Sitemizden bağlantı: 12.03.2005

Bulanık Mantık (1)

Yapay Zeka

Bulanık mantık (Fuzzy Logic) kavramı ilk kez 1965 yılında California Berkeley Üniversitesinden Prof. Lotfi A.Zadeh’in bu konu üzerinde ilk makallelerini yayınlamasıyla duyuldu. O tarihten sonra önemi gittikçe artarak günümüze kadar gelen bulanık mantık, belirsizliklerin anlatımı ve belirsizliklerle çalışılabilmesi için kurulmuş katı bir matematik düzen olarak tanımlanabilir. Bilindiği gibi istatistikte ve olasılık kuramında, belirsizliklerle değil kesinliklerle çalışılır ama insanın yaşadığı ortam daha çok belirsizliklerle doludur. Bu yüzden insanoğlunun sonuç çıkarabilme yeteneğini anlayabilmek için belirsizliklerle çalışmak gereklidir.

Metni görmek için tıklayınız

Sitemizden bağlantı: 12.03.2005

Bulanık Mantık (2)

Yapay Zeka

Diğer adıyla saçaklı mantık ya da ingilizcesiyle Fuzzy Logic. Bilgisayarlar insan beyni gibi akıl yürütemezler. Bilgisayarlarda sıfır ve bir dizilerine indirgenmiş kesin gerçekler ve doğru yada yanlış olan önermeler kullanılır. İnsan beyni ise, "serin hava", "yüksek hız", "genç kız" gibi belirsizlik yada değer yargılarını içeren bulanık anlatım ve iddiaların üstesinden gelebilecek biçimde akıl yürütebilir. Ayrıca insan, bilgisayarlardan farklı olarak, hemen her şeyin ancak kısmen doğru olduğu bir dünyada akıl yürütmek için sağduyusunu kullanır.

Metni görmek için tıklayınız

Sitemizden bağlantı: 12.03.2005

Bulanık Mantık (Fuzzy Logic)

shkvirus.sitemynet.com

Bir satranç oyunu düşününüz. Bir gurup taşı bilgisayar yönlendiriyor. Diğer gurubu ise insan. Programla biz 10 veya 15 el sonrasını hesapladığımızı varsayalım. Bu durumda her hareket durumu için ortalama 50 varyasyon olduğunu düşünürsek. 10^30 tane durum söz konusudur. Bunu tutacak bellek boyutu yaklaşık 5^20 terabyte dır. Oysa hiç kimse zarara olan elleri oynamaz. Bazen ufak hatalar yapabilir. Şimdi elleri 3 lü guruplar olarak hesaplar ve en uygun iki tanesini beş el ileri yürütürsek. 64 MB bir alanda veri tutmuş oluruz. 5 erli guruplar durumunda. 590MB kadar bir alan yetecektir. Bu makul bir değerdir. Fakat en uygun beş oyunu neye göre seçiceğiz. Oyuncunun hangi taşları oynama eğilimi olduğunu istatistik yaparak bulabiliriz. Daha önceki oyunlarda oyuncunun taş alma durumunu kaç el önce kestirdiğini hesaplaya biliriz. Ve karşıdaki oyuncunun en iyi yapabileceği hamleye maksimum en kötüsüne minimum puanı verip istatistik-i olarak hangi mükemmellikte oynadığını bulabiliriz. Buna göre tahmini hamlelerden oluşarak 15 hamle sonrasını hesaplayabiliriz. Fakat bu kesin bir sonuç vermez.

Metni görmek için tıklayınız

Sitemizden bağlantı: 12.03.2005

Bulanık Mantık (Fuzzy Logic)

backpropagation.netfirms.com

Bulanık mantık (Fuzzy Logic) kavramı ilk kez 1965 yılında California Berkeley Üniversitesinden Prof. Lotfi A.Zadeh'in bu konu üzerinde ilk makallelerini yayınlamasıyla duyuldu. O tarihten sonra önemi gittikçe artarak günümüze kadar gelen bulanık mantık, elirsizliklerin anlatımı ve belirsizliklerle çalışılabilmesi için kurulmuş katı bir matematik düzen olarak tanımlanabilir. Bilindiği gibi istatistikte ve olasılık kuramında, belirsizliklerle değil kesinliklerle çalışılır ama insanın yaşadığı ortam daha çok belirsizliklerle doludur. Bu yüzden insanoğlunun sonuç çıkarabilme yeteneğini anlayabilmek için belirsizliklerle çalışmak gereklidir.

