„Fuzzy Logic“ir „Neural Network“
„Fuzzy Logic“priklauso daugelio vertinamos logikos šeimai. Jis orientuotas į fiksuotą ir apytikslį samprotavimą, priešingai nei fiksuotas ir tikslus. Apytikslės logikos kintamasis gali užfiksuoti tiesos reikšmės diapazoną nuo 0 iki 1, o ne vertinant tiesą ar melą tradiciniuose dvejetainiuose rinkiniuose. Neuroniniai tinklai (NN) arba dirbtiniai neuroniniai tinklai (ANN) yra skaičiavimo modelis, sukurtas remiantis biologiniais nervų tinklais. ANN susideda iš dirbtinių neuronų, kurie jungiasi vienas su kitu. Paprastai ANN koreguoja savo struktūrą, atsižvelgdama į gaunamą informaciją.
Kas yra „Fuzzy Logic“?
„Fuzzy Logic“priklauso daugelio vertinamos logikos šeimai. Jis orientuotas į fiksuotą ir apytikslį samprotavimą, priešingai nei fiksuotas ir tikslus. Apytikslės logikos kintamasis gali užfiksuoti tiesos reikšmės diapazoną nuo 0 iki 1, o ne vertinant tiesą ar melą tradiciniuose dvejetainiuose rinkiniuose. Kadangi tiesos reikšmė yra diapazonas, ji gali valdyti dalinę tiesą. Apytikslės logikos pradžia buvo pažymėta 1956 m., Lotfi Zadehui įvedus neryškios aibės teoriją. Apytikslė logika pateikia metodą, kaip priimti tikslius sprendimus, pagrįstus netiksliais ir dviprasmiškais įvesties duomenimis. Apytikslė logika yra plačiai naudojama valdymo sistemose, nes ji labai panaši į tai, kaip žmogus priima sprendimą, bet greičiau. Apytikslę logiką galima įtraukti į valdymo sistemas, pagrįstas mažais delniniais įrenginiais, į dideles kompiuterio darbo vietas.
Kas yra neuroniniai tinklai?
ANN yra skaičiavimo modelis, sukurtas remiantis biologiniais nervų tinklais. ANN susideda iš dirbtinių neuronų, kurie jungiasi vienas su kitu. Paprastai ANN koreguoja savo struktūrą atsižvelgdama į gaunamą informaciją. Kuriant ANN reikia laikytis sistemingų žingsnių, vadinamų mokymosi taisyklėmis. Be to, mokymosi procesui reikalingi mokymosi duomenys, kad būtų galima rasti geriausią ANN veikimo tašką. ANN galima naudoti norint sužinoti kai kurių stebėtų duomenų aproksimavimo funkciją. Tačiau taikant ANN, reikia atsižvelgti į keletą veiksnių. Modelis turi būti kruopščiai parinktas atsižvelgiant į duomenis. Naudojant be reikalo sudėtingus modelius mokymosi procesas būtų sunkesnis. Taip pat svarbu pasirinkti teisingą mokymosi algoritmą, nes kai kurie mokymosi algoritmai geriau veikia su tam tikro tipo duomenimis.
Kuo skiriasi „Fuzzy Logic“ir „Neural Networks“?
Apytikslė logika leidžia priimti neabejotinus ar dviprasmiškus duomenis pagrįstus sprendimus, o ANN bando įtraukti žmogaus mąstymo procesą problemoms spręsti, matematiškai jų nemodeliuodamas. Nors abu šie metodai gali būti naudojami netiesinėms ir tinkamai nenurodytoms problemoms spręsti, jie nėra susiję. Priešingai nei „Fuzzy“logika, ANN bando pritaikyti mąstymo procesą žmogaus smegenyse problemoms spręsti. Be to, ANN apima mokymosi procesą, kuris apima mokymosi algoritmus ir reikalauja mokymo duomenų. Tačiau yra hibridinių intelektualiųjų sistemų, sukurtų naudojant šiuos du metodus, vadinamus „Fuzzy Neural Network“(FNN) arba „Neuro-Fuzzy System“(NFS).
