แอปพลิเคชันที่เกี่ยวข้อง
แอปพลิเคชันปัจจุบันอ้างว่าได้รับประโยชน์และมีลำดับความสำคัญของวันที่ยื่นก่อนหน้านี้ของแอปพลิเคชันชั่วคราวของสหรัฐอเมริกาต่อไปนี้หมายเลข 62/786,469 ได้ยื่นวันที่ 30 ธันวาคม 2018 เรียกว่า Zadvanced-6-Prov ชื่อ“ ระบบและวิธีการสำหรับภาพที่มีประสิทธิภาพอย่างมากและการจดจำรูปแบบและแพลตฟอร์มข่าวกรองทั่วไป”แอปพลิเคชั่นปัจจุบันยังเป็น CIP (ต่อเนื่องในส่วน) ของแอปพลิเคชันแอปพลิเคชันสหรัฐอเมริกาที่รอคอยอื่นฉบับที่ 15/919170 ยื่น 12 มี.ค. 2018 เรียกว่า ZadeH-101-CIP-CIP ชื่อ“ ระบบและวิธีการสำหรับการจดจำภาพและรูปแบบที่มีประสิทธิภาพมากและแพลตฟอร์มปัญญาประดิษฐ์” ซึ่งเป็น CIP (ต่อเนื่องในส่วน)แอปพลิเคชันแอปพลิเคชันของสหรัฐอเมริกาที่กำลังรออยู่อีกครั้งฉบับที่ 14/218,923 ยื่น 18 มี.ค. 2014 เรียกว่า ZadeH-101-CH ซึ่งตอนนี้ออกเป็นสหรัฐอเมริกา Patฉบับที่ 9,916,538 เมื่อวันที่ 13 มีนาคม 2561 ซึ่งเป็น CIP (ต่อเนื่องในส่วน) ของแอปพลิเคชันที่กำลังดำเนินการร่วมในสหรัฐอเมริกาฉบับที่ 13/781,303 ยื่น 28 กุมภาพันธ์ 2013 เรียกว่า Zadvanced-1 ปัจจุบันคือสหรัฐอเมริกา Patฉบับที่ 8,873,813 ออกเมื่อวันที่ 28 ตุลาคม 2014 ซึ่งอ้างว่าได้รับประโยชน์และมีลำดับความสำคัญของวันที่ยื่นก่อนหน้านี้ของแอปพลิเคชันชั่วคราวของสหรัฐอเมริกาหมายเลข 61/701,789 ยื่นวันที่ 17 ก.ย. 2012 เรียกว่า Zadvanced-1-Prov.แอปพลิเคชัน Serลำดับที่ 14/218,923 ยังอ้างสิทธิ์และใช้ลำดับความสำคัญของวันที่ยื่นก่อนหน้านี้ของแอปพลิเคชันชั่วคราวของสหรัฐอเมริกาต่อไปนี้ 61/802,810 ยื่น 18 มีนาคม 2013 เรียกว่า Zadvanced-2-Prov;และ 61/832,816 ยื่น 8 มิ.ย. 2013 เรียกว่า Zadvanced-3-Prov;และ 61/864,633 ยื่น 11 สิงหาคม 2013 เรียกว่า Zadvanced-4-Prov;และ 61/871,860 ยื่น 29 สิงหาคม 2013 เรียกว่า Zadvanced-5-Provแอปพลิเคชัน Serฉบับที่ 14/218,923 ยังเป็น CIP (ต่อเนื่องในส่วน) ของแอปพลิเคชันแอปพลิเคชันที่รอคอยของสหรัฐอเมริกาฉบับที่ 14/201,974 ยื่น 10 มี.ค. 2014 เรียกว่า ZadeH-101-Cont-4 ซึ่งปัจจุบันเป็นสหรัฐอเมริกา Patหมายเลข 8,949,170 ออกเมื่อวันที่ 3 กุมภาพันธ์ 2558 ซึ่งเป็นความต่อเนื่องของแอปพลิเคชันอื่น ๆ ในสหรัฐอเมริกาฉบับที่ 13/953,047, ยื่น 29 ก.ค. , 29, 2013, เรียกว่า ZadeH-101-Cont-3, ตอนนี้สหรัฐอเมริกา Patฉบับที่ 8,694,459 ออกเมื่อวันที่ 8 เม.ย. 2014 ซึ่งเป็นความต่อเนื่องของแอปพลิเคชันที่กำลังดำเนินการร่วมอีกครั้งฉบับที่ 13/621,135 ได้ยื่นวันที่ 15 กันยายน 2012 ตอนนี้ออกเป็นสหรัฐอเมริกา Patฉบับที่ 8,515,890 เมื่อวันที่ 20 สิงหาคม 2013 ซึ่งเป็นความต่อเนื่องของ Serฉบับที่ 13/621,164 ได้ยื่นวันที่ 15 กันยายน 2012 ตอนนี้ออกเป็นสหรัฐอเมริกา Patฉบับที่ 8,463,735 ซึ่งเป็นความต่อเนื่องของแอปพลิเคชันอื่น Serฉบับที่ 13/423,758 ยื่น 19 มี.ค. 2012 ตอนนี้ออกเป็นสหรัฐอเมริกา Patหมายเลข 8,311,973 ซึ่งในทางกลับกันอ้างว่าได้รับประโยชน์จากแอปพลิเคชันชั่วคราวของสหรัฐอเมริกาหมายเลข 61/538,824 ยื่นเมื่อวันที่ 24 ก.ย. 2011 แอปพลิเคชันปัจจุบันรวมโดยอ้างอิงแอปพลิเคชันและสิทธิบัตร/บทบัญญัติทั้งหมดที่กล่าวถึงข้างต้นรวมถึงทั้งหมดภาคผนวกและสิ่งที่แนบมา (แพ็คเกจ) และเรียกร้องผลประโยชน์และใช้ลำดับความสำคัญของวันที่ยื่นก่อนหน้านี้ของแอปพลิเคชันชั่วคราวและยูทิลิตี้หรือสิทธิบัตรที่กล่าวถึงข้างต้นโปรดทราบว่าภาคผนวกและไฟล์แนบส่วนใหญ่ (แพ็คเกจ) ตามข้อกำหนดสำหรับแอปพลิเคชันและสิทธิบัตรที่กล่าวถึงข้างต้น (เช่นสหรัฐอเมริกา Pat. หมายเลข 8,311,973) มีให้บริการสำหรับมุมมองสาธารณะเช่นผ่านระบบคู่สาธารณะที่เว็บไซต์ USPTO(www.uspto.gov) พร้อมรายชื่อบางส่วนที่ระบุไว้ด้านล่างในส่วนถัดไป:
แพ็คเกจที่แนบมาและภาคผนวกกับข้อกำหนดก่อนหน้า (เช่นสหรัฐอเมริกา Pat. หมายเลข 8,311,973 และ ZadeH401-CIP)
(รวมทั้งหมดโดยอ้างอิงในที่นี้ในแอปพลิเคชันปัจจุบัน)
นอกเหนือจากกรณีชั่วคราวด้านบนคำสอนของแพ็คเกจทั้งหมด 33 แพ็คเกจ (ไฟล์ PDF ชื่อ“ แพ็คเกจ 1-33”) ที่แนบมากับการยื่นเอกสารของผู้ปกครองบางกรณี (เป็นภาคผนวก) (เช่นสหรัฐอเมริกา Pat หมายเลข 8,311,973 (เช่น zadeh-101 ใบปะหน้า)) มีการรวมเข้าด้วยกันในที่นี้โดยอ้างอิงถึงการเปิดเผยปัจจุบันนี้
นอกจากนี้“ ภาคผนวก 1-5” ของ ZadeH-101-CIP (เช่น Ser. หมายเลข 14/218,923) ถูกรวมเข้าด้วยกันในที่นี้โดยอ้างอิงจากการเปิดเผยปัจจุบันนี้
เพื่อลดขนาดของภาคผนวก/การเปิดเผยแพคเกจเหล่านี้ (แพ็คเกจ 1-33) และภาคผนวก (ภาคผนวก 1-5) จะไม่ทำซ้ำอีกที่นี่อีกครั้ง แต่อาจถูกส่งต่อ/รวมไว้ในอนาคตเป็นครั้งคราวแอปพลิเคชั่นปัจจุบันหรือเด็ก/ที่เกี่ยวข้องทั้งในข้อมูลจำเพาะหรือการเรียกร้องเป็นคำสอนก่อนหน้าของเรา
อย่างไรก็ตามภาคผนวกใหม่ที่แนบมากับแอปพลิเคชันปัจจุบันนี้มีหมายเลขหลังจากภาคผนวกที่กล่าวถึงข้างต้นเช่นเริ่มต้นด้วยภาคผนวก 6 สำหรับแอปพลิเคชันปัจจุบันนี้เพื่อให้ง่ายต่อการอ้างอิงในอนาคต
โปรดทราบว่าภาคผนวก 1-5 (ของ ZadeH-101-CIP (เช่น Ser. หมายเลข 14/218,923)) ถูกระบุเป็น:
-
- ภาคผนวก 1: บทความเกี่ยวกับ“ การประเมินค่า Z โดยประมาณตามชุดการแจกแจงความน่าจะเป็นอย่างมาก” (11 หน้า)
- ภาคผนวก 2: บันทึกทางเทคนิคที่เขียนด้วยมือสูตรอัลกอริทึมและการสืบทอด (5 หน้า)
- ภาคผนวก 3: การนำเสนอเกี่ยวกับ“ การประเมินค่า Z โดยประมาณโดยอิงจากชุดการแจกแจงความน่าจะเป็นหมวดหมู่” (30 หน้า)
- ภาคผนวก 4: การนำเสนอด้วยมะเดื่อจาก B1 ถึง B19 (19 หน้า)
- ภาคผนวก 5: การนำเสนอเกี่ยวกับ“ SVM classifier” (22 หน้า)
โปรดทราบว่าภาคผนวก 6-10 (ของ ZadeH-101-CIP-CIP (เช่นแอปพลิเคชันปัจจุบัน)) ถูกระบุเป็น:
-
- ภาคผนวก 6: บทความ/วารสาร/เทคนิค/การวิจัย/กระดาษเกี่ยวกับ“ หลักการข้อมูล” โดย Prof. Lotfi Zadeh, ข้อมูลวิทยาศาสตร์, ส่ง 16 พฤษภาคม 2014, เผยแพร่ 2015 (10 หน้า)
- ภาคผนวก 7: การนำเสนอ/การประชุม/พูดคุย/เชิญ/ผู้บรรยาย/คำปราศรัย/การบรรยายเกี่ยวกับ“ การแบ่งชั้น, ความสามารถในการเข้าถึงชุดเป้าหมายและหลักการขยายตัวที่เพิ่มขึ้น” โดย Prof. Lotfi Zadeh, UC Berkeley, การประชุมระดับโลกหน้าแต่ละหน้ารวม 9 สไลด์รวม 126 สไลด์) (เวอร์ชันแรกจัดทำเมื่อ 8 กุมภาพันธ์ 2016)
- ภาคผนวก 8: บทความเกี่ยวกับ“ การแบ่งชั้น, การหาปริมาณ, ความสามารถในการเข้าถึงชุดเป้าหมายและหลักการขยายตัวที่เพิ่มขึ้น” โดย Prof. Lotfi Zadeh สำหรับวิทยาศาสตร์สารสนเทศได้รับ 4 ก.ค. 2559 (17 หน้า) (จัดทำรุ่นแรกเมื่อวันที่ 5 กุมภาพันธ์ 2016)
- ภาคผนวก 9: สิ่งนี้แสดงให้เห็นถึงการใช้คำค้นหาภาพสำหรับเครื่องมือค้นหารูปภาพของเรา (1 หน้า) ซึ่งเป็นครั้งแรกในอุตสาหกรรมมันแสดงตัวอย่างสำหรับรองเท้า (การจับคู่ส่วนประกอบหรือชิ้นส่วนจากรองเท้าต่าง ๆ ) โดยใช้ ZAC/เทคโนโลยีและแพลตฟอร์มของเราตัวอย่างเช่นมันแสดงการค้นหา:“ ด้านข้างดูเหมือนหมายเลขรองเท้า 1 ส้นเท้าดูเหมือนหมายเลขรองเท้า 2 และนิ้วเท้าดูเหมือนหมายเลขรองเท้า 3” ตามสิ่งที่ผู้ใช้กำลังมองหา/ค้นหาโดยทั่วไปเราสามารถมีการรวมกันของเงื่อนไขเช่น: (r1และ r2และ .--และ rn) หรือคำค้นหาเชิงตรรกะหรือชุดค่าผสมหรือตัวดำเนินการเช่น [r1หรือ (r2และ r3)] ซึ่งมีประโยชน์มากสำหรับอีคอมเมิร์ซหรือเว็บไซต์/ร้านค้าอิเล็กทรอนิกส์
- ภาคผนวก 10: “บทนำโดยย่อเกี่ยวกับ AI และการเรียนรู้ของเครื่อง” สำหรับเครื่องมือและวิธีการทั่วไป บางครั้งใช้หรืออ้างถึงในการประดิษฐ์นี้ เพื่อความครบถ้วนและสนับสนุนการประดิษฐ์หลัก หรือเพียงเพื่อจุดประสงค์ในการเปรียบเทียบกับเครื่องมือทั่วไปและ วิธีการ
โปรดทราบว่าภาคผนวก 11-13 (ของ ZAAdvanced-6-prov) ได้รับการระบุว่าเป็น:
-
- ภาคผนวก 11“ แพลตฟอร์ม ZAC General-AI สำหรับการจดจำวัตถุ 3 มิติและการค้นหาจากทุกทิศทาง (แพลตฟอร์มการจดจำภาพและการค้นหาปฏิวัติ)” สำหรับคำอธิบายและรายละเอียดของแพลตฟอร์มทั่วไป-AI ซึ่งรวมถึงการอธิบาย-AI (หรือ XAI หรือ X-AI หรือปัญญาที่อธิบายได้) เช่นกันสิ่งนี้ยังอธิบายถึงคุณสมบัติและข้อดีของ ZAC มากกว่า NN (หรือ CNN หรือ CNN ลึกหรือตาข่ายประสาทหรือ resnet ลึก)สิ่งนี้ยังอธิบายถึงแอปพลิเคชันตลาดและการใช้งานกรณี/ตัวอย่าง/embodiments สำหรับ ZAC Tech/Algorithms/แพลตฟอร์ม