Metni görmek için tıklayınız

Sitemizden bağlantı: 12.03.2005

Bulanık Mantık Matematiği Bulandırır mı?

Can Başkent

Günümüzde bulanık mantık otomobillerin vites kutularından bulaşık makinelerine, elektronik devrelerin ve yapay zekanın karar verme algoritmalarına kadar oldukça kapsamlı teknik uygulamalara sahip; hatta Tokyo metrosu bulanık metro temelli bilgisayar ve mühendislik sistemleriyle işlemekte. Bilgisayar ve enformatik bilimleri, kontrol sistemleri, karar-alma algoritmaları bulanık mantığın yoğun olarak kullanıldığı alanlar olarak beliriyor. Şimdi, bulanık mantığın matematiksel temellerine göz atalım:

Metni görmek için tıklayınız

Sitemizden bağlantı: 12.03.2005

Dinamik Sistemlerde Bulanık Mantık Metodu ve Örnek Olarak Hisse Senedi Piyasasının Modellenmesi (PDF)

Dr. Hakan Aksoy

İngilizce “fuzzy logic” kelimelerinin sözlük anlamı bulanık mantık, çok net olmayan mantığa dayalı önermelerin, mantık süzgecinden geçirilerek incelenmesinin yapıldığı bir metod olarak adlandırılabilinir. Bu method ilk kez 1965 yılında Azeri asıllı akedemisyen Lotfi A. Zadeh tarafından ortaya atılmış ve günümüze gelmiştir. Öncesine bakıldığında ise Polonyalı mantıkçı Jan Lukasiewicz’in 1930 yıllarında klasik mantıkta kullanılan ikili mantık sistemi “doğru” veya “yanlış” değerlerini üçlü mantık sistemine oturtuğunu görürüz. Bulanık mantığın aksine klasik mantık sistemleri belirsizlikle ilgilenmezler. Bir başka ifade ile bulanıklık, doğruluk ölçütünün keskin bir şekilde tanımlanmamasından kaynaklanan durumlardaki problemlerle uğraşmak için ideal bir yöntem tescil eder.

Metni görmek için tıklayınız

Sitemizden bağlantı: 12.03.2005

Tanzimattan Sonra Türkiyede İlim ve Mantık Anlayışı

Necati Öner

İçinde, İslâmda İlim, İslâmda, Tanzimattan sonraki durum bölümleri yer alan kitaptır. Kitap PDF formatındadır.

Metni görmek için tıklayınız

Sitemizden bağlantı: 12.03.2005

Türk Vergi Sisteminde Bulanık Mantık Uygulamaları

Doç. Dr. Mustafa Güneş, Yr. Doç. Dr. Osman Nuri Yiğitbaşı

Üç bölümden oluşan bu çalışmada, Türk vergi sisteminin yürürlükteki tahsilat uygulamalarına yeni bir model boyutu kazandırmak ve vergilendirmede optimum tahsilat modelini belirlemek amaçlanmıştır. İlk bölümde vergilendirmenin teorik yapısı ve Türk vergi sisteminde günümüzde yer alan vergiler üzerinde durulmuştur. İkinci bölümde ise Yöneylem Araştırmasında, Doğrusal Programlama ve Bulanık Mantık Modelleri ile Çözümleri ele alınmıştır. Devlet İstatistik Enstitüsü ve Maliye Bakanlığı’na ait süreli yayınlar ile internet arşivlerinden sağlanan verilerin kullanılmasıyla önce Türk vergi sistemine ait doğrusal programlama modeli kurulmuş; sonra da klasik Doğrusal Programlama tekniğiyle gelirleri maksimum yapan model elde edilmiştir. Kurulan modelin Bulanık Doğrusal Programlama ile yeniden çözümleri çalışmaya dahil edilerek alternatif modeller geliştirilmiştir. Son bölümde bulunan sonuçlar irdelenerek içlerinden optimum olan belirlenmiş ve önerilere yer verilmiştir.

Metni görmek için tıklayınız

added to our DB: 12.03.2005

Automating Software Development Process Using Fuzzy Logic (PDF)

Francesco Marcelloni, Mehmet Akşit

We model properties of artifacts as linguistic variables and define the methodological heuristics in terms of fuzzy rules. Artifact types are represented as fuzzy categories. The application of each rule collects property values and infers a value of membership of an artifact to an artifact type. Artifacts can be instances of multiple (possible conflicting) artifact types at different extent. For instance, in objectoriented methods, an entity in the requirement specification can be considered slightly a class and strongly an attribute. These multiple design alternatives can be automatically and concurrently managed along the overall software development. The membership of an artifact to an artifact type can be considered as a measure of the alternative: this measure is updated whenever a new property of the artifact type is investigated. When a product has to be released, appropriate conflict resolution strategies are applied.

