دانلود کتاب Fuzzy Logic Systems for Engineering: A Tutorial

ترجمه فارسی توضیحات (ترجمه ماشینی)

سیستم های منطق فازی برای مهندسی: یک آموزش

سیستم منطق فازی (FLS) از این نظر منحصر به فرد است که می تواند داده های عددی و دانش زبانی را به طور همزمان مدیریت کند. این یک نگاشت غیرخطی از یک بردار داده ورودی (ویژگی) به یک خروجی اسکالر است، یعنی اعداد را به اعداد نگاشت می کند. تئوری مجموعه های فازی و منطق فازی ویژگی های نگاشت غیرخطی را مشخص می کنند. این مقاله آموزشی یک تور راهنما را از طریق آن جنبه‌هایی از مجموعه‌های فازی و منطق فازی که برای سنتز یک FLS ضروری هستند، ارائه می‌کند. این کار را با شروع تئوری مجموعه های واضح و منطق دوگانه انجام می دهد و نشان می دهد که چگونه می توان هر دو را به همتایان فازی خود گسترش داد. از آنجایی که سیستم های مهندسی در اکثر موارد علی هستند، ما علیت را به عنوان یک محدودیت بر توسعه FLS تحمیل می کنیم. انجام این کار به ما امکان می دهد شاخه بسیار ویژه و پرمصرف ادبیات FL را هدایت کنیم، یکی که برای کاربردهای مهندسی FL ارزشمند است اما ممکن است برای کاربردهای غیرمهندسی آنقدر ارزشمند نباشد. پس از سنتز یک FLS، نشان می دهیم که می توان آن را به صورت ریاضی بیان کرد. به عنوان یک ترکیب خطی از توابع پایه فازی، و یک تقریب‌کننده تابع جهانی غیرخطی است، ویژگی‌ای که با شبکه‌های عصبی پیش‌خور به اشتراک می‌گذارد. بسط تابع مبنا فازی بسیار قدرتمند است زیرا توابع پایه آن را می توان از داده های عددی یا دانش زبانی مشتق کرد، که هر دو را می توان در قالب قوانین IF-THEN قرار داد. تا به امروز، یک FLS تنها روش تقریبی است که قادر است هر دو نوع دانش را در یک روش ریاضی یکپارچه ترکیب کند.

Fuzzy Logic Systems for Engineering: A Tutorial

Л fuzzy logic system (FLS) is unique in that it is able to simultaneously handle numerical data and linguistic knowledge. It is a nonlinear mapping of an input data (feature) vector into a scalar output, i.e., it maps numbers into numbers. Fuzzy set theory and fuzzy logic establish the specifics of the nonlinear mapping. This tutorial paper provides a guided tour through those aspects of fuzzy sets and fuzzy logic that are necessary to synthesize a FLS. It does this by starting with crisp set theory and dual logic and demonstrating how both can be extended to their fuzzy counterparts. Because engineering systems are, for the most part, causal, we impose causality as a constraint on the development of the FLS. Doing this lets us steer down a very special and widely used tributary of the FL literature, one that is valuable for engineering applications of FL but may not be as valuable for nonengineering applications.After synthesizing a FLS, we demonstrate that it can be expressed mathematically as a linear combination of fuzzy basis functions, and is a nonlinear universal function approximator, a property that it shares with feedforward neural networks. The fuzzy basis function expansion is very powerful because its basis functions can be derived from either numerical data or linguistic knowledge, both of which can be cast into the forms of IF-THEN rules. To date, a FLS is the only approximation method that is able to incorporate both types of knowledge in a unified mathematical manner.