- ภาคผนวก 12: แพลตฟอร์มและการดำเนินงาน ZAC พร้อมคุณสมบัติสถาปัตยกรรมโมดูลเลเยอร์และส่วนประกอบสิ่งนี้ยังอธิบายถึงคุณสมบัติของ ZAC และข้อได้เปรียบเหนือ NN (หรือ CNN หรือ CNN ลึกหรือ Neural Neural หรือ Resnet ลึก)
- ภาคผนวก 13: บางตัวอย่าง/embodiments/คำอธิบายเทคโนโลยีสำหรับ Zac Tech/Platform (แพลตฟอร์มทั่วไป-AI)
โปรดทราบว่าภาคผนวก 14 (ของ Zadeh-101-cip-cip-cip) (เช่น แอปพลิเคชันปัจจุบัน) ได้รับการระบุว่าเป็น ZAC Explainable-AI ซึ่งเป็นส่วนประกอบของ ZAC General-AI Platform นอกจากนี้ยังอธิบายถึงแอปพลิเคชัน ตลาด และกรณีการใช้งาน/ตัวอย่าง/รูปลักษณ์สำหรับเทคโนโลยี/อัลกอริทึม/แพลตฟอร์ม ZAC นอกจากนี้ยังอธิบายคุณสมบัติและข้อดีของ ZAC เหนือ NN (หรือ CNN หรือ Deep CNN หรือ Deep Convolutional Neural Net หรือ ResNet)
โปรดทราบว่าแพ็คเกจ 1-33 (ของ U.S. Pat. No. 8,311,973) ยังเป็นหนึ่งในคำสอนทางเทคนิคก่อนหน้านี้ของผู้ประดิษฐ์ (Prof. Lotfi Zadeh) ด้วยเช่นกัน ดังนั้น จึงอาจอ้างอิงถึง (เป็นครั้งคราว) สำหรับ รายละเอียดเพิ่มเติมหรือคำอธิบายโดยผู้อ่านหากจำเป็น
โปรดทราบว่าได้ส่ง (และยื่น) แพ็คเกจ 1-25 ไปพร้อมกับใบสมัครชั่วคราวของเราสำหรับหนึ่งในกรณีหลักแล้ว
แพ็คเกจ 1-12 และ 15-22 จะถูกทำเครื่องหมายไว้ที่ด้านล่างของแต่ละหน้าหรือสไลด์ (เป็นการระบุ) แพ็คเกจอื่นๆ (แพ็คเกจ 13-14 และ 23-33) มีระบุไว้ที่นี่:
-
- แพ็คเกจ 13: 1 หน้า มี 3 สไลด์ เริ่มต้นด้วย “
มะเดื่อ. 1 - ฟังก์ชันสมาชิกของ A และฟังก์ชันความหนาแน่นของความน่าจะเป็นของ X” - แพ็คเกจ 14: 1 หน้า มี 5 สไลด์ เริ่มต้นด้วย “
มะเดื่อ. 1 - การแปลงค่า f และเรขาคณิต f โปรดทราบว่าตัวเลขคลุมเครือดังที่แสดงไว้ไม่ได้วาดด้วยมือ ควรถูกมองว่าเป็นภาพที่วาดด้วยมือ” - แพคเกจ 23: ข้อความ 2 หน้าชื่อ "The Concept of a Z-number a New Direction in Computation, Lotfi A. Zadeh, Abstract" (ลงวันที่ 28 มีนาคม 2554)
- แพคเกจ 24: ข้อความ 2 หน้า ชื่อ “ศาสตราจารย์. Lotfi Zadeh เมาส์ Z—วิธีการเข้าและดึงข้อมูลที่ไม่ชัดเจนด้วยภาพ”
- แพคเกจ 25: บทความ 12 หน้าชื่อ "สู่ Extended Fuzzy Logic A First Step, Abstract"
- แพ็คเกจ 26: ข้อความ 2 หน้า ชื่อ “Can Mathematics Deal with Computational problems which are specified in a natural language?, Lotfi A. Zadeh, 30 ก.ย. 2554, บทคัดย่อ” (บทคัดย่อลงวันที่ 30 ก.ย. 2554)
- แพคเกจ 27: 15 หน้า พร้อม 131 สไลด์ ชื่อ “Can Mathematics Deal with Computational Problems which are Stated in a Natural Language?, Lotfi A. Zadeh” (ลงวันที่ 2 กุมภาพันธ์ 2012)
- แพคเกจ 28: 14 หน้า พร้อม 123 สไลด์ ชื่อ “Can Mathematics Deal with Computational Problems which are Stated in a Natural Language?, Lotfi A. Zadeh” (ลงวันที่ 6 ต.ค. 2554)
- แพคเกจ 29: 33 หน้า พร้อม 289 สไลด์ ชื่อ “Computing with Words Principal Concepts and Ideas, Lotfi A. Zadeh” (ลงวันที่ 9 มกราคม 2012)
- แพคเกจ 30: 23 หน้า พร้อม 205 สไลด์ ชื่อ “Computing with Words Principal Concepts and Ideas, Lotfi A. Zadeh” (ลงวันที่ 10 พฤษภาคม 2554)
- แพคเกจ 31: 3 หน้า พร้อม 25 สไลด์ ชื่อ “Computing with Words Principal Concepts and Ideas, Lotfi A. Zadeh” (ลงวันที่ 29 พ.ย. 2554)
- แพ็คเกจ 32: 9 หน้า พร้อม 73 สไลด์ ชื่อ “Z-NUMBERS—A NEW Direction IN THE Analytics OF UNCERTAIN AND IMBRECISE SYSTEMS, Lotfi A. Zadeh” (ลงวันที่ 20 มกราคม 2555)
- แพคเกจ 33: 15 หน้า พร้อม 131 สไลด์ ชื่อ “ความแม่นยำของความหมาย—กุญแจสู่การคำนวณเชิงความหมาย, Lotfi A, Zadeh” (ลงวันที่ 22 กรกฎาคม 2554)
- แพ็คเกจ 13: 1 หน้า มี 3 สไลด์ เริ่มต้นด้วย “
โปรดทราบว่าแพ็คเกจและภาคผนวกทั้งหมด (จัดทำโดยนักประดิษฐ์หนึ่งคนขึ้นไปที่นี่) ยังได้รับการระบุด้วยชื่อไฟล์ PDF ของพวกเขาเช่นกัน เนื่องจากได้ถูกส่งไปยัง USPTO ทางอิเล็กทรอนิกส์
พื้นหลังของการประดิษฐ์
ศาสตราจารย์ Lotfi A. Zadeh หนึ่งในนักประดิษฐ์ของการเปิดเผยปัจจุบันและกรณีผู้ปกครองบางกรณีคือ“ พ่อของตรรกะฟัซซี่”เขาแนะนำแนวคิดของชุดฟัซซี่และทฤษฎีฟัซซี่เป็นครั้งแรกในบทความที่มีชื่อเสียงของเขาในปี 1965 (ในฐานะศาสตราจารย์มหาวิทยาลัยแห่งแคลิฟอร์เนียที่ Berkeley)ตั้งแต่นั้นมาหลายคนได้ทำงานเกี่ยวกับเทคโนโลยีลอจิกและวิทยาศาสตร์ที่คลุมเครือดร. Zadeh ได้พัฒนาแนวคิดอื่น ๆ อีกมากมายที่เกี่ยวข้องกับตรรกะฟัซซี่เขาได้คิดค้นการคำนวณด้วยคำ (CWW หรือ CW) เช่นสำหรับการประมวลผลภาษาธรรมชาติ (NLP) และการวิเคราะห์รวมถึงความหมายของภาษาธรรมชาติและทฤษฎีการคำนวณของการรับรู้สำหรับแอพพลิเคชั่นที่หลากหลายซึ่งเรากล่าวถึงที่นี่เนื่องจากวิธีการและระบบใหม่/นวัตกรรมของเราบางส่วนถูกสร้างขึ้นบนพื้นฐานของแนวคิด/ทฤษฎีเหล่านั้นเช่นเดียวกับส่วนขยาย/เพิ่มเติม/การเพิ่มเติม/เวอร์ชัน/การแยก/สาขา/สาขาหนึ่งในสิ่งประดิษฐ์ปฏิวัติครั้งสุดท้ายของเขาเรียกว่า Z-numbers ตั้งชื่อตามเขา (“ Z” จาก Zadeh) ซึ่งเป็นหนึ่งในหลาย ๆ เรื่องของสิ่งประดิษฐ์ปัจจุบัน (จำนวนมาก)นั่นคือบางส่วนของศูนย์รวมของสิ่งประดิษฐ์ปัจจุบันมีพื้นฐานมาจากหรือเกี่ยวข้องกับ z-numbersแนวคิดของ Z-Numbers ได้รับการตีพิมพ์ครั้งแรกในบทความล่าสุดโดย Dr. Zadeh เรียกว่า "A Note on Z-Numbers", ข้อมูลวิทยาศาสตร์ 181 (2011) 2923-2932
อย่างไรก็ตามนอกจากนี้ยังมีศูนย์รวมอื่น ๆ อีกมากมายในการเปิดเผยปัจจุบันที่เกี่ยวข้องกับหัวข้อ/วิชาที่สำคัญและนวัตกรรมอื่น ๆ เช่นที่เกี่ยวข้องกับ AI ทั่วไปเทียบกับ AI เฉพาะหรือแนวตั้งหรือแคบการเรียนรู้ของเครื่องของตัวอย่างการฝึกอบรม (เช่นเดียวกับที่มนุษย์สามารถทำได้) เรียนรู้แนวคิดหนึ่งและใช้ในบริบทหรือสภาพแวดล้อมอื่น (เช่นเดียวกับที่มนุษย์สามารถทำได้) การเพิ่มเหตุผลและเลเยอร์ความรู้ความเข้าใจในโมดูลการเรียนรู้ (เช่นเดียวกับที่มนุษย์สามารถทำได้) การเรียนรู้อย่างต่อเนื่องและการอัปเดตเครื่องการเรียนรู้อย่างต่อเนื่อง (เช่นเดียวกับที่มนุษย์สามารถทำได้) การเรียนรู้และการรับรู้พร้อมกัน (ในเวลาเดียวกัน) (เช่นเดียวกับที่มนุษย์สามารถทำได้) และความขัดแย้งและการแก้ปัญหาที่ขัดแย้ง (เช่นเดียวกับที่มนุษย์สามารถทำได้) ด้วยแอปพลิเคชันเช่นสำหรับการจดจำภาพแอปพลิเคชันสำหรับการจดจำรูปแบบใด ๆ เช่นเสียงหรือเสียงแอปพลิเคชันสำหรับรถยนต์อิสระหรือไม่มีคนขับแอปพลิเคชันสำหรับความปลอดภัยและชีวภาพเช่นการจดจำใบหน้าบางส่วนหรือแบบเอียงหรือหมุนเกมหรือสถานการณ์เชิงกลยุทธ์แอปพลิเคชันสำหรับการตรวจจับการฉ้อโกงหรือการตรวจสอบ/การตรวจสอบเช่นสำหรับธนาคารหรือ cryptocurrency หรือกองทุนติดตามหรือใบรับรองการใช้งานสำหรับการถ่ายภาพทางการแพทย์และการวินิจฉัยทางการแพทย์และขั้นตอนการแพทย์และการพัฒนายาและพันธุศาสตร์การประยุกต์ใช้สำหรับระบบควบคุมและหุ่นยนต์สำหรับการทำนายการพยากรณ์และการวิเคราะห์ความเสี่ยงเช่นสำหรับการพยากรณ์อากาศเศรษฐกิจราคาน้ำมันอัตราดอกเบี้ยราคาหุ้นเบี้ยประกันและตัวชี้วัดความไม่สงบทางสังคม/พารามิเตอร์และสิ่งที่คล้ายกัน
ในโลกแห่งความเป็นจริงความไม่แน่นอนเป็นปรากฏการณ์ที่แพร่หลายข้อมูลส่วนใหญ่เกี่ยวกับการตัดสินใจที่ไม่แน่นอนมนุษย์มีความสามารถที่น่าทึ่งในการตัดสินใจอย่างมีเหตุผลตามข้อมูลที่ไม่แน่นอนไม่แน่นอนและ/หรือไม่สมบูรณ์การทำให้เป็นทางการของความสามารถนี้เป็นหนึ่งในเป้าหมายของสิ่งประดิษฐ์ในปัจจุบันเหล่านี้ในศูนย์รวมเดียว
นี่คือสิ่งพิมพ์บางส่วนในวิชาที่เกี่ยวข้องสำหรับศูนย์รวมบางแห่ง:
[1] R. , Ash, ทฤษฎีความน่าจะเป็นพื้นฐาน, Dover Publications, 2008
[2] J-CBuisson, Nutri-Educ, แอพพลิเคชั่นซอฟต์แวร์โภชนาการสำหรับการปรับสมดุลอาหารโดยใช้อัลกอริทึมการค้นหาแบบฟัซซี่และอัลกอริทึมการค้นหาฮิวริสติก, ปัญญาประดิษฐ์ในการแพทย์ 42, (3), (2008) 213-227
[3] E. Trillas, C. Moraga, S. Guadarrama, S. Cubillo และ E. Castiñeira, คอมพิวเตอร์ด้วยคำตรงข้าม, ใน: M. Nikravesh, J. Kacprzyk และ L. A. Zadeh (บรรณาธิการ)I, การศึกษาเกี่ยวกับความคลุมเครือและการคำนวณที่อ่อนนุ่มเล่มที่ 217, Springer-Verlag, Berlin Heidelberg 2007, pp. 133-153
[4] R. R. Yager, เกี่ยวกับมาตรการเฉพาะ, ใน: O. Kaynak, L. A. Zadeh, B. Turksen, I. J. Rudas (บรรณาธิการ), Intelligence การคำนวณ: การคำนวณที่นุ่มนวลและ Fuzzy-Neuro: การรวมกับแอปพลิเคชัน, 1998, pp. 94-113
