dhe për të arritur në pikën e fillimit. Një rrugë më e shkurtër jep një zgjidhje më të mirë.

Për të zgjidhur këtë problem, kompjuterët von Neumann duhet të krijojnë të gjitha rrugët e mundshme, pastaj të kontrollojnë secilën rrugë me radhë, duke shtuar vonesat kohore për të përcaktuar vonesën totale për atë rrugë. Pas llogaritjes së shumave për të gjitha rrugët e mundshme, kompjuteri thjesht zgjedh atë më të shkurtër Me

Në të kundërt, ANN -të i konsiderojnë të gjitha rrugët paralelisht në mënyrë që të gjejnë konfigurime që minimizojnë kohën totale të itinerarit. Përdorimi i këtyre konfigurimeve minimizon rrugën që rezulton. Trajnimi konsiston në identifikimin e konfigurimeve që, bazuar në përvojën e mëparshme, ofrojnë strategji të optimizimit të itinerarit.

Logjika fuzzy (përsëri sipas Wikipedia) rrjedh nga teoria e grupeve fuzzy, e cila merret me arsyetimin që është më i përafërt sesa i saktë. E vërteta në logjikën fuzzy tregon që i përkasin grupeve fuzzy. Në logjikën e paqartë, vendimet mund të merren në bazë të karakteristikave të pasakta, por gjithsesi shumë të rëndësishme. Logjika e paqartë lejon ndryshimin e vlerave të anëtarësisë në një grup në rangun 0 në 1, përfshirëse, si dhe përdorimin e koncepteve të tilla të paqarta si "pak", "deri diku" dhe "shumë". Kjo bën të mundur zbatimin e anëtarësisë së pjesshme në një grup në një mënyrë të veçantë.

Aplikimi kryesor mund të përshkruhet nga nën -nëntokë të ndryshueshëm të vazhdueshëm. Për shembull, diapazoni i temperaturës së një sistemi frenimi kundër bllokimit mund të ketë disa funksione shtesë të veçanta që përcaktojnë intervalet e temperaturës të nevojshme për të kontrolluar siç duhet frenat. Çdo funksion tregon nëse një vlerë e temperaturës është një vlerë e së vërtetës në intervalin nga 0 në 1. Këto vlera të së vërtetës mund të përdoren më pas për të zgjedhur një metodë kontrolli për sistemin e frenimit.

Përpunimi i imazhit

Duke marrë vendime në ANN bazuar në logjikën fuzzy, mund të krijohet një sistem i fuqishëm kontrolli. Natyrisht, këto dy koncepte funksionojnë mirë së bashku: një algoritëm përfundimi me tre gjendje fuzzy (p.sh. i ftohtë, i ngrohtë, i nxehtë) mund të zbatohet në harduer duke përdorur vlerat e së vërtetës (0.8, 0.2, 0.0) si hyrje për tre neurone, secila prej që përfaqëson një nga tre grupet. Çdo neuron përpunon vlerën hyrëse në përputhje me funksionin e tij dhe merr një vlerë dalëse, e cila më pas do të jetë vlera hyrëse për shtresën e dytë të neuroneve, etj.

Për shembull, një neurokompjuter për përpunimin e imazhit mund të heqë kufizimet e shumta në regjistrimin e videos, ndriçimin dhe cilësimet e harduerit. Kjo shkallë lirie bëhet e mundur për faktin se rrjeti nervor ju lejon të ndërtoni një mekanizëm njohjeje duke studiuar shembuj. Si rezultat, sistemi mund të trajnohet për të njohur produkte të mira dhe të dëmtuara nën dritë të fortë dhe të ulët, kur ato janë të vendosura në kënde të ndryshme, etj. Motori i konkluzionit fillon me "vlerësimin" e kushteve të ndriçimit (me fjalë të tjera, ai përcakton shkallën e ngjashmërisë me kushtet e tjera të ndriçimit në të cilat sistemi di si të veprojë). Sistemi pastaj merr një vendim në lidhje me përmbajtjen e figurës duke përdorur kritere bazuar në kushtet e dhëna të ndriçimit. Meqenëse sistemi i konsideron kushtet e ndriçimit si koncepte të paqarta, motori i konkluzionit përcakton lehtësisht kushtet e reja nga shembujt e njohur.

