Logica fuzzy: differenze tra le versioni

Versione delle 23:11, 25 mag 2022

Versione delle 17:08, 29 nov 2022

Riga 80:

[[File:Fuzzy logic temperature it.svg|center]]

In questa immagine le tre funzioni, ''freddo'' (in blu), ''tiepido'' (in arancione), e ''caldo'' (in rosso) sono rappresentate nel diagramma riferite alla comune variabile, la temperatura. Una particolare temperatura assunta dal sistema anti-blocco (linea verticale in grigio) ha tre valori logici, uno per ciascuna delle tre funzioni. Finché la freccia rossa punta a zero, la funzione ''caldo'' non è vera (temperatura non calda, con operatori matematici: "NOT hot"). La freccia arancione (che punta a 0,2) indica che la funzione ''tiepido'' è vera solo in piccola parte (si può descrivere a parole come "un po' tiepido"); al contrario la freccia blu (che punta a 0,8) indica che la funzione ''freddo'' è abbastanza vera ("abbastanza ''freddo''"). La logica fuzzy è stata applicata in molti campi ingegneristici. Applicazioni della logica fuzzy si sono avute soprattutto nello sviluppo tecnologico degli elettrodomestici intelligenti da parte delle industrie giapponesi. Un'altra applicazione reale della logica fuzzy è da pochi anni la logica della diagnosi clinica. In questo campo si è avuto un confronto molto interessante fra logica fuzzy e [[calcolo delle probabilità]].

====Intelligenza artificiale====

L'intelligenza artificiale e la logica fuzzy, se analizzate, sono la stessa cosa: la logica sottostante alle reti neurali è fuzzy. Una rete neurale prende una serie di input valutati, attribuisce loro pesi diversi in relazione agli altri e giunge a una decisione che normalmente ha anche un valore. In questo processo non c'è nulla di simile alle sequenze di decisioni o-o che caratterizzano la matematica non fuzzy, quasi tutta la programmazione dei computer e l'elettronica digitale. Negli anni '80, i ricercatori erano divisi sull'approccio più efficace all'apprendimento automatico: modelli di "buon senso" o reti neurali. Il primo approccio richiede alberi decisionali di grandi dimensioni e utilizza la logica binaria, adattandosi all'hardware su cui viene eseguito. I dispositivi fisici possono essere limitati alla logica binaria, ma l'intelligenza artificiale può utilizzare il software per i suoi calcoli. Le reti neurali adottano questo approccio, che si traduce in modelli più accurati di situazioni complesse. Le reti neurali hanno presto trovato posto in una moltitudine di dispositivi elettronici.<ref>{{cite journal|last1=Elkan|first1=Charles|title=The paradoxical success of fuzzy logic|journal=IEEE Expert|date=1994|volume=9|issue=4|pages=3–49|doi=10.1109/64.336150|citeseerx=10.1.1.100.8402|s2cid=113687}}</ref>

====Fuzzy Databases====

Una volta definite le relazioni fuzzy, è possibile sviluppare database relazionali fuzzy. Il primo database relazionale fuzzy, FRDB, è apparso nella tesi di laurea di Maria Zemankova (1983). In seguito sono nati altri modelli come il modello Buckles-Petry, il modello Prade-Testemale, il modello Umano-Fukami o il modello GEFRED di J. M. Medina, M. A. Vila et al.

Sono stati definiti linguaggi di interrogazione fuzzy, come SQLf di P. Bosc et al. e FSQL di J. Galindo et al. Questi linguaggi definiscono alcune strutture per includere aspetti fuzzy nelle istruzioni SQL, come condizioni fuzzy, comparatori fuzzy, costanti fuzzy, vincoli fuzzy, soglie fuzzy, etichette linguistiche ecc.<ref>{{cite web|url=https://qualified.one/blog/data_science/fuzzy-logic-in-database/|title=Fuzzy logic in database|website=Qualified.One|date=29-11-2022}}</ref>

== Fuzzy e probabilità ==