Click here to view

added to our DB: 12.03.2005

Fuzzy logic

Wikipedia

Fuzzy logic is a superset of boolean logic dealing with the concept of partial truth. Whereas classical logic holds that everything can be expressed in binary terms (0 or 1, black or white, yes or no), fuzzy logic replaces boolean truth values with degrees of truth which are very similar to probabilities, except they need not add up to 100%. This allows for values between 0 and 1, shades of gray, and the concept of "maybe". Specifically, it allows partial membership in a set. It is related to fuzzy sets and possibility theory. It was introduced in 1965 by Dr. Lotfi Zadeh of Berkeley.

Click here to view

added to our DB: 12.03.2005

Fuzzy Logic

Stanford Encyclopedia of Philosophy

The term "fuzzy logic" emerged in the development of the theory of fuzzy sets by Lotfi Zadeh [Zadeh (1965)]. A fuzzy subset A of a (crisp) set X is characterized by assigning to each element x of X the degree of membership of x in A (e.g. X is a group of people, A the fuzzy set of old people in X). Now if X is a set of propositions then its elements may be assigned their degree of truth, which may be “absolutely true,” “absolutely false” or some intermediate truth degree: a proposition may be more true than another proposition.

Click here to view

added to our DB: 12.03.2005

Fuzzy Logic Tutorial

Encoder

Where did Fuzzy Logic come from? What is fuzzy Logic? How is FL different from conventional control methods? How does FL work?

Click here to view

added to our DB: 12.03.2005

Fuzzy logic-based object-oriented methods to reduce quantization error and contextual bias problems in software development (PDF)

Francesco Marcellonia, Mehmet Akşit

Abstract-During the last several years, a considerable number ofsof tware development methods have been introduced to produce robust, reusable and adaptable software systems. Methods create software artifacts through the application ofa large number ofheuristic rules. These rules are generally expressed in two-valued logic. In object-oriented methods, for instance, candidate classes are identi0ed by applying the following intuitive rule: “Ifan entity in a requirement speci0cation is relevant and can exist autonomously in the application domain, then select it as a class”. In this paper, we identify and de0ne two major problems regarding how rules are de0ned and applied in current methods. First, two-valued logic cannot e4ectively express the approximate and inexact nature of a typical software development process. Although software engineers can perceive partial relevance ofan entity and possibly select the entity as a partial candidate class, they are constrained by two-valued logic to quantize relevance into relevant and irrelevant. Second, the in5uence ofcontextual factors on rules is generally not modelled explicitly. We term these problems as quantization error and contextual bias problems, respectively. To reduce these problems, we propose to express heuristic rules using fuzzy logic. We illustrate formally how fuzzy logic-based methodological rules can help in lowering the e4ects of quantization error and contextual bias problems.

Click here to view

added to our DB: 12.03.2005

Fuzzy Systems: A tutorial

James F. Brule

Fuzzy systems is an alternative to traditional notions of set membership and logic that has its origins in ancient Greek philosophy, and applications at the leading edge of Artificial Intelligence. Yet, despite its long-standing origins, it is a relatively new field, and as such leaves much room for development. This paper will present the foundations of fuzzy systems, along with some of the more noteworthy objections to its use, with examples drawn from current research in the field of Artificial Intelligence. Ultimately, it will be demonstrated that the use of fuzzy systems makes a viable addition to the field of Artificial Intelligence, and perhaps more generally to formal mathematics as a whole.

Click here to view

added to our DB: 12.03.2005

What is Fuzzy Logic?

MathPages

Many popular descriptions claim that "fuzzy logic" represents a significant shift in outlook, i.e., a "new way of thinking" about the world, and that this enables a new set of solutions to problems that have traditionally been treated with old-fashioned "unfuzzy" logic. But are the ideas and practices comprising "fuzzy logic" really new, and how precisely are they applied to the solution of practical problems?

Click here to view

added to our DB: 12.03.2005

Why Use Fuzzy Logic?

Aptronix

Fuzzy Logic is a paradigm for an alternative design methodology which can be applied in developing both linear and non-linear systems for embedded control. By using fuzzy logic, designers can realize lower development costs, superior features, and better end product performance. Furthermore, products can be brought to market faster and more cost-effectively.

Click here to view