Sa më shumë shembuj të shqyrtojë sistemi, aq më shumë përvojë fiton motori i përpunimit të imazhit. Ky proces mësimor mund të automatizohet mjaft lehtë, për shembull, duke i para-renditur në grupe pjesësh me veti të ngjashme për trajnim në fushat e ngjashmërive dhe dallimeve. Këto ngjashmëri dhe dallime të vëzhguara mund të japin më tej informacion për ANN, detyra e të cilit është të rendisë pjesët e ardhura në këto kategori. Kështu, suksesi i sistemit nuk varet nga kostoja e pajisjeve, por nga numri i imazheve të kërkuara për trajnimin dhe ndërtimin e një motori përfundimtar të besueshëm.

Neurokompjuteri për përpunimin e imazhit është i përshtatshëm për aplikacione ku diagnostifikimi mbështetet në përvojën dhe gjykimin e ekspertit të operatorit sesa në modelet dhe algoritmet. Procesori mund të ndërtojë një motor njohës nga komentet e thjeshta të imazhit të bëra nga operatori, pastaj të nxjerrë karakteristika ose vektorë të veçorive nga objektet e shënuara dhe t'i transmetojë ato në rrjetin nervor. Vektorët e veçorive që përshkruajnë objekte të dukshme mund të jenë aq të thjeshtë sa vlerat e rreshtit të pikselit, shpërndarja e histogramit ose intensitetit, profilet e shpërndarjes së intensitetit ose gradientet përgjatë akseve të përshtatshme. Më shumë shenja komplekse mund të përfshijë elemente të transformimit të valëve dhe transformimit të shpejtë të Furierit.

Përgjithësimet

Pas mësimit me shembuj, rrjeti nervor është i aftë të përgjithësohet dhe mund të klasifikojë situata që nuk janë vërejtur kurrë më parë, duke i lidhur ato me situata të ngjashme nga shembujt. Nga ana tjetër, nëse sistemi është i prirur ndaj lirisë së tepërt dhe përgjithësimit të situatave, sjellja e tij në çdo kohë mund të korrigjohet duke mësuar shembuj të kundërt.

Nga pikëpamja e një rrjeti nervor, ky operacion është për të zvogëluar zonat e ndikimit të neuroneve ekzistuese për të akomoduar shembuj të rinj që bien ndesh me hartimin ekzistues të hapësirës së vendimit.

Një faktor i rëndësishëm që përcakton njohjen e ANN është të mësuarit vetë-drejtuar dhe përshtatës. Kjo do të thotë që pajisja duhet të jetë në gjendje të studiojë objektin me ndërhyrje minimale ose pa operator. Në të ardhmen, kukullat, për shembull, mund të njohin fytyrën e një fëmije që i shpalos për herë të parë dhe të kërkojnë emrin e tyre. Vetë-studimi për celular mund të jetë duke studiuar gjurmët e gishtërinjve të pronarit të saj të parë. Identifikimi i pronarit gjithashtu mund të përmirësohet duke kombinuar njohjen e fytyrës, gjurmëve të gishtërinjve dhe të folurit në një pajisje të vetme.

Në një mjedis vetë-mësimi, pajisja duhet të ndërtojë motorin e vet të njohjes që do të funksionojë më mirë në mjedisin e tij të punës. Për shembull, një kukull e zgjuar duhet të njohë pronarin e saj origjinal pavarësisht nga ngjyra e flokëve dhe lëkurës, vendndodhja ose stina.

Në fillim, motori duhet të përdorë të gjitha teknikat e nxjerrjes së veçorive që di. Kjo do të çojë në formimin e një numri mekanizmash të ndërmjetëm, secila prej të cilave është krijuar për të identifikuar të njëjtat kategori objektesh, por bazohet në vëzhgim. veçori të ndryshme(ngjyra, kokrrizat, kontrasti, trashësia e kufirit, etj.). Pas kësaj, mekanizmi i përgjithshëm mund të vlerësojë punën e mekanizmave të ndërmjetëm, duke zgjedhur ato që japin performancë më të mirë dhe / ose saktësinë.

Shembull i klasifikimit të peshkut

PiscesVMK prodhon pajisje teknologjike për përpunimin e peshkut në bord dhe në fabrikat në det të hapur. Klientët e firmës janë anije të përpunimit të peshkut që kapin lloje të ndryshme peshqish gjatë gjithë vitit në Detin e Veriut dhe Oqeanin Atlantik. Këta konsumatorë duan të mbushin pronat e tyre sa më shpejt të jetë e mundur me kapjen e cilësisë më të lartë me një numër minimal të punëtorëve.

