Differenza tra Logica fuzzy e Reti neurali in informatica

Differenza tra Logica fuzzy e Reti neurali in informatica

La logica Fuzzy appartiene alla famiglia della logica dai molti valori. Questa si concentra su un ragionamento fisso e approssimativo opposto a un ragionamento fisso ed esatto. Una variabile in logica fuzzy può assumere un intervallo di valori di verità compreso tra 0 e 1, invece di prendere vero o falso nei tradizionali set binari. Le reti neurali (NN) o reti neurali artificiali (ANN) è invece un modello computazionale sviluppato sulla base delle reti neurali biologiche. Una ANN è composta da neuroni artificiali che si connettono tra loro. In genere, una RNA adatta la sua struttura in base alle informazioni che le arrivano.

Logica fuzzy

La logica fuzzi (in inglese Fuzzy Logic) appartiene alla famiglia della logica dai molti valori. Si concentra sul ragionamento fisso e approssimativo opposto al ragionamento fisso ed esatto. Una variabile in logica fuzzy può assumere un intervallo di valori di verità compreso tra 0 e 1, invece di prendere vero o falso nei tradizionali set binari. Poiché il valore di verità è un intervallo, può gestire la verità parziale. L’inizio della logica fuzzy fu segnato nel 1956, con l’introduzione della teoria degli insiemi fuzzy da parte di Lotfi Zadeh. La logica fuzzy fornisce un metodo per prendere decisioni definite sulla base di dati di input imprecisi e ambigui. La logica fuzzy è ampiamente utilizzata per le applicazioni nei sistemi di controllo, poiché ricorda da vicino il modo in cui un essere umano prende una decisione ma in modo più veloce. La logica fuzzy può essere incorporata in sistemi di controllo basati su piccoli dispositivi palmari su grandi workstation.

Differenza tra Logica fuzzy e Reti neurali in informatica

Reti neurali

Le Reti neurali (in inglese artificial neural networks, ANN) è un modello computazionale sviluppato sulla base delle reti neurali biologiche. Una ANN è composta da neuroni artificiali che si connettono tra loro. In genere, una RNA adatta la sua struttura in base alle informazioni che le arrivano. Quando si sviluppa una RNA, è necessario seguire una serie di passaggi sistematici chiamati regole di apprendimento. Inoltre, il processo di apprendimento richiede dati di apprendimento per scoprire il miglior punto operativo della RNA. Le ANN possono essere utilizzate per apprendere una funzione di approssimazione per alcuni dati osservati. Ma quando si applica l’ANN, ci sono diversi fattori da considerare. Il modello deve essere accuratamente selezionato in base ai dati. L’utilizzo di modelli inutilmente complessi renderebbe più difficile il processo di apprendimento. Anche la scelta dell’algoritmo di apprendimento corretto è importante, poiché alcuni algoritmi di apprendimento funzionano meglio con determinati tipi di dati.

Differenza tra Logica fuzzy e Reti neurali

Infine, le differenze principali tra la logica fuzzy e le reti neurali in informatica.

La logica fuzzy consente di prendere decisioni definite sulla base di dati imprecisi o ambigui, mentre le reti neurali cerca di incorporare il processo di pensiero umano per risolvere i problemi senza modellarli matematicamente. Anche se entrambi questi metodi possono essere utilizzati per risolvere problemi non lineari e problemi che non sono specificati correttamente, non sono correlati. In contrasto con la logica fuzzy, le reti neurali cerca di applicare il processo di pensiero nel cervello umano per risolvere i problemi. Inoltre, le reti neurali includono un processo di apprendimento che coinvolge algoritmi di apprendimento e richiede dati di addestramento. Infine esistono sistemi intelligenti ibridi sviluppati utilizzando questi due metodi chiamati Fuzzy Neural Network (FNN) o Neuro-Fuzzy System (NFS).

Pubblicato da Vito Lavecchia

Lavecchia Vito Ingegnere Informatico (Politecnico di Bari) Email: [email protected] Sito Web: https://vitolavecchia.altervista.org

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *