Many-Valued Logics for Modeling Vagueness

دسته بندی: منطق
ویرایش:  
نویسندگان: Raheja S.,  Dhadich R.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 5 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 433 کیلوبایت 

قیمت کتاب (تومان) : 50,000

USA.: International Journal of Computer Applications (IJCA) (0975 - 8887)، جلد. 61، شماره 7 (ژانويه، 2013)، صص 35-39، انگليسي. (OCR-слой). [Supriya Raheja. دانشگاه ITM گورگان، هند.
رینا دادیچ. دولت انگ. دانشکده. آجمر، هند]. چکیده.
منطق‌های با ارزش زیادی برای نمایش مدل ریاضی عدم دقت، ابهام، عدم قطعیت و ابهام در اطلاعات در دنیای واقعی، همه گونه‌ها مبهم هستند، دانش بشری و زبان‌های طبیعی مجموعه‌ای از اطلاعات مبهم یا نادرست دارند. در این مقاله سعی شده است تا سه نظریه اصلی از منطق های چند ارزشی برای درمان ابهام ارائه شود: منطق فازی، منطق مبهم و منطق نوتروسوفیک. نویسنده دیدگاه های مختلف منطقی، عملیات جبری، نمایش های گرافیکی و کاربرد عملی را لمس می کند. این مقاله به مدل سازی ابهام می پردازد. نویسنده چارچوب، سیستم استنتاج مبهم (VIS) را برای مدل‌سازی ابهام با استفاده از منطق مبهم معرفی می‌کند. مقدمه.
در نظریه مجموعه کلاسیک که توسط کانتور معرفی شد، مقادیر عناصر در یک مجموعه تنها دو احتمال است: وجود یا عدم وجود در مجموعه. این نظریه نمی تواند ابهام و عدم قطعیت را کنترل کند. نظریه‌های مجموعه‌های فازی، مجموعه‌های مبهم و مجموعه‌های نوتروسوفیک، تعمیم‌های نظریه مجموعه‌های کلاسیک برای درمان ابهام و عدم قطعیت هستند. یک جمله مبهم است اگر و فقط اگر جمله نه مطلقاً درست باشد و نه مطلقاً نادرست. منطق فازی ابزار ضروری برای پیاده سازی هوش ماشینی بوده است. بنابراین، منطق فازی را نمی توان نادیده گرفت تا شکاف بین زبان طبیعی و زبان ماشین را پر کند.
منطق فازی (FL)، یکی از اشکال منطق چند ارزشی توسط پروفسور لطفی زاده [1] ابداع شد. با اطلاعات نادقیق سروکار دارد، به عنوان راهی برای درمان داده ها با اجازه عضویت در مجموعه جزئی به جای عضویت در مجموعه واضح. در FL مقدار (درجه) برای متغیرهای زبانی می تواند بین 0 و 1 باشد. وقتی از متغیرهای زبانی استفاده می شود، این درجات ممکن است توسط توابع خاصی به نام توابع عضویت بررسی شوند. مقدمه.
مفهوم اساسی.
تعریف.
نمایش گرافیکی توابع عضویت.
عملیات جبری.
عملیات مجموعه فازی.
عملیات مجموعه مبهم.
عملیات مجموعه نوتروسوفیک.
ابهام در استفاده عملی.
مدلسازی مبهم.
مدلسازی مبهم با استفاده از FL (منطق فازی).
مدلسازی مبهم با استفاده از NL (منطق نوتروسوفیک).
مدلسازی مبهم با استفاده از VL ( منطق مبهم).
نتیجه گیری.
مرجع.

USA.: International Journal of Computer Applications (IJCA) (0975 — 8887), Vol. 61, No.7 (Jan., 2013), pp. 35-39, English. (OCR-слой). [Supriya Raheja. ITM University. Gurgaon, India.
Reena Dhadich. Govt. Engg. College. Ajmer, India]. Abstract.
Many-Valued logics have been developed to represent mathematical model of imprecision, vagueness, uncertainty and ambiguity in the information. In real world each and every species is vague, human knowledge and the natural languages have a bunch of vagueness or imprecise information. This paper attempts to present three main theories of many-valued logics to treat the vagueness: Fuzzy Logic, Vague Logic and Neutrosophic Logic. Author touches the various perspectives logical, algebraic operation, graphical representations and the practical usage. This paper addresses the modeling of vagueness. Author introduces the framework, Vague Inference System (VIS) for modeling the vagueness using vague logic. Introduction.
In the Classical Set Theory introduced by Cantor, values of elements in a set are only two possibilities: either exists or not exist in the set. The theory cannot handle the ambiguity and uncertainty. Theories of Fuzzy sets, Vague sets and Neutrosophic sets are the generalizations of Classical Set Theory for treating vagueness and uncertainty. A sentence is vague if and only if the sentence is neither absolutely true nor absolutely false. Fuzzy logic has been essential means of implementing machine intelligence. Therefore, Fuzzy Logic cannot be ignored in order to bridge the gap between natural language and machine language.
Fuzzy Logic (FL), one form of many-valued logic was conceived by Prof. Lotfi Zadeh [1]. It deals with the imprecise information, as a way of treating data by permitting partial set membership rather than crisp set membership. In FL the value (degree) for the Linguistic variables can be ranging between 0 and 1. When the Linguistic variables are used, these degrees may be dealt by specific functions called membership functions. Introduction.
Basic concept.
Definitions.
Graphical Representation of Membership Functions.
Algebraic operations.
Fuzzy Set Operations.
Vague Set Operations.
Neutrosophic Set Operations.
Vagueness in practical usage.
Modeling of vagueness.
Modeling of Vagueness Using FL (Fuzzy Logic).
Modeling of Vagueness Using NL (Neutrosophic Logic).
Modeling of Vagueness Using VL (Vague Logic).
Conclusion.
References.