Në mënyrë tipike, peshqit futen në bord me rrjeta dhe shkarkohen në kontejnerë në një rrip transportues që i bart ato përmes makinave të pastrimit, prerjes dhe filetimit. Devijimet e mundshme përfshijnë shumëllojshmëri të papërshtatshme, peshk të dëmtuar, më shumë se një peshk në rezervuar dhe pozicion të pasaktë para se të hyni në makinë prerëse. Zbatimi i një kontrolli të tillë me mjetet tradicionale të përpunimit të imazhit është i vështirë, pasi madhësia, forma dhe vëllimi janë të vështira për t'u përshkruar matematikisht. Për më tepër, këto parametra mund të ndryshojnë në varësi të vendndodhjes së lundrimit dhe sezonit.

Peshqit kanë instaluar mbi 20 sisteme bazuar në kamerën inteligjente të Matrox Iris dhe motorin e njohjes CogniSight të General Vision. Kamera është montuar mbi transportuesin në mënyrë që peshqit të kalojnë poshtë pak para se të hyjnë në makinën e mbushjes. Kamera është e lidhur me kontrolluesin Siemens Simatic S7-224 (PLC) dhe me rrjeti lokal(LAN). Një burim drite stroboskopik, i montuar pranë kamerës, aktivizohet sa herë që shfaqet një enë e re në fushën e shikimit. Lidhja e kamerës me një rrjet lokal është e nevojshme për të kryer tre operacione: rregullimi i dhënësit për të siguruar fokusin dhe kontrastin e duhur të figurës, trajnimi i motorit të njohjes dhe qasja në statistika që raportojnë vazhdimisht numrin e peshqve të kushtëzuar dhe nën standard.

Transduktori vendoset vetëm një herë kur kamera është e instaluar në një strehim të papërshkueshëm nga uji. Trajnimi bëhet në fillim të çdo noti duke përdorur mostra peshku nga kapja e parë ose duke ngarkuar një skedar ekzistues.

Pasi kamera të marrë bazën e njohurive, mund të fillojë të njohë peshqit në mënyrë autonome, pa komunikim me të Kompjuter personal... ANN e rendit atë në kategoritë "të pranuara", "të refuzuara", "për përpunim" ose "bosh". Ky sinjal shkon në PLC, e cila kontrollon dy furça që drejtojnë peshkun përkatës në kontejnerë për asgjësim ose përpunim. PLC është gjithashtu e lidhur me një sensor magnetik që gjeneron një sinjal fillimi sa herë që një enë peshku kalon nën dhomën.

Peshqit tani kanë instaluar mbi 20 sisteme në 5 flota të ndryshme peshkimi në Norvegji, Islandë, Skoci dhe Danimarkë. Sistemi vlerëson 360 rripa transportues në minutë në linjat e harengës, por mund të funksionojë edhe më shpejt.

Për një rrjet prej 80 neuronesh, saktësia 98% u arrit kur klasifikuan 16 ton peshk. Peshkatarët janë të kënaqur me sistemin për shkak të besueshmërisë, fleksibilitetit dhe lehtësisë së përdorimit. Përfitimet: Koha më e shkurtër e lundrimit, cilësi më e mirë e kapjes dhe të ardhura më të mira të shpërndara në më pak peshkatarë.

Në mjetet diskrete të prodhimit, rrjetet nervore kanë gjetur aplikim në kontrollin e automjeteve, njohjen e modeleve në sistemet e radarit, njohjen e personalitetit, njohjen e objekteve, shkrimin e dorës, gjestet dhe fjalimin.

Logjika e paqartë tashmë është duke u përdorur për të kontrolluar makinën dhe nënsistemet e tjera të automjeteve si ABS dhe kontrollin e lundrimit, si dhe ajrin e kondicionuar, kamerat, përpunimin dixhital të imazhit, inteligjence artificiale lojërat kompjuterike dhe njohja e modeleve në sistemet shqisore në distancë.

Teknologji të ngjashme kompjuterike të buta përdoren gjithashtu për të krijuar të besueshme karikues për bateritë e aparatit të frymëmarrjes. Në industritë e vazhdueshme dhe grumbull, logjika e paqartë dhe rrjetet nervore janë shtylla kurrizore e disa kontrolluesve vetë-rregullues. Disa mikrokontrollues dhe mikroprocesorë janë të optimizuar për logjikën fuzzy në mënyrë që sistemet të mund të funksionojnë edhe më shpejt (shiko "Logic Fast Fuzzy for Real Time Control" më poshtë).