퍼지 전문가 시스템

< 아래 글은 '인공지능 개론'을 읽고 쓰는 글입니다. >

퍼지 논리란?

모호함을 설명하는 논리다.

퍼지 논리는 낱말, 의사 결정, 상식에 관한 인간의 감각을 모델링 하기 위해

기계를 좀 더 인간에 가깝고 지능적으로 만든다.

 퍼지 논리는 얀 루카지위츠가 1920년대에 소개하고, 맥스 블랙이 1930년대에 심화했으며, 로트피 자데가 1960년대에 재발견하고 수리 논리를 사용하는 정형화된 시스템으로 확장시켜 널리 전파했다.

 퍼지 논리는 고전적인 이진 논리의 크리스프 소속성보다 소속된 정도에 바탕을 두고 표현하는 지식에 대한 수학 법칙의 집합이다. 불 논리를 2치 논리지만, 퍼지 논리는 다치 논리다.

 퍼지 집합은 사람의 키를 작은 키, 보통 키, 큰키로 나누는 것처럼 경계가 모호(퍼지)한 집합이다. 퍼지 집합을 컴퓨터에서 나타내려면 퍼지 집합을 함수로 나타내고 집합의 원소를 소속도에 대응시킨다. 퍼지 전문가 시스템에서 쓰는 전형적인 소속 함수는 삼각형과 사다리꼴이다.

 언어 변수는 막연하거나 모호한 값에 연관된 용어나 개념을 설명하는 데 쓰인다. 이 값들은 퍼지 집합으로 표현한다.

 헤지는 퍼지 집합의 모양을 바꾸는 퍼지 집합 한정사다. 헤지는 매우, 얼마간, 꽤, 다소, 조금 같은 부사를 포함한다. 헤지는 다음과 같은 수학 연산을 수행한다. 집중 연산은 퍼지 원소의 소속도를 낮춘다(예: 매우 키 큰사람). 확장연산은 퍼지 원소의 소속독를 높인다(예: 다소 키 큰 사람). 강화연산은 소속도가 0.5보다 크면 소속도를 더 높이고 0.5보다 작으면 더 낮춘다(예: 확실히 키 큰사람)

 퍼지 집합끼리 상호작용이 가능하다. 퍼지 집합의 관계를 연산이라 한다. 퍼지 집합의 주요 연산에는 여집합, 포함관계, 교집합, 합집합이 있다.

 퍼지 규칙은 인간의 지식을 포착하는 데 쓰인다. 퍼지 규칙은 다음과 같은 형태를 띠는 조건문이다. x와 y는 퍼지 집합에 따라 결정된 언어 변수고, A와 B는 언어값이다.

 퍼지 추론은 퍼지 집합론을 이용해 주어진 입력을 출력에 대응시키는 과정이다. 퍼지 추론 과정은 다음의 네 단계를 포함한다.

입력 변수의 퍼지화 → 규칙평가 → 출력으로 나온 규칙의 통합 역퍼지화

 퍼지 추론 기버에는 맘다니 방법과 스게노 방법이 있다. 맘다니 방법은 퍼지 규칙상의 전문 지식을 포착하는 능력 때문에 퍼지 전문가 시스템에서 널리 쓰인다. 그러나 맘다니형 퍼지 추론을 수행하려면 상당한 시간이 걸린다.

 퍼지 추론을 효율적으로 계산하기 위해 스게노는 규칙 후건의 소속 함수로서 막대 하나로 된 단일체를 도입했다. 스게노 방법은 최적화나 적응형 기법과 함께 잘 작동한다. 이 특성 때문에 스게노형 추론은 제어, 특히 동적 비선형 시스템에서 매우 매력적이다.

 퍼지 전문가 시스템 구축이란 퍼지 집합과 퍼지 규칙을 정의한 다음, 정해진 요구조건에 따라 시스템을 평가하고, 조정하는 작업을 반복하는 과정이다.

 조정은 퍼지 시스템 구축에서 가장 힘들고 지루한 부분이다. 이 단계에는 흔히 이미 정해진 퍼지 집합과 퍼지 규칙을 정비하는 작업이 포함된다.

퍼지 논리는 기계를

A는 B이다. 라는 1 대 1 대응의 부울 논리를 벗어나

A는 B이면서 C다. 라는 다 : 다 대응의 인간다운 논리를 가능케 하고

한발 더 인간의 지능에 가까워지게 해준다.