[5] L. A. Zadeh, แคลคูลัสของข้อ จำกัด ฟัซซี่, ใน: L. A. Zadeh, K. S. Fu, K. Tanaka และ M. Shimura (บรรณาธิการ), ชุดฟัซซี่และการประยุกต์ใช้กับกระบวนการทางปัญญาและการตัดสินใจ, pp. 1-39
[6] L. A. Zadeh แนวคิดของตัวแปรทางภาษาและการประยุกต์ใช้เพื่อการใช้เหตุผลโดยประมาณ
ข้อมูลส่วนหนึ่งของวิทยาศาสตร์ 8 (1975) 199-249;
ส่วนที่สอง: ข้อมูลวิทยาศาสตร์ 8 (1975) 301-357;
ส่วนที่ III: ข้อมูลวิทยาศาสตร์ 9 (1975) 43-80
[7] L. A. Zadeh, ตรรกะฟัซซี่และแคลคูลัสของกฎฟัซซี่และกราฟฟัซซี่, ตรรกะหลายค่า 1, (1996) 1-38
[8] L. A. Zadeh จากการคำนวณด้วยตัวเลขไปจนถึงการคำนวณด้วยคำ-จากการจัดการของการวัดไปจนถึงการจัดการการรับรู้ธุรกรรม IEEE ในวงจรและระบบ 45, (1999) 105-119
[9] L. A. Zadeh, Z-Mouse วิธีการแสดงภาพและการดึงข้อมูลฟัซซี่โพสต์บน Bisc Forum, Jul. 30, 2010 คำอธิบายโดยละเอียดเพิ่มเติมอาจพบได้ในการคำนวณด้วยคำ-แนวคิดและแนวคิดทั่วไปการนำเสนอ PowerPoint, มหาวิทยาลัยเซาเทิร์นแคลิฟอร์เนีย, ลอสแองเจลิส, แคลิฟอร์เนีย, 22 ตุลาคม 2010
เป็นหนึ่งในแอปพลิเคชั่นที่กล่าวถึงที่นี่ในการเปิดเผยนี้สำหรับการเปรียบเทียบเครื่องมือค้นหาหรือเครื่องมือตอบคำถามบางอย่างในตลาด (ในช่วงไม่กี่ปีที่ผ่านมา) คือ (หรือ): Google®, Yahoo®, Autonomy, M®, M®,การค้นหาอย่างรวดเร็ว, Powerset® (โดยXerox® Parc และซื้อโดยMicrosoft®), Microsoft® Bing, Wolfram®, Askjeeves, Collarity, Endeca®, Media River, Hakia®, Ask.com®, Altavista, Excite, Go Network, Hotbot®, LYCOS®, Northern Light และ Like.com
การอ้างอิงอื่น ๆ ในบางวิชาที่เกี่ยวข้องคือ:
[1] A. R. Aronson, B. E. Jacobs, J. Minker, หมายเหตุเกี่ยวกับการหักเงินฟัซซี่, J. ACM27 (4) (1980), 599-603
[2] A. Bardossy, L. Duckstein, การสร้างแบบจำลองตามกฎของฟัซซี่ด้วยการประยุกต์ใช้กับระบบธรณีฟิสิกส์ชีวภาพและวิศวกรรม, CRC Press, 1995
[3] T. Berners-Lee, J. Hendler, Q. Lassila, The Semantic Web, Scientific American 284 (5) (2001), 34-43
[4] S. Brin, L. Page, กายวิภาคของเครื่องมือค้นหาเว็บไฮเปอร์เท็กซ์ขนาดใหญ่, เครือข่ายคอมพิวเตอร์ 30 (1-7) (1998), 107-117
[5] W. J. H. J. Bronnenberg, M. C. Bunt, S. P. J. Lendsbergen, R. H. J. Scha, W.J. Schoenmakers, E. P. C. , Van Eutthen, ระบบตอบคำถาม PHLIQA1, IN: L. Bola (ed.), ระบบตอบคำถามภาษาธรรมชาติ, MacMillan, 1980
[6] L. S. Coles, เทคนิคสำหรับการดึงข้อมูลโดยใช้ระบบการตอบคำถามเชิงอนุมานที่มีอินพุตภาษาธรรมชาติ, รายงาน SRI, 1972
(7) A. Di Nola, S. Sessa, W. Pedrycz, W. Pei-Zhuang, สมการความสัมพันธ์คลุมเครือภายใต้คลาสของบรรทัดฐานสามเหลี่ยม: การสำรวจและผลลัพธ์ใหม่ใน: ชุดคลุมเครือสำหรับระบบอัจฉริยะ, สำนักพิมพ์ Morgan Kaufmann, ซานมาเทโอ แคลิฟอร์เนีย 1993 หน้า 166-189
[8] A. Di.Nola, S. Sessa, W. Pedrycz, E. Sanchez, สมการความสัมพันธ์ฟัซซี่และการประยุกต์ใช้กับวิศวกรรมความรู้, สำนักพิมพ์นักวิชาการ Kluwer, Dordrecht, 1989
[9] D. Dubois, H. Prade, กฎการอนุมานแบบค่อยเป็นค่อยไปในการให้เหตุผลโดยประมาณ, แจ้ง วิทยาศาสตร์ 61(1-2) (1992), 103-122.
(10) D. Filev, R. R. Yager, Essentials of Fuzzy Modeling and Control, Wiley-Interscience, 1994
[11] J. A. Goguen, ตรรกะของแนวคิดที่ไม่แน่นอน, Synthese 19 (1969), 325-373
[12] M. Jamshidi, A. Titli, L. A. Zadeh, S. Boverie (บรรณาธิการ), แอปพลิเคชันของตรรกะฟัซซี่ - ระบบความฉลาดทางปัญญาเครื่องจักรระดับสูง, ระบบการผลิตสิ่งแวดล้อมและอัจฉริยะ, ฉบับที่ 59, Prentice-Hall, Upper Saddle River, N.J. , 1997
(13) A. Kaufmann, M. M. Gupta, เลขคณิตคลุมเครือเบื้องต้น: ทฤษฎีและการประยุกต์, Van Nostrand นิวยอร์ก ปี 1985
[14] D. B. Lenat, CYC: การลงทุนขนาดใหญ่ในโครงสร้างพื้นฐานความรู้, Comm.ACM38 (11) (1995), 32-38
(15) E. H. Mamdani, S. Assilian, การทดลองในการสังเคราะห์ทางภาษาด้วยตัวควบคุมลอจิกคลุมเครือ, Int. เจ. แมน—เครื่องจักรศึกษา 7 (1975), 1-13
[16] J. R. McSkimin, Minker, การใช้เครือข่ายความหมายในระบบการตอบคำถามแบบนิรนัยใน: IJCAI, 1977, หน้า 50-58
[17] R. E. Moore, การวิเคราะห์ช่วง, SIAM Studies in Applied Mathematics, vol. 2, ฟิลาเดลเฟีย, เพนซิลเวเนีย, 1979.
[18] M. Nagao, J. Tsujii, กลไกของการหักล้างในระบบการตอบคำถามที่มีการป้อนข้อมูลด้วยภาษาธรรมชาติ, ใน: ICJAI, 1973, หน้า 285-290
(19) B. H. Partee (Ed.), Montague Grammar, สำนักพิมพ์วิชาการ, นิวยอร์ก, 1976
(20) W. Pedrycz, F. Gomide, ความรู้เบื้องต้นเกี่ยวกับชุดคลุมเครือ, สำนักพิมพ์ MIT, Cambridge, Mass., 1998
[21] F. Rossi, P. Codognet (บรรณาธิการ), Soft Constraints, ฉบับพิเศษเกี่ยวกับข้อจำกัด, ฉบับที่ 8, N. 1, สำนักพิมพ์ Kluwer Academic, 2003.
(22) G. Shafer ทฤษฎีทางคณิตศาสตร์แห่งหลักฐาน สำนักพิมพ์มหาวิทยาลัยพรินซ์ตัน พรินซ์ตัน นิวเจอร์ซีย์ 2519
(23) M. K. Smith, C. Welty, D. McGuinness (บรรณาธิการ OWL Web Ontology Language Guide, W3C Working Draft 31, 2003)
[24] L. A. Zadeh, ชุดคลุมเครือ, แจ้งและการควบคุม 8 (1965), 338-353.
(25) L. A. Zadeh, การวัดความน่าจะเป็นของเหตุการณ์คลุมเครือ, J. Math ก้น อัปปิ 23 (1968), 421-427.
[26] L. A. Zadeh โครงร่างของแนวทางใหม่ในการวิเคราะห์ระบบที่ซับซ้อนและกระบวนการตัดสินใจ IEEE Trans บน Systems Man Cybemet 3 (1973), 28-44.
[27] L. A. Zadeh, ในการวิเคราะห์ระบบขนาดใหญ่, ใน: H. Gottinger (Ed.), แนวทางระบบและปัญหาสิ่งแวดล้อม, Vandenhoeck และ Ruprecht, Gottingen, 1974, หน้า 23-37
[28] L. A. , Zadeh แนวคิดของตัวแปรทางภาษาและการประยุกต์เพื่อการให้เหตุผลโดยประมาณ ตอนที่ 1 แจ้ง วิทยาศาสตร์ 8 (1975), 199-249; ส่วนที่ II แจ้ง วิทยาศาสตร์ 8 (1975), 301-357; แจ้งส่วนหนึ่ง. วิทยาศาสตร์ 9 (1975), 43-80.
(29) L. A. Zadeh, ชุด Fuzzy และรายละเอียดข้อมูล, ใน: M. Gupta, R. Ragade, R. Yager (บรรณาธิการ), ความก้าวหน้าในทฤษฎีและการประยุกต์ใช้ชุด Fuzzy, North-Holland Publishing Co, Amsterdam, 1979, หน้า 3-18,
(30) L. A. Zadeh ทฤษฎีการให้เหตุผลโดยประมาณ ใน: J. Hayes, D. Michie, L. I. Mikulich (บรรณาธิการ), Machine Intelligence, vol. 9, Halstead Press, New York, 1979, หน้า 149-194
[31] L. A. Zadeh, ความหมายคะแนนทดสอบสำหรับภาษาธรรมชาติและการแทนความหมายผ่าน PRUF, ใน: B. Rieger (Ed.), ความหมายเชิงประจักษ์, Brockmeyer, Bochum, W. Germany, 1982, หน้า 281-349 บันทึกข้อตกลงทางเทคนิค 246, AI Center, SRI International, Menlo Park, Calif., 1981
[32] L. A. Zadeh วิธีการคำนวณหาปริมาณคลุมเครือในภาษาธรรมชาติ คอมพิวเตอร์และคณิตศาสตร์ 9 (1983), 149-184
[33] L. A. Zadeh, แนวทางทฤษฎีชุดคลุมเครือเพื่อการจัดองค์ประกอบของความหมาย: ข้อเสนอ, การจัดการและรูปแบบที่เป็นที่ยอมรับ, J. ความหมาย 3 (1983), 253-272,
(34) L. A. Zadeh ความแม่นยำของความหมายผ่านการแปลเป็น PRUF ใน: L. Vaina, J. Hintikka (บรรณาธิการ), ข้อ จำกัด ทางปัญญาในการสื่อสาร, Reidel, Dordrecht, 1984, หน้า 373-402
[35] L. A. Zadeh โครงร่างของแนวทางการคำนวณเพื่อความหมายและการเป็นตัวแทนความรู้ตามแนวคิดของคำแถลงการมอบหมายงานทั่วไปใน: M. Thoma, A. Wyner (บรรณาธิการ), การดำเนินการสัมมนาระดับนานาชาติเกี่ยวกับปัญญาประดิษฐ์และมนุษย์ -ระบบเครื่องจักร, Springer-Verlag, Heidelberg, 1986, หน้า 198-211
[36] L. A. Zadeh, ตรรกะคลุมเครือและแคลคูลัสของกฎคลุมเครือและกราฟคลุมเครือ, ลอจิกหลายค่า 1 (1996), 1-38
(37) LA, Zadeh, มุ่งสู่ทฤษฎีของการบดย่อยข้อมูลคลุมเครือและความเป็นศูนย์กลางในการให้เหตุผลของมนุษย์และตรรกะคลุมเครือ, ชุดและระบบคลุมเครือ 90 (1997), 111-127
[38] L. A. Zadeh จากการคำนวณด้วยตัวเลขไปจนถึงการคำนวณด้วยคำ จากการยักย้ายการวัดไปจนถึงการจัดการการรับรู้ IEEE Trans ว่าด้วยวงจรและระบบ 45 (1) (1999), 105-119
(39) L. A. , Zadeh สู่ทฤษฎีตามการรับรู้ของการให้เหตุผลความน่าจะเป็นและความน่าจะเป็น J. Statist แผน การอนุมาน 105 (2545), 233-264.
[40] L. A. Zadeh, ภาษาธรรมชาติที่มีความแม่นยำ (PNL ', Ai Ntagazine 25 (3) (2004), 74-91
[41] L. A. , Zadeh, หมายเหตุเกี่ยวกับ Web Intelligence, ความรู้ระดับโลกและตรรกะฟัซซี่, ข้อมูลและวิศวกรรมความรู้ 50 (2004), 291-304
[42] L. A. Zadeh ไปสู่ทฤษฎีทั่วไปของความไม่แน่นอน (GTU) - โครงร่างแจ้งวิทยาศาสตร์172 (2005), 1-40
[43] J. Arjona, R. Corchuelo, J. Pena, D. Ruiz, รับมือกับความรู้ทางเว็บ, ใน: ความก้าวหน้าใน Web Intelligence, Springer-Verlag, Berlin, 2003, pp. 165-178
[44] A. Bargiela, W. Pedrycz, การคำนวณแบบละเอียด - บทนำ, สำนักพิมพ์นักวิชาการ Kluwer, บอสตัน, 2003
[45] Z. Bubnicki, การวิเคราะห์และการตัดสินใจในระบบที่ไม่แน่นอน, Springer-Verlag, 2004
[46] P. P. Chen, วิธีการที่สัมพันธ์กับการสร้างแบบจำลองและการวิเคราะห์ข้อมูล, North-Holland, 1983
[47] M. Craven, D. Dipasquo, D. Freitag, A. McCallum, T. Mitchell, K. Nigam, S. Slattery, การเรียนรู้ที่จะสร้างฐานความรู้จากเวิลด์ไวด์เว็บปัญญาประดิษฐ์ 118 (1-2)(2000), 69-113,
[48] M. J. Cresswell, ตรรกะและภาษา, Methuen, London, UK, 1973
[49] D. Dubois, H. Prade, On the use of aggregation operations in information fusion processes, Fuzzy Sets and Systems 142 (1) (2004), 143-161.
[50] T. F. Gamat, ภาษา, ตรรกะและภาษาศาสตร์, สำนักพิมพ์มหาวิทยาลัยชิคาโก, 1996
[51] M. Mares, การคำนวณปริมาณฟัซซี่, CRC, Boca Raton, Fla., 1994
[52] V. Novak, I. Perfilieva, J. Mockor, หลักการทางคณิตศาสตร์ของตรรกะฟัซซี่, สำนักพิมพ์นักวิชาการ Kluwer, บอสตัน, 1999
[53] V. Novak, I. Perfilieva (บรรณาธิการ), การค้นพบโลกด้วยตรรกะฟัซซี่, การศึกษาเกี่ยวกับความคลุมเครือและการคำนวณที่นุ่มนวล, Physica-Verlag, Heidelberg, 2000
[54] Z. Pawlak, ชุดคร่าวๆ: แง่มุมทางทฤษฎีของการให้เหตุผลเกี่ยวกับข้อมูล, สำนักพิมพ์วิชาการ Kluwer, Dordrecht, 1991
[55] M. K. Smith, C. Welty, Ontology คืออะไร?Ontology: สู่การสังเคราะห์ใหม่ใน: การดำเนินการประชุมนานาชาติครั้งที่สองเกี่ยวกับอภิปรัชญาอย่างเป็นทางการในระบบสารสนเทศ 2545
อย่างไรก็ตามไม่มีศิลปะก่อนหน้านี้สอนคุณสมบัติที่กล่าวถึงในการเปิดเผยสิ่งประดิษฐ์ของเรา
มีงานวิจัยมากมายเกิดขึ้นในปัจจุบันโดยมุ่งเน้นไปที่เครื่องมือค้นหาการวิเคราะห์การประมวลผลข้อมูลขนาดใหญ่การประมวลผลภาษาธรรมชาติการพยากรณ์เศรษฐกิจการจัดการกับความน่าเชื่อถือและความแน่นอนการวินิจฉัยทางการแพทย์การจดจำรูปแบบการจดจำวัตถุการวิเคราะห์ความปลอดภัยความเสี่ยงความเสี่ยงการวิเคราะห์, การตรวจจับการฉ้อโกง, การวิเคราะห์ภาพดาวเทียม, ข้อมูลที่สร้างขึ้นของเครื่อง, การเรียนรู้ของเครื่อง, ตัวอย่างการฝึกอบรมและสิ่งที่คล้ายกัน
ตัวอย่างเช่นดูบทความโดยทบทวนเทคโนโลยีเผยแพร่โดย MIT“ ขุดลึกลงไปในเว็บค้นหา”, 29 มกราคม 2009 โดย Kate Greene หรือเครื่องมือค้นหาโดยGoogle®, Microsoft® (Bing®) หรือYahoo®,หรือApple® Siri หรือWolfram® Alpha Alpha Computational Knowledge Engine หรือ amazon engine หรือ engine facebook®หรือฐานข้อมูลOracle®หรือเครื่องมือค้นหาYandex®ในรัสเซียหรือPicasa® (Google®) อัลบั้มหรือYouTube® (Goggle®) เครื่องยนต์หรือ Alibaba (การเชื่อมต่อซัพพลายเออร์จีน) หรือSplunk® (สำหรับข้อมูลขนาดใหญ่) หรือMicroStrategy® (สำหรับระบบธุรกิจอัจฉริยะ) หรือ quid (หรือ kaggle, zestfinance, apixio, datameer, bluekai, gnip, reternext หรือแนะนำแนะนำ) (สำหรับข้อมูลขนาดใหญ่) หรือกระดาษโดย Viola-Jones, Viola et al., ในการประชุมเกี่ยวกับการมองเห็นคอมพิวเตอร์และการจดจำรูปแบบ, 2001, ชื่อ“ การตรวจจับวัตถุอย่างรวดเร็วโดยใช้คาสเคดที่มีคุณสมบัติง่าย ๆ ” จาก Mitsubishi และ Compaq Research Labsหรือกระดาษโดย Alex Pentland et al., กุมภาพันธ์ 2000, ที่คอมพิวเตอร์, IFEE, ชื่อ“ การจดจำใบหน้าสำหรับสภาพแวดล้อมอัจฉริยะ” หรือการตีพิมพ์บล็อกอย่างเป็นทางการของGoogle®, 16 พฤษภาคม 2012, ชื่อ“ แนะนำกราฟความรู้: สิ่งต่าง ๆ” หรือบทความโดยทบทวนเทคโนโลยีเผยแพร่โดย MIT“ อนาคตของการค้นหา”, 16 ก.ค. , 16, 2007, โดย Kate Greene หรือบทความโดย Technology Review เผยแพร่โดย MIT“ Microsoft ค้นหาความได้เปรียบของกลุ่ม”. 30, 2009, โดย Robert Lemos หรือบทความโดย Technology Review เผยแพร่โดย MIT“ Wolfram Alpha และ Google Face Off”, 5 พฤษภาคม 2009 โดย David Talbot หรือบทความโดย Devarakonda et al.ของวิศวกรรมซอฟต์แวร์ (IJSE), ฉบับที่2, ฉบับที่ 1, 2011, ชื่อ“ เครื่องมือค้นหารุ่นต่อไปสำหรับการดึงข้อมูล” หรือกระดาษโดย Nair-Hinton ชื่อ“ การผสมผสานโดยนัยของเครื่อง Boltzmann ที่ถูก จำกัด ”, NIPS, pp. 1145-1152, 2009 หรือกระดาษโดย NairV. และ Hinton, G. E. , ชื่อ“ การรับรู้วัตถุ 3 มิติด้วยตาข่ายความเชื่อลึก”, ตีพิมพ์ในความก้าวหน้าในระบบการประมวลผลข้อมูลระบบประสาท 22, (Y. Bengio, D. Schuurmans, Lafferty, C. K. I. Williams และ A. Culotta (Eds.)), pp 1339-1347กลุ่มวิจัยอื่น ๆ รวมถึงกลุ่มที่นำโดย Andrew Ng, Yoshua Bengio, Fei Fei Li, Ashutosh Saxena, Lecun, Michael I. Jordan, Zoubin Ghahramani และอื่น ๆ ใน บริษัท และมหาวิทยาลัยทั่วโลก
อย่างไรก็ตามไม่มีศิลปะก่อนหน้านี้สอนคุณสมบัติที่กล่าวถึงในการเปิดเผยสิ่งประดิษฐ์ของเราแม้จะรวมกัน
บทสรุปของการประดิษฐ์
สำหรับรูปลักษณ์หนึ่ง: การตัดสินใจขึ้นอยู่กับข้อมูล เพื่อเป็นประโยชน์ข้อมูลจะต้องเชื่อถือได้ โดยพื้นฐานแล้ว แนวคิดของเลข Z เกี่ยวข้องกับปัญหาความน่าเชื่อถือของข้อมูล หมายเลข Z หรือ Z มีสององค์ประกอบ คือ Z=(A,B) องค์ประกอบแรก A คือข้อจำกัด (ข้อจำกัด) ของค่าที่ X อนุญาตให้ใช้ตัวแปรที่ไม่แน่นอนมูลค่าจริงได้ องค์ประกอบที่สอง B คือการวัดความน่าเชื่อถือ (ความแน่นอน) ขององค์ประกอบแรก โดยปกติแล้ว A และ B จะอธิบายเป็นภาษาธรรมชาติ ตัวอย่าง: (ประมาณ 45 นาที แน่นอนมาก) ปัญหาสำคัญเกี่ยวข้องกับการคำนวณด้วยเลข Z ตัวอย่างคือ ผลรวมของ (ประมาณ 45 นาที แน่นอนมาก) และ (ประมาณ 30 นาที แน่นอน) เป็นเท่าใด รากที่สองของ (ประมาณ 100 น่าจะ) คืออะไร? การคำนวณด้วยตัวเลข Z อยู่ในขอบเขตของการคำนวณด้วยคำ (CW หรือ CWW) ในการเปิดเผยนี้ มีการแนะนำแนวคิดของเลข Z และวิธีการคำนวณด้วยเลข Z ถูกแสดง แนวคิดของเลข Z มีการนำไปประยุกต์ใช้มากมาย โดยเฉพาะอย่างยิ่งในด้านเศรษฐศาสตร์ การวิเคราะห์การตัดสินใจ การประเมินความเสี่ยง การทำนาย การคาดคะเน การแสดงลักษณะเฉพาะตามกฎของฟังก์ชันและความสัมพันธ์ที่ไม่แน่ชัด และชีวเวชศาสตร์ มีการหารือถึงวิธีการ แอปพลิเคชัน และระบบต่างๆ นอกจากนี้ยังมีการกล่าวถึงสิ่งประดิษฐ์และแนวคิดคลุมเครืออื่น ๆ อีกด้วย มีการพูดคุยถึงสิ่งประดิษฐ์และแนวคิดที่ไม่เกี่ยวข้องกับคลุมเครือหลายอย่างด้วย
สำหรับรูปลักษณ์อื่นๆ: ข้อมูลจำเพาะยังครอบคลุมถึงอัลกอริธึม วิธีการ และระบบใหม่สำหรับปัญญาประดิษฐ์ การประมวลผลแบบซอฟต์ และการเรียนรู้/การจดจำเชิงลึก/รายละเอียด เช่น การจดจำรูปภาพ (เช่น สำหรับการกระทำ ท่าทาง อารมณ์ การแสดงออก ไบโอเมตริก ลายนิ้วมือ ใบหน้า , OCR (ข้อความ) พื้นหลัง ความสัมพันธ์ ตำแหน่ง รูปแบบ และวัตถุ) การวิเคราะห์รูปภาพจำนวนมาก (“ข้อมูลขนาดใหญ่”) การเรียนรู้ของเครื่อง แผนการฝึกอบรม การจัดหาฝูงชน (โดยใช้ผู้เชี่ยวชาญหรือมนุษย์) พื้นที่คุณลักษณะ การจัดกลุ่ม , การจำแนกประเภท, การวัดความคล้ายคลึงกัน, การเพิ่มประสิทธิภาพ, เสิร์ชเอ็นจิ้น, การจัดอันดับ, ระบบตอบคำถาม, ขอบเขตแบบนุ่มนวล (คลุมเครือหรือไม่คมชัด)/ความไม่แม่นยำ/ความกำกวม/ความคลุมเครือในภาษา, การประมวลผลภาษาธรรมชาติ (NLP), คอมพิวเตอร์ด้วยคำ (CWW), การแยกวิเคราะห์ การแปลด้วยเครื่อง การจดจำเสียงและคำพูด การค้นหาและวิเคราะห์วิดีโอ (เช่น การติดตาม) คำอธิบายประกอบรูปภาพ นามธรรมทางเรขาคณิต การแก้ไขรูปภาพ เว็บความหมาย การวิเคราะห์บริบท ความน่าเชื่อถือของข้อมูล (เช่น การใช้หมายเลข Z (เช่น “ประมาณ 45” นาที; มั่นใจมาก")), เครื่องยนต์ควบคุม, ระบบควบคุม, ยานพาหนะอัตโนมัติ (เช่น การจอดรถด้วยตนเอง), หุ่นยนต์วินิจฉัยตนเองและซ่อมแซมตัวเอง, การวินิจฉัยระบบ, การวินิจฉัยทางการแพทย์, ชีวเวชศาสตร์, การขุดข้อมูล, การทำนายเหตุการณ์, การพยากรณ์ทางการเงิน, เศรษฐศาสตร์, การประเมินความเสี่ยง การจัดการอีเมล การจัดการฐานข้อมูล การทำดัชนีและการดำเนินการร่วม การจัดการหน่วยความจำ และการบีบอัดข้อมูล
หัวข้อ/สิ่งประดิษฐ์อื่นๆ ที่ครอบคลุม เช่น
-
- วิธีการและระบบการระบุหรือตรวจสอบวัตถุ บุคคล หรือคุณลักษณะของสิ่งเหล่านั้น
- ระบบและวิธีการจดจำและจับคู่ภาพสำหรับโฆษณาแบบกำหนดเป้าหมาย
- ระบบและวิธีการวิเคราะห์ความคลุมเครือในภาษาเพื่อการประมวลผลภาษาธรรมชาติ
- การประยุกต์ใช้ Z-Webs และ Z-factors กับการวิเคราะห์ เสิร์ชเอ็นจิ้น การเรียนรู้ การจดจำ ภาษาธรรมชาติ และยูทิลิตี้อื่น ๆ
- วิธีการและระบบสำหรับการประเมินค่า Z-Number โดยประมาณโดยอิงตามชุดการแจกแจงความน่าจะเป็นแบบหมวดหมู่
- การรับรู้ภาพและวิดีโอและการประยุกต์ใช้กับเครือข่ายสังคมออนไลน์และคลังภาพและวิดีโอ
- ระบบและวิธีการจดจำรูปภาพสำหรับโซเชียลเน็ตเวิร์กที่เน้นกิจกรรมเป็นหลัก
- ระบบและวิธีการจดจำรูปภาพสำหรับเครือข่ายโฆษณาแบบรูปภาพ
- ระบบและวิธีการเพิ่มประสิทธิภาพของตัวแยกประเภทเครื่องเวกเตอร์
หัวข้อ/สิ่งประดิษฐ์อื่นๆ ที่ครอบคลุม เช่น
-
- หลักการสารสนเทศ
- การแบ่งชั้น
- หลักการขยายส่วนเพิ่ม
- แผนการฝึกอบรมและการเรียนรู้ของเครื่องแบบเจาะลึก/แบบละเอียด
- การจดจำภาพ (เช่น สำหรับการกระทำ ท่าทาง อารมณ์ การแสดงออก ไบโอเมตริกซ์ ลายนิ้วมือ ใบหน้า (เช่น การใช้ไอเกนเฟซ) อนุสาวรีย์และจุดสังเกต OCR พื้นหลัง วัตถุบางส่วน ความสัมพันธ์ ตำแหน่ง รูปแบบ พื้นผิว และวัตถุ)
- ฟังก์ชันพื้นฐาน
- คำอธิบายประกอบอัตโนมัติสำหรับรูปภาพและวิดีโอ
- หน้าต่างโฟกัส
- ดัดแปลง/ปรับปรุงเครื่องจักร Boltzmann
- การแปลพื้นที่คุณลักษณะ
- นามธรรมทางเรขาคณิต
- การแก้ไขภาพ
- เว็บความหมาย
- การวิเคราะห์บริบท
- ความน่าเชื่อถือของข้อมูล
- ชั้นความสัมพันธ์
- การจัดกลุ่ม
- การจำแนกประเภท
- รองรับเครื่องเวกเตอร์
- มาตรการความคล้ายคลึงกัน
- การเพิ่มประสิทธิภาพ
- หมายเลข Z
- ปัจจัย Z
- Z-เว็บ
- เครื่องยนต์กฎ
- ระบบควบคุม
- หุ่นยนต์
- เครื่องมือค้นหา
- การจัดอันดับ
- ระบบตอบคำถาม
- ขอบเขตที่อ่อนนุ่มและความคลุมเครือในภาษา
- การประมวลผลภาษาธรรมชาติ (NLP)
- การวินิจฉัยระบบ
- การวินิจฉัยทางการแพทย์
- การวิเคราะห์ข้อมูลขนาดใหญ่
- การทำนายเหตุการณ์
- การพยากรณ์การเงิน
- การคำนวณด้วยคำ (CWW)
- การแยกวิเคราะห์
- ขอบเขตที่อ่อนนุ่มและความคลุมเครือในการจัดกลุ่มและการจำแนกประเภท
- ขอบเขตที่อ่อนนุ่มและความคลุมเครือในการจดจำ
- การแปลเครื่องจักร
- การประเมินความเสี่ยง
- การจัดการอีเมล
- การจัดการฐานข้อมูล
- การจัดทำดัชนีและเข้าร่วมการดำเนินงาน
- การจัดการหน่วยความจำ
- การจดจำเสียงและการพูด
- การค้นหาวิดีโอและการวิเคราะห์ (เช่นการติดตาม)
- การบีบอัดข้อมูล
- การจัดหาฝูงชน (เช่น กับผู้เชี่ยวชาญหรือ SMEs)
- เครือข่ายสังคมออนไลน์ที่เน้นกิจกรรมเป็นหลัก (ตามภาพ)
- พลังงาน
- การขนส่ง
- การกระจายของวัสดุ
- การเพิ่มประสิทธิภาพ
- การจัดตารางเวลา
นอกจากนี้เรายังได้เปิดตัวเครือข่ายโฆษณาแบบรูปภาพเครือข่ายแรก ซึ่งขับเคลื่อนโดยเครื่องมือค้นหารูปภาพเจเนอเรชั่นถัดไปของเรา
เราได้เปิดตัว “แพลตฟอร์มการจดจำรูปภาพ ZAC™” ใหม่ของเรา ซึ่งใช้การเรียนรู้ตามอัลกอริธึม AI ทั่วไป ด้วยวิธีนี้ เราต้องการตัวอย่างการฝึกจำนวนน้อยกว่ามากในการฝึก (เช่นเดียวกับที่มนุษย์ทำ) เช่น สำหรับการประเมินหรือวิเคราะห์วัตถุ/รูปภาพ 3 มิติ เช่น วัตถุที่ซับซ้อน เช่น รองเท้า จากทุกทิศทางหรือ มุม. ตามความรู้ของเรา ยังไม่มีใครแก้ไขปัญหานี้ได้ นี่คือ "จอกศักดิ์สิทธิ์" ของการจดจำภาพ การมี/ต้องการตัวอย่างการฝึกอบรมในการฝึกอบรมจำนวนน้อยกว่ามากก็ถือเป็น “จอกศักดิ์สิทธิ์” ของ AI และการเรียนรู้ของเครื่อง ดังนั้น เราจึงได้บรรลุเหตุการณ์สำคัญ/ความก้าวหน้าทางวิทยาศาสตร์และทางเทคนิคที่สำคัญ 2 ประการที่ผู้อื่นไม่สามารถทำได้ (แต่เดิมผลลัพธ์เหล่านี้ได้รับการรายงานในกรณีหลักของเราเช่นกัน)
นอกจากนี้ จากความรู้ของเรา นี่เป็นตัวอย่างแรกที่ประสบความสำเร็จของการประยุกต์ใช้อัลกอริธึม ระบบ และวิธีการของ AI ทั่วไปในสาขา การประยุกต์ใช้ อุตสาหกรรม มหาวิทยาลัย การวิจัย บทความ การทดลอง การสาธิต หรือการใช้งาน
ร่วมกับวิธีการอื่นๆ ในอุตสาหกรรม/มหาวิทยาลัย เช่น Deep Learning หรือ Convolutional Neural
เครือข่ายหรือการเรียนรู้การเสริมกำลังเชิงลึก (เพิ่มฟังก์ชันการให้รางวัลสะสมสูงสุด) หรือรูปแบบของโครงข่ายประสาทเทียม (เช่น Capsule Networks ที่เพิ่งเปิดตัวโดย Prof. Hinton, Sara Sabour และ Nicholas Frosst จาก Google และ U. of Toronto) สิ่งเหล่านี้ไม่สามารถทำได้ แม้ว่าจะมีตัวอย่างการฝึกจำนวนมากขึ้นมาก และเวลา/พลังงานในการประมวลผล CPU/GPU ที่ใหญ่กว่ามาก และระยะเวลาการฝึกอบรมที่นานกว่ามาก
ดังนั้นเราจึงมีข้อได้เปรียบที่สำคัญเหนือวิธีการอื่นๆ ในอุตสาหกรรม/มหาวิทยาลัย เนื่องจากงานเหล่านี้ไม่สามารถทำได้ด้วยวิธีการอื่นเลย
แม้แต่สำหรับงานทั่วไป/ง่ายกว่ามาก/เฉพาะเจาะจงมาก ซึ่งวิธี AI อื่นๆ สามารถนำมาใช้/มีประโยชน์ได้ เราก็ยังคงมีข้อได้เปรียบเหนืองานเหล่านั้นอย่างมาก ในแง่ของต้นทุน ประสิทธิภาพ ขนาด เวลาการฝึกอบรม การคำนวณ /ข้อกำหนดด้านทรัพยากร อายุการใช้งานแบตเตอรี่ ความยืดหยุ่น และความแม่นยำในการตรวจจับ/การจดจำ/การคาดการณ์
ข้อบกพร่อง/ความล้มเหลว/ข้อจำกัดของวิธีการ/ระบบ/อัลกอริธึม/ผลลัพธ์อื่นๆ ในอุตสาหกรรม AI/การเรียนรู้ของเครื่อง/มหาวิทยาลัย ได้รับการแสดงออก/ยืนยันโดยบุคลากร/นักวิจัยด้าน AI/การเรียนรู้ของเครื่อง/นักวิจัยต่างๆ ตัวอย่างเช่น ศาสตราจารย์ ฮินตัน Google Fellow และผู้บุกเบิกด้าน AI จากสหรัฐอเมริกาในโตรอนโต ในการให้สัมภาษณ์ (GIGAOM, 16 มกราคม 2017) กล่าวว่า “ปัญหาหนึ่งที่เรายังไม่ได้แก้ไขคือการได้รับโครงข่ายประสาทเทียม เพื่อสรุปข้อมูลได้ดีจากข้อมูลจำนวนเล็กน้อย และฉันสงสัยว่านี่อาจต้องมีการเปลี่ยนแปลงอย่างรุนแรงในประเภทของเซลล์ประสาทที่เราใช้” นอกจากนี้ ในการสัมภาษณ์อีกครั้ง (Axios, 15 กันยายน 2017) เขายังตั้งข้อกังขาอย่างยิ่งเกี่ยวกับวิธีการในปัจจุบันของ AI และกล่าวว่า "มุมมองของผมคือโยนมันทิ้งไปและเริ่มต้นใหม่อีกครั้ง" ในทำนองเดียวกัน คุณ Suleyman (หัวหน้าของ Applied AI ซึ่งขณะนี้อยู่ที่ DeepMind/Google) กล่าวในการให้สัมภาษณ์ที่ TechCrunch (5 ธันวาคม 2016) ว่าเขาคิดว่า “AI ทั่วไปยังอยู่อีกไกล”
ดังนั้น สำหรับความรู้ของเรา นอกเหนือจากภาพยนตร์แห่งอนาคต รายการความปรารถนา นวนิยายวิทยาศาสตร์ และบทความทั่วไปที่ไม่ใช่ทางวิทยาศาสตร์หรือไม่ใช่ทางเทคนิค (ซึ่งไม่มีพื้นฐาน/การพึ่งพา/รากฐานเกี่ยวกับทฤษฎีหรือการทดลอง หรือคำสอนที่เหมาะสม/สมบูรณ์) ไม่มีใครเลย ประสบความสำเร็จในการประยุกต์/ใช้งาน/สาธิต General-AI ในอุตสาหกรรม AI หรือสถาบันการศึกษาทั่วโลก ดังนั้น แพลตฟอร์มซอฟต์แวร์เดโม/ZAC General-AI Image Recognition ของเราที่นี่จึงเป็นความก้าวหน้าที่สำคัญมากในด้าน/วิทยาศาสตร์ของ AI และเทคโนโลยีการเรียนรู้ของเครื่อง (แต่เดิมผลลัพธ์เหล่านี้ได้รับการรายงานในกรณีหลักของเราเช่นกัน)
โปรดทราบว่า General-AI ยังถูกเรียก/เรียกว่า General Artificial Intelligence (GAI) หรือ Artificial General Intelligence (AGI) หรือ General-Purpose AI หรือ Strong Artificial Intelligence (AI) หรือ True AI หรือที่เราเรียกว่า มัน, Thinking-AI หรือ Reasoning-AI หรือ Cognition-AI หรือ Flexible-AI หรือ Full-Coverage-AI หรือ Comprehensive-AI ซึ่งสามารถปฏิบัติงานที่ไม่เคยได้รับการฝึกอบรมมาโดยเฉพาะ เช่น ในบริบทที่แตกต่างกัน/ สิ่งแวดล้อม เพื่อรีไซเคิล/นำประสบการณ์และความรู้กลับมาใช้ใหม่ โดยใช้ชั้นเหตุผลและความรู้ความเข้าใจ ซึ่งมักจะอยู่ในสถานการณ์/สภาพ/สภาพแวดล้อมที่แตกต่างไปจากเดิมอย่างสิ้นเชิงหรือไม่คาดคิด หรือใหม่มาก (เช่นเดียวกับสิ่งที่มนุษย์สามารถทำได้) ดังนั้นเราจึงได้แสดงให้เห็นในการเปิดเผยนี้ถึงสถาปัตยกรรม ระบบ วิธีการ อัลกอริธึม ทฤษฎี และเทคนิคใหม่/ใหม่/ปฏิวัติ เพื่อนำ General-AI ไปใช้ เช่น สำหรับการรับรู้ภาพ 3 มิติ/วัตถุจากทุกทิศทางและการใช้งานอื่นๆ กล่าวถึงที่นี่
เทคโนโลยีของเราที่นี่ (อิงตาม General-AI) ตรงกันข้ามกับ (เทียบกับ) AI เฉพาะ (หรือ Vertical หรือ Functional หรือ Narrow หรือ Weak AI) (หรือที่เราบัญญัติศัพท์วลี "Dumb-AI") เนื่องจาก เช่น เครื่อง AI เฉพาะที่ได้รับการฝึกเพื่อการจดจำใบหน้าไม่สามารถทำงานอื่นใดได้ เช่น การจดจำลายนิ้วมือ หรือการจดจำภาพทางการแพทย์ นั่นคือ เครื่อง AI เฉพาะไม่สามารถถ่ายทอด/เรียนรู้จากประสบการณ์หรือความรู้ใดๆ ที่ได้รับจากโดเมนหนึ่ง (การจดจำใบหน้า) ไปยังอีกโดเมนหนึ่ง/ใหม่ (ลายนิ้วมือหรือภาพทางการแพทย์) ซึ่งไม่เคยเห็นมาก่อน (หรือ ไม่ได้รับการฝึกฝนมาก่อน) ดังนั้น AI เฉพาะจึงมีขอบเขต/"ความฉลาด"/ฟังก์ชันการทำงาน/การใช้งาน/การนำกลับมาใช้ใหม่/ความยืดหยุ่น/ประโยชน์ที่จำกัดมาก
โปรดทราบว่าเทคโนโลยีล้ำสมัยแบบเดิมๆ/ในปัจจุบันในอุตสาหกรรม/สถาบันการศึกษา (เช่น Convolutional Neural Nets หรือ Deep Learning) นั้นมีพื้นฐานมาจาก AI เฉพาะ ซึ่งมีข้อจำกัดทางทฤษฎี/ปฏิบัติที่สำคัญ/ร้ายแรงบางประการ ตัวอย่างเช่น ไม่สามารถทำการจดจำรูปภาพ/วัตถุ 3 มิติจากทุกทิศทาง หรือไม่สามารถถ่ายทอด/เรียนรู้จากประสบการณ์หรือความรู้ใดๆ ในโดเมนอื่น หรือต้องการตัวอย่างการฝึกอบรมจำนวนมากมาก (ซึ่งอาจไม่มีเลย หรือทำไม่ได้ หรือแพงเกินไป หรือใช้เวลานานเกินไปในการรวบรวมหรือฝึก) หรือต้องใช้โครงข่ายประสาทเทียมขนาดใหญ่มาก (ซึ่งไม่สามารถมาบรรจบกันในขั้นตอนการฝึกได้ เนื่องจากระดับอิสระมากเกินไป หรือมีแนวโน้มที่จะจดจำ (แทนที่จะเรียนรู้) ) รูปแบบ (ซึ่งไม่ดีสำหรับความแม่นยำในการรู้จำนอกตัวอย่าง)) หรือต้องใช้พลังการประมวลผลที่มีขนาดใหญ่มาก (ซึ่งทำไม่ได้จริง หรือมีราคาแพงเกินไป หรือไม่พร้อมใช้งาน หรือยังคงไม่สามารถมาบรรจบกันในขั้นตอนการฝึกอบรมได้) ดังนั้นจึงมีข้อจำกัดทางทฤษฎี/ปฏิบัติที่ร้ายแรง
นอกจากนี้ ใน AI เฉพาะ หากมีการเพิ่ม/แนะนำ/พบคลาสใหม่ของวัตถุในจักรวาลของวัตถุทั้งหมด (เช่น สัตว์/สายพันธุ์ใหม่ถูกค้นพบ) การฝึกอบรมจะต้องดำเนินการตั้งแต่เริ่มต้น มิฉะนั้น การฝึกเฉพาะวัตถุสุดท้ายจะทำให้เครื่องจักรการเรียนรู้ทั้งหมดมีอคติ ซึ่งไม่ดี/แม่นยำสำหรับการรับรู้ในภายหลัง ดังนั้น น้ำหนัก/อคติหรือพารามิเตอร์ทั้งหมดในเครื่องการเรียนรู้จะต้องถูกลบออกอย่างสมบูรณ์ และการเรียนรู้ทั้งหมดที่มีการเพิ่ม/ผสมคลาสใหม่แบบสุ่มกับคลาสก่อนหน้า จะต้องทำซ้ำอีกครั้งตั้งแต่เริ่มต้น โดยพารามิเตอร์ทั้งหมดจะถูกลบและทำซ้ำ/ คำนวณอีกครั้ง ดังนั้น วิธีแก้ปัญหานี้จึงไม่สามารถสะสม หรือปรับขนาดได้ หรือใช้งานได้จริง เช่น สำหรับการเรียนรู้รายวันหรือการเรียนรู้อย่างต่อเนื่อง ดังเช่นในกรณีของสถานการณ์เชิงปฏิบัติส่วนใหญ่ หรือวิธีที่มนุษย์หรือสัตว์ส่วนใหญ่ทำ/เรียนรู้/จดจำ ดังนั้นจึงมีข้อจำกัดทางทฤษฎี/ปฏิบัติที่ร้ายแรง
นอกจากนี้ สำหรับ AI เฉพาะ ระยะการเรียนรู้ไม่สามารถผสมกับระยะการฝึกได้ นั่นคือไม่พร้อมกันในช่วงเวลาเดียวกัน ดังนั้นในระหว่างขั้นตอนการฝึกอบรม เครื่องจักรจะไม่มีประโยชน์หรือไม่ได้ใช้งานเพื่อวัตถุประสงค์ในทางปฏิบัติทั้งหมด เนื่องจากในขณะนั้นไม่สามารถจดจำสิ่งใดได้อย่างถูกต้องเหมาะสม นี่ไม่ใช่วิธีที่มนุษย์เรียนรู้/จดจำในแต่ละวัน ดังนั้นจึงมีข้อจำกัดทางทฤษฎี/ปฏิบัติที่ร้ายแรง
General-AI แก้ปัญหา/เอาชนะปัญหาข้างต้นทั้งหมด ดังที่แสดง/อภิปรายไว้ที่นี่ในการเปิดเผยนี้ ดังนั้นจึงมีข้อได้เปรียบอย่างมาก ด้วยเหตุผลหลายประการ ดังที่ระบุไว้ที่นี่ เหนือเฉพาะ AI
เป็นที่น่าสังเกตว่าการใช้พลังงาน CPU/GPU ที่น้อยลงทำให้สามารถรวมเข้ากับอุปกรณ์เคลื่อนที่และอุปกรณ์ที่สวมใส่ได้ง่ายขึ้น รวมถึง Lot และโทรศัพท์และนาฬิกา ดังตัวอย่าง ซึ่งมิฉะนั้นจะทำให้แบตเตอรี่หมดเร็วมาก และด้วยเหตุนี้ ต้องใช้แบตเตอรี่ที่ใหญ่กว่ามากหรือการชาร์จใหม่บ่อยครั้ง ซึ่งใช้ไม่ได้จริงกับสถานการณ์ส่วนใหญ่เลย
อุตสาหกรรม/การประยุกต์ใช้งานประดิษฐ์ของเราได้แก่:
-
- อุปกรณ์เคลื่อนที่ (เช่น โทรศัพท์ อุปกรณ์สวมใส่ แว่นตา แท็บเล็ต)
- อุปกรณ์อัจฉริยะและอุปกรณ์เชื่อมต่อ/อินเทอร์เน็ต
- Internet of Things (IoT) ในฐานะเครือข่ายของอุปกรณ์ทางกายภาพ ยานพาหนะ เครื่องใช้ในบ้าน อุปกรณ์สวมใส่ อุปกรณ์เคลื่อนที่ อุปกรณ์เครื่องเขียน อุปกรณ์ไร้สายหรือโทรศัพท์มือถือ อุปกรณ์ Bluetooth หรือ WiFi และสิ่งที่คล้ายกัน ซึ่งฝังอยู่ในอุปกรณ์อิเล็กทรอนิกส์ ซอฟต์แวร์ เซ็นเซอร์ แอคทูเอเตอร์ ชิ้นส่วนกลไก สวิตช์ และ/หรือการเชื่อมต่อ ซึ่งช่วยให้วัตถุเหล่านี้สามารถเชื่อมต่อและแลกเปลี่ยนข้อมูล/คำสั่ง/ข้อมูล/เหตุการณ์ทริกเกอร์
- การประมวลผลภาษาธรรมชาติ
- อัลบั้มภาพถ่ายและเว็บไซต์ที่มีรูปภาพ
- ห้องสมุดวิดีโอและเว็บไซต์
- การค้นหาและการสรุปภาพและวิดีโอ & ไดเร็กทอรี & การเก็บถาวรและการจัดเก็บ
- การวิเคราะห์ข้อมูลขนาดใหญ่รูปภาพและวิดีโอ
- กล้องอัจฉริยะ
- อุปกรณ์สแกนอัจฉริยะ
- เครือข่ายสังคมออนไลน์
- เว็บไซต์หาคู่
- การท่องเที่ยว
- อสังหาริมทรัพย์
- การผลิต
- ไบโอเมตริกซ์
- ความปลอดภัย
- ภาพดาวเทียมหรือทางอากาศ
- ทางการแพทย์
- การพยากรณ์การเงิน
- Robotics Vision & Control
- ระบบควบคุมและการเพิ่มประสิทธิภาพ
- ยานพาหนะอิสระ
เรามีตัวอย่างการใช้งานดังต่อไปนี้: การจดจำวัตถุ/ใบหน้า;กฎของเอ็นจิ้นกฎและโมดูลควบคุม;การคำนวณด้วยคำ & ขอบเขตที่อ่อนนุ่ม;การจำแนกประเภท &ค้นหา;เว็บข้อมูล;การค้นหาข้อมูลและการจัดระเบียบและการวิเคราะห์ข้อมูลการตลาดและการตลาด;ค้นหาสถานที่หรืออนุสาวรีย์ที่มีลักษณะคล้ายกันค้นหาคุณสมบัติที่ดูคล้ายกันการวิเคราะห์ข้อบกพร่อง;ลายนิ้วมือไอริสและการจดจำใบหน้าการจดจำการตรวจสอบการติดตามการติดตาม;การรับรู้และการแยกข้อมูลเพื่อความปลอดภัยและแผนที่;การวินิจฉัยโดยใช้เอ็นจิ้นรูปภาพและกฎและรูปแบบและการวิเคราะห์ข้อมูลและการทำนาย;เครือข่ายโฆษณาภาพกล้องอัจฉริยะและโทรศัพท์อุปกรณ์เคลื่อนที่และสวมใส่ได้อัลบั้มและวิดีโอที่ค้นหาได้การวิเคราะห์การตลาดการวิเคราะห์เครือข่ายสังคมเว็บไซต์หาคู่;ความปลอดภัย;การติดตามและการตรวจสอบเวชระเบียนและการวินิจฉัยและการวิเคราะห์ตามภาพอสังหาริมทรัพย์และการท่องเที่ยวตามอาคารโครงสร้างและสถานที่สำคัญบริการแผนที่และสถานที่และความปลอดภัย/ข่าวกรองตามภาพดาวเทียมหรือทางอากาศการวิเคราะห์ข้อมูลขนาดใหญ่การจดจำภาพลึกและแพลตฟอร์มการค้นหาการเรียนรู้ของเครื่องลึก/รายละเอียด;การจดจำวัตถุ (เช่นรองเท้า, กระเป๋า, เสื้อผ้า, นาฬิกา, ต่างหู, รอยสัก, กางเกง, หมวก, หมวก, แจ็คเก็ต, เน็คไท, เหรียญ, แถบข้อมือ, สร้อยคอ, พิน, วัตถุตกแต่ง, อุปกรณ์เสริมแฟชั่น, แหวน, อาหาร, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์, อุปกรณ์เครื่องมือ, เครื่อง, รถยนต์, อุปกรณ์ไฟฟ้า, อุปกรณ์อิเล็กทรอนิกส์, อุปกรณ์สำนักงาน, วัตถุสำนักงาน, วัตถุโรงงานและอื่น ๆ )
ที่นี่เรายังแนะนำ z-webs รวมถึง Z-factors และ Z-nodes เพื่อทำความเข้าใจเกี่ยวกับความสัมพันธ์ระหว่างวัตถุอาสาสมัครความคิดที่เป็นนามธรรมแนวคิดหรือสิ่งที่คล้ายกันรวมถึงใบหน้า, รถยนต์, ภาพ, ผู้คนอารมณ์, อารมณ์, อารมณ์,ข้อความ, ภาษาธรรมชาติ, เสียง, เพลง, วิดีโอ, สถานที่, สูตร, ข้อเท็จจริง, ข้อมูลประวัติศาสตร์, สถานที่สำคัญ, บุคลิก, ความเป็นเจ้าของ, ครอบครัว, เพื่อน, ความรัก, ความสุข, พฤติกรรมทางสังคม, พฤติกรรมการลงคะแนนและสิ่งที่คล้ายกันในชีวิตของเรารวมถึงเครื่องมือค้นหาการวิเคราะห์การประมวลผลข้อมูลขนาดใหญ่การประมวลผลภาษาธรรมชาติการพยากรณ์เศรษฐกิจการจดจำใบหน้าการจัดการกับความน่าเชื่อถือและความแน่นอนการวินิจฉัยทางการแพทย์การรับรู้รูปแบบการจดจำวัตถุการวิเคราะห์ความปลอดภัยการวิเคราะห์ความเสี่ยงการตรวจจับ, การวิเคราะห์ภาพดาวเทียม, การวิเคราะห์ข้อมูลที่สร้างเครื่อง, การเรียนรู้ของเครื่อง, ตัวอย่างการฝึกอบรม, การแยกข้อมูลหรือรูปแบบ (จากวิดีโอ, รูปภาพ, ข้อความหรือเพลงและสิ่งที่คล้ายกัน) การแก้ไขวิดีโอหรือรูปภาพและสิ่งที่คล้ายกันZ-factors รวมถึงปัจจัยความน่าเชื่อถือปัจจัยความเชื่อมั่นปัจจัยความเชี่ยวชาญปัจจัยอคติปัจจัยความจริงปัจจัยความน่าเชื่อถือปัจจัยความถูกต้อง“ ความน่าเชื่อถือของผู้พูด”,“ ความเชื่อมั่นของผู้พูด”,“ คำแถลงความช่วยเหลือ”,“ ความเชี่ยวชาญของผู้พูด”,“ ผู้พูดความจริง”,“ การรับรู้ของผู้พูด (หรือแหล่งข้อมูล)”,“ ความมั่นใจอย่างชัดเจนของผู้พูด”,“ ความกว้างของคำสั่ง” และสิ่งที่คล้ายกันซึ่งเกี่ยวข้องกับ Z-node แต่ละตัวใน Z-Web
สำหรับศูนย์รวม/ตัวอย่างหนึ่งเช่นเรามี“ โดยปกติผู้คนสวมใส่แขนสั้นและกางเกงสั้นในฤดูร้อน” ตามหมายเลขกฎ N ที่ได้รับจาก SME เช่นผู้เชี่ยวชาญของมนุษย์คำว่า "สั้น" เป็นพารามิเตอร์ที่คลุมเครือสำหรับทั้งสองกรณีด้านบนประโยคข้างต้นแสดงเป็น z-number ตามที่อธิบายไว้ก่อนหน้านี้คิดค้นโดยศาสตราจารย์ Lotfi Zadeh หนึ่งในนักประดิษฐ์ของเราที่นี่การรวบรวมกฎเหล่านี้สามารถทำให้การรับรู้วัตถุในภาพง่ายขึ้นด้วยความแม่นยำและความเร็วที่สูงขึ้นเช่นคำใบ้เช่นในช่วงวันหยุดฤดูร้อนภาพที่ถ่ายอาจมีเสื้อเชิ้ตที่มีแขนสั้นหรือตรวจสอบวัตถุในภาพเช่นเพื่อรับรู้หรือตรวจสอบการมีอยู่ของเสื้อที่มีแขนสั้นในภาพที่กำหนดซึ่งถ่ายในช่วงวันหยุดฤดูร้อนการมีกฎอื่น ๆ เพิ่มเข้ามาทำให้การรับรู้เร็วขึ้นและแม่นยำยิ่งขึ้นเนื่องจากสามารถอยู่ในเว็บของความสัมพันธ์ที่เชื่อมต่อแนวคิดเข้าด้วยกันเช่นการใช้แนวคิดของ Z-Web ของเราที่อธิบายไว้ก่อนหน้าหรือใช้เว็บความหมายตัวอย่างเช่นความสัมพันธ์ระหว่างวันที่ 4 กรกฎาคมถึงฤดูร้อนรวมถึงการเดินทางไปฟลอริดารวมถึงเสื้อเชิ้ตและแขนสั้นในภาพหรือภาพถ่ายทั้งหมดสามารถเชื่อมต่อผ่าน Z-Web เป็นโหนดของเว็บด้วย Zตัวเลขหรือความน่าจะเป็นในระหว่างการเชื่อมต่อสาขาระหว่างแต่ละพารามิเตอร์หรือแนวคิดหรือโหนดตามที่อธิบายไว้ก่อนหน้านี้ในการเปิดเผยนี้และในแอปพลิเคชันหลักก่อนหน้าของเรา
นอกจากนี้ยังมีศูนย์รวมอื่น ๆ อีกมากมายในการเปิดเผยปัจจุบันที่เกี่ยวข้องกับหัวข้อ/วิชาที่สำคัญและนวัตกรรมอื่น ๆ เช่นที่เกี่ยวข้องกับ AI ทั่วไปเทียบกับ AI เฉพาะหรือแนวตั้งหรือแคบการเรียนรู้ของเครื่องโดยใช้/ต้องการการฝึกอบรมเพียงเล็กน้อยตัวอย่าง (เช่นเดียวกับที่มนุษย์สามารถทำได้) เรียนรู้แนวคิดหนึ่งและใช้ในบริบทหรือสภาพแวดล้อมอื่น (เช่นเดียวกับที่มนุษย์สามารถทำได้) การเพิ่มเหตุผลและเลเยอร์ความรู้ความเข้าใจในโมดูลการเรียนรู้ (เช่นเดียวกับที่มนุษย์สามารถทำได้) การเรียนรู้อย่างต่อเนื่องเครื่องการเรียนรู้อย่างต่อเนื่อง (เช่นเดียวกับที่มนุษย์สามารถทำได้) การเรียนรู้และการรับรู้พร้อมกัน (ในเวลาเดียวกัน) (เช่นเดียวกับที่มนุษย์สามารถทำได้) และความขัดแย้งและการแก้ปัญหาความขัดแย้ง (เช่นเดียวกับที่มนุษย์สามารถทำได้) ด้วยแอปพลิเคชันเช่นภาพการรับรู้แอปพลิเคชันสำหรับการจดจำรูปแบบใด ๆ เช่นเสียงหรือเสียงแอปพลิเคชันสำหรับรถยนต์อิสระหรือไม่มีคนขับแอปพลิเคชันเพื่อความปลอดภัยและชีวภาพการจดจำใบหน้าบางส่วนหรือแบบเอียงหรือเอียงแอปพลิเคชันสำหรับการตรวจจับการฉ้อโกงหรือการตรวจสอบ/การตรวจสอบเช่นสำหรับธนาคารหรือเงินดิจิตอลหรือกองทุนติดตามหรือใบรับรองการประยุกต์ใช้การถ่ายภาพทางการแพทย์และการวินิจฉัยทางการแพทย์และขั้นตอนการแพทย์และการพัฒนายาและพันธุศาสตร์การประยุกต์ใช้ระบบควบคุมและหุ่นยนต์และการวิเคราะห์ความเสี่ยงเช่นสำหรับการพยากรณ์อากาศเศรษฐกิจราคาน้ำมันอัตราดอกเบี้ยราคาหุ้นเบี้ยประกันและตัวชี้วัด/พารามิเตอร์ความไม่สงบทางสังคมและสิ่งที่คล้ายกัน(ผลลัพธ์เหล่านี้ได้รับการรายงานครั้งแรกในกรณีผู้ปกครองของเราเช่นกัน)
ในศูนย์รวมหนึ่งเรานำเสนอคำอธิบายสั้น ๆ เกี่ยวกับพื้นฐานของการเขียนโปรแกรมแบบแบ่งชั้น (SP)SP เป็นระบบการคำนวณที่วัตถุของการคำนวณอยู่ในชั้นหลักที่ซ้อนกันของข้อมูลที่อยู่ตรงกลางในชุดเป้าหมาย T. SP มีศักยภาพสำหรับการใช้งานที่สำคัญในหลายสาขาในหมู่พวกเขาหุ่นยนต์การควบคุมที่ดีที่สุดการวางแผนการเพิ่มประสิทธิภาพการสำรวจการค้นหาและข้อมูลขนาดใหญ่ด้วยจิตวิญญาณ SP มีความคล้ายคลึงกับการโปรแกรมแบบไดนามิก (DP) แต่แนวคิดก็ง่ายกว่าที่จะเข้าใจและใช้งานง่ายกว่ามากคำถามที่น่าสนใจซึ่งเกี่ยวข้องกับวิทยาศาสตร์ของระบบประสาทคือ: สมองของมนุษย์ใช้การแบ่งชั้นเพื่อจัดเก็บข้อมูลหรือไม่?มันจะเป็นธรรมชาติที่จะเป็นตัวแทนของแนวคิดเช่นเก้าอี้เป็นคอลเลกชันของชั้นที่มีชั้นหนึ่งขึ้นไปซึ่งเป็นตัวแทนของเก้าอี้ประเภทหนึ่ง
การขีดเส้นใต้วิธีการของเราเป็นแบบจำลองเรียกว่า FSMFSM เป็นระบบสถานะ จำกัดความสำคัญของ FSM เป็นแบบจำลองนั้นแตกต่างกันไปจากการใช้งานของการทำให้เป็นดิจิตอลส่วนที่สำคัญที่สุดคือแนวคิดของความสามารถในการเข้าถึงเป้าหมายที่กำหนดไว้ในจำนวนขั้นตอนขั้นต่ำวัตถุประสงค์ของจำนวนขั้นตอนขั้นต่ำทำหน้าที่เป็นพื้นฐานสำหรับการตรวจสอบขั้นตอนของพื้นที่รัฐ FSMแนวคิดที่มีบทบาทสำคัญในแนวทางของเราคือความสามารถในการเข้าถึงเป้าหมายความสามารถในการเข้าถึงเกี่ยวข้องกับการเคลื่อนย้าย (การเปลี่ยน) FSM จากสถานะ W ไปยังสถานะในสถานะเป้าหมาย t ในจำนวนขั้นต่ำขั้นต่ำด้วยเหตุนี้พื้นที่ของรัฐจะถูกแบ่งชั้นผ่านการใช้สิ่งที่เรียกว่าหลักการขยายตัวที่เพิ่มขึ้นความสามารถในการเข้าถึงยังเกี่ยวข้องกับแนวคิดของการเข้าถึง
สำหรับสิ่งประดิษฐ์ในปัจจุบันเราสามารถรวม/แนบ/รวม/เชื่อมต่อระบบและวิธีการทั้งหมดและทั้งหมด (หรือ embodiments หรือขั้นตอนหรือองค์ประกอบย่อยหรืออัลกอริทึมหรือเทคนิคหรือตัวอย่าง) ของแอปพลิเคชัน/คำสอน/ข้อมูลจำเพาะ/ภาคผนวก/มะเดื่อก่อนหน้าของเราเอง. ซึ่งเรามีการเรียกร้องลำดับความสำคัญตามที่กล่าวไว้ในข้อมูลจำเพาะ/แอปพลิเคชันปัจจุบันเพื่อให้อัลกอริทึมที่มีประสิทธิภาพและรวดเร็วมากสำหรับการประมวลผลภาพ, เครื่องเรียนรู้, NLP, การจดจำรูปแบบ, การจำแนกประเภท, SVM, การวิเคราะห์/การค้นพบอย่างละเอียดเช่นสำหรับแอปพลิเคชันและการใช้งานทั้งหมดที่กล่าวถึงที่นี่ในการเปิดเผยนี้ด้วยเครื่องมือระบบและวิธีการทั้งหมดที่ให้ไว้ที่นี่
คำอธิบายโดยละเอียดของรูปลักษณ์ต่างๆ
การเปิดเผยนี้มีรูปลักษณ์, ระบบ, วิธีการ, อัลกอริธึม, การประดิษฐ์, การประยุกต์ในแนวดิ่ง, การใช้งาน, หัวข้อ, ฟังก์ชัน, การแปรผันและตัวอย่างมากมาย เราแบ่งพวกมันออกเป็นส่วนต่างๆ เพื่อความสะดวกในการอ่าน แต่พวกมันทั้งหมดเกี่ยวข้องกันและสามารถรวมเป็นระบบเดียว หรือเป็นการรวมกันของระบบย่อยและโมดูล ในชุดค่าผสมใดๆ หรือเพียงลำพังก็ได้ เราเริ่มต้นที่นี่ด้วยรูปลักษณ์ Z-number และสิ่งประดิษฐ์/รูปลักษณ์อื่นๆ จะตามมาด้านล่างหลังจากส่วนนี้
ตัวเลข Z:
เลข Z คือคู่ลำดับของตัวเลขคลุมเครือ (A,B) เพื่อความง่าย ในรูปลักษณ์หนึ่ง A และ B ถูกสันนิษฐานว่าเป็นตัวเลขฟัซซี่สี่เหลี่ยมคางหมู หมายเลข Z เชื่อมโยงกับตัวแปรที่ไม่แน่นอนที่มีค่าจริง X โดยมีองค์ประกอบแรก A มีบทบาทเป็นข้อจำกัดแบบคลุมเครือ R(X) บนค่าที่ X สามารถรับได้ เขียนเป็น X คือ A โดยที่ A เป็นเซตฟัซซี่ สิ่งที่ควรสังเกตคือ พูดอย่างเคร่งครัด แนวคิดเรื่องข้อจำกัดมีความเป็นภาพรวมมากกว่าแนวคิดเรื่องข้อจำกัด การแจกแจงความน่าจะเป็นถือเป็นข้อจำกัด แต่ไม่ใช่ข้อจำกัด (ดู L. A. Zadeh, Calculus of fuzzyข้อจำกัด ใน: L. A. Zadeh, K. S. Fu, K. Tanaka และ M. Shimura (Eds.), ชุดคลุมเครือและการประยุกต์ต่อความรู้ความเข้าใจและ กระบวนการตัดสินใจ, สำนักพิมพ์วิชาการ, นิวยอร์ก, 1975, หน้า 1-39) ข้อจำกัดอาจถูกมองว่าเป็นข้อจำกัดทั่วไป (ดู L. A. Zadeh, Generalized Theory of Uncertainty (GTU)-หลักการและแนวคิด, Computational Statistics & Data Analysis 51, (2006) 15-46) ในรูปลักษณ์นี้เท่านั้น คำว่าข้อจำกัดและข้อจำกัดถูกใช้สลับกันได้
ข้อจำกัด
r (x): x คือ a,
เรียกว่าข้อ จำกัด ที่เป็นไปได้ (ข้อ จำกัด ) โดยมีบทบาทของการกระจายความเป็นไปได้ของ X โดยเฉพาะอย่างยิ่ง
R-X-Xเป็นอัน→ Poss (x = u) = mอัน-คุณ-
โดยที่μอันเป็นฟังก์ชันการเป็นสมาชิกของ A และ U เป็นค่าทั่วไปของ X. μอันอาจถูกมองว่าเป็นข้อ จำกัด ซึ่งเกี่ยวข้องกับ R (x) ซึ่งหมายความว่าμอัน(u) คือระดับที่คุณตอบสนองข้อ จำกัด
เมื่อ X เป็นตัวแปรสุ่มการกระจายความน่าจะเป็นของ X จะมีบทบาทของการจำกัดความน่าจะเป็นใน X. ข้อ จำกัด ที่น่าจะเป็นจะแสดงเป็น::
r (x): x isp p
โดยที่ P คือฟังก์ชันความหนาแน่นของความน่าจะเป็นของ X ในกรณีนี้
R-X-XISPP→ Prob (U≤x≤u+ของ-P-คุณ-ของ
บันทึก.โดยทั่วไปคำว่า "ข้อ จำกัด " ใช้กับ X คือ R. เป็นครั้งคราว "ข้อ จำกัด " ใช้กับ R. บริบททำหน้าที่ทำให้ไม่ลงรอยกันความหมายของ "ข้อ จำกัด "
คำสั่งสาม (x, a, b) เรียกว่าการประเมินค่า zการประเมินค่า z นั้นเทียบเท่ากับคำสั่งการมอบหมาย x คือ (a, b)X เป็นตัวแปรที่ไม่แน่นอนหาก A ไม่ใช่ซิงเกิลในวิธีที่เกี่ยวข้องการคำนวณที่ไม่แน่นอนเป็นระบบการคำนวณที่วัตถุของการคำนวณไม่ใช่ค่าของตัวแปร แต่ข้อ จำกัด เกี่ยวกับค่าของตัวแปรในส่วนประกอบ/ส่วนนี้เว้นแต่จะระบุไว้ในทางตรงกันข้าม X จะถือว่าเป็นตัวแปรสุ่มเพื่อความสะดวก A ถูกเรียกว่าคุณค่าของ X ด้วยความเข้าใจว่าการพูดอย่างเคร่งครัด A ไม่ใช่ค่าของ X แต่เป็นข้อ จำกัด เกี่ยวกับค่าที่ X สามารถใช้ได้องค์ประกอบที่สอง B เรียกว่าแน่นอนแนวคิดที่แน่นอนเกี่ยวข้องกับแนวคิดอื่น ๆ เช่นความมั่นใจความมั่นใจความน่าเชื่อถือความแข็งแกร่งของความเชื่อความน่าจะเป็นไปได้ ฯลฯ อย่างไรก็ตามมีความแตกต่างบางประการระหว่างแนวคิดเหล่านี้
ในศูนย์รวมหนึ่งเมื่อ X เป็นตัวแปรสุ่มความแน่นอนอาจถูกบรรจุไว้กับความน่าจะเป็นอย่างไม่เป็นทางการ B อาจตีความได้ว่าเป็นการตอบคำถาม: คุณแน่ใจว่า X เป็น A ได้อย่างไร?โดยทั่วไปแล้ว A และ B นั้นมีพื้นฐานมาจากการรับรู้และอธิบายไว้ในภาษาธรรมชาติตัวอย่าง: (ประมาณ 45 นาทีโดยปกติ) คอลเลกชันของ z-valuations เรียกว่า z-informationควรสังเกตว่าการใช้เหตุผลและการตัดสินใจในชีวิตประจำวันนั้นมีพื้นฐานมาจากข้อมูลของ Zเพื่อจุดประสงค์ในการคำนวณเมื่อ A และ B อธิบายไว้ในภาษาธรรมชาติความหมายของ A และ B นั้นมีความแม่นยำ (จบการศึกษา) ผ่านการเชื่อมโยงกับฟังก์ชั่นการเป็นสมาชิกμอันและμขตามลำดับ
ฟังก์ชันสมาชิกของ A, μอันอาจเกิดขึ้นได้โดยการถามคำถามต่อเนื่องกันในรูปแบบ: ตัวเลข a เหมาะสมกับการรับรู้ของคุณเกี่ยวกับ A มากน้อยเพียงใด ตัวอย่าง: 50 นาทีเหมาะสมกับการรับรู้ของคุณเกี่ยวกับ 45 นาทีมากน้อยเพียงใด เช่นเดียวกับ B เซตฟัซซี A อาจตีความได้ว่าเป็นการแจกแจงความเป็นไปได้ของ X แนวคิดของเลข Z อาจสรุปได้หลายวิธี โดยเฉพาะอย่างยิ่ง X อาจถือว่ารับค่าเป็น Rnซึ่งในกรณีนี้ A เป็นผลิตภัณฑ์คาร์ทีเซียนที่มีจำนวนฟัซซี่ตัวอย่างง่าย ๆ ของการประเมินค่า z คือ:
(คาดขาดดุลงบประมาณเกือบ 2 ล้านดอลลาร์ มีแนวโน้มมาก)
(ประชากรสเปนประมาณ 45 ล้านคน ค่อนข้างชัวร์)
(ระดับความซื่อสัตย์ของโรเบิร์ตสูงมากอย่างแน่นอน)
(ระดับความซื่อสัตย์ของโรเบิร์ตสูงไม่แน่ใจ)
(เวลาเดินทางโดยรถยนต์จากเบิร์กลีย์ไปซานฟรานซิสโกประมาณ 30 นาทีโดยปกติ)
(ราคาน้ำมันในอนาคตอันใกล้มีความสำคัญมากกว่า 100 ดอลลาร์/บาร์เรลมีโอกาสมาก)
เป็นสิ่งสำคัญที่จะต้องทราบว่าข้อเสนอมากมายในภาษาธรรมชาติมีความแสดงออกว่าเป็น z-valuationsตัวอย่าง: ข้อเสนอ, P,
P: โดยปกติจะใช้เวลาประมาณหนึ่งชั่วโมงในการกลับบ้านจากที่ทำงาน
สามารถแสดงออกได้ว่าเป็น Z-valuation:
(เวลาเดินทางของโรเบิร์ตจากที่ทำงานไปบ้านประมาณหนึ่งชั่วโมงโดยปกติ)
หาก X เป็นตัวแปรสุ่ม X จะแสดงถึงเหตุการณ์ฟัซซี่ใน R เส้นจริงความน่าจะเป็นของเหตุการณ์นี้ P อาจแสดงเป็น (ดู L. A. Zadeh, มาตรการความน่าจะเป็นของเหตุการณ์ฟัซซี่, วารสารการวิเคราะห์ทางคณิตศาสตร์และการใช้งาน 23 (2), (1968) 421-427.):
ที่ไหน pXคือความหนาแน่นของความน่าจะเป็น (ซ่อนเร้น) ของ X. ในผลการตรวจวัดค่า z (x, a, b) อาจถูกมองว่าเป็นข้อ จำกัด (ข้อ จำกัด ทั่วไป) ใน x ที่กำหนดโดย:
Prob (x คือ A) คือ B
สิ่งที่ควรเน้นคือในจำนวน z, (a, b), การกระจายความน่าจะเป็นพื้นฐาน, pXไม่เป็นที่รู้จักสิ่งที่เป็นที่รู้จักคือข้อ จำกัด ของ PXซึ่งอาจแสดงเป็น:
หมายเหตุ: ในศูนย์รวมนี้เท่านั้นคำว่า "การกระจายความน่าจะเป็น" ไม่ได้ใช้ในแง่เทคนิคที่เข้มงวด
ผล Z อาจถูกมองว่าเป็นบทสรุปของ PX-เป็นสิ่งสำคัญที่จะต้องทราบว่าในการตัดสินใจในชีวิตประจำวันการตัดสินใจส่วนใหญ่ขึ้นอยู่กับบทสรุปของข้อมูลการดูหมายเลข Z เป็นบทสรุปสอดคล้องกับความเป็นจริงนี้ในการใช้งานเพื่อการวิเคราะห์การตัดสินใจปัญหาพื้นฐานที่เกิดขึ้นเกี่ยวข้องกับการจัดอันดับของ Z-numbersตัวอย่าง: (ประมาณ 100 มีแนวโน้ม) มากกว่า (ประมาณ 90, มีแนวโน้มมาก)?นี่เป็นคำถามที่มีความหมายหรือไม่?เราจะตอบคำถามเหล่านี้ด้านล่าง
ผลทันทีของความสัมพันธ์ระหว่าง PXและ B มีดังต่อไปนี้ถ้า z = (a, b) ดังนั้น z ′= (a′, 1 - b) โดยที่ a ′เป็นส่วนประกอบของ A และ Z′ มีบทบาทของส่วนประกอบของ Z. 1 - B คือคำตรงข้ามของ B (ดูเช่น E. Trillas, C. Moraga, S. Guadarrama, S. Cubillo และ E. Castiñeira, คอมพิวเตอร์ด้วยคำตรงข้าม, ใน: M. Nikravesh, J. Kacprzyk และ L. A. Zadeh (บรรณาธิการ)ผู้บุกเบิก I, การศึกษาเกี่ยวกับความคลุมเครือและการคำนวณที่อ่อนนุ่มเล่มที่ 217, Springer-Verlag, Berlin Heidelberg 2007, pp. 133-153.)
คุณลักษณะเชิงคุณภาพที่สำคัญของหมายเลข Z คือข้อมูลโดยทั่วไป แต่ไม่เสมอไปหมายเลข Z จะให้ข้อมูลหากค่าของมันมีความจำเพาะสูงนั่นคือถูก จำกัด อย่างแน่นหนา (ดูตัวอย่างเช่น R. R. Yager ในการวัดความจำเพาะใน: O. Kaynak, L. A. Zadeh, B.Turksen, I. J. Rudas (Eds.), Intelligence Computational: การคำนวณแบบนุ่มและการรวมฟัซซี่-เนียร์กับแอพพลิเคชั่น, Springer-Verlag, Berlin, 1998, pp. 94-113.) และความมั่นใจสูงข้อมูลเป็น desideratum เมื่อ z-number เป็นพื้นฐานสำหรับการตัดสินใจเป็นสิ่งสำคัญที่จะต้องรู้ว่าหากข้อมูลของ Z-number นั้นเพียงพอที่จะทำหน้าที่เป็นพื้นฐานสำหรับการตัดสินใจที่ชาญฉลาด
แนวคิดของตัวเลข z คือตามแนวคิดของเม็ดฟัซซี่ (ดูตัวอย่างเช่น L. A. Zadeh, ชุดฟัซซี่และข้อมูลที่ละเอียดอ่อน, ใน: M. Gupta, R. Ragade, R. Yager (บรรณาธิการ), ความก้าวหน้าในความก้าวหน้าทฤษฎีและแอพพลิเคชั่นฟัซซี่, North-Holland Publishing Co. , Amsterdam, 1979, pp. 3-18ชายแดนของวิทยาศาสตร์และนโยบายนโยบาย, Westview Press, Boulder, Colo., 1981, pp. 69-129(2006) 15-46.)ควรสังเกตว่าแนวคิดของหมายเลข Z นั้นทั่วไปมากกว่าแนวคิดของช่วงความเชื่อมั่นในทฤษฎีความน่าจะเป็นมีการเชื่อมโยงบางอย่างระหว่างแนวคิดของ z-number, แนวคิดของหมายเลขสุ่มที่คลุมเครือและแนวคิดของตัวแปรสุ่มที่คลุมเครือ (ดู, เช่น J. J. Buckley, J. J. Leonard, บทที่ 4: ตัวเลขฟัซซี่แบบสุ่มและเวกเตอร์, ใน:วิธีการของ Monte Carlo ในการเพิ่มประสิทธิภาพฟัซซี่, การศึกษาเกี่ยวกับความคลุมเครือและการคำนวณที่นุ่มนวล 222, Springer-Verlag, Heidelberg, Germany, 2008 นอกจากนี้ยังดู A. Kaufman, M. M. Gupta, แนะนำให้รู้จักกับคณิตศาสตร์ฟัซซี่: ทฤษฎีและแอพพลิเคชั่น, Van Nostrandนิวยอร์ก, 1985. ดู C. V. Negoita, D. A. Ralescu, การประยุกต์ใช้ชุดฟัซซี่ในการวิเคราะห์ระบบ, ไวลีย์, นิวยอร์ก, 1975. )
แนวคิดที่เกี่ยวข้องอย่างใกล้ชิดกับแนวคิดของ z-number คือแนวคิดของ Z--ตัวเลข.โดยพื้นฐานแล้ว z--หมายเลข, z-คือการรวมกันของหมายเลขฟัซซี, A และหมายเลขสุ่ม, R, เขียนเป็นคู่ที่สั่งซื้อ zh-= (a, r)ในคู่นี้มีบทบาทเดียวกับที่ทำใน Z-Number และ R คือการกระจายความน่าจะเป็นของหมายเลขสุ่มอย่างเท่าเทียมกัน R อาจถูกมองว่าเป็นการกระจายความน่าจะเป็นพื้นฐานของ X ในการประเมินค่า z (x, a, b)อีกทางเลือกหนึ่ง z--จำนวนจำนวนอาจแสดงเป็น (a, pX) หรือ (μอัน, PX) โดยที่μอันเป็นฟังก์ชั่นการเป็นสมาชิกของ A. A z--valuation แสดงเป็น (x, a, pX) หรือเทียบเท่าเช่น (x, μอัน, PX) โดยที่หน้าXคือการกระจายความน่าจะเป็น (ความหนาแน่น) ของ X. A Z--number เกี่ยวข้องกับสิ่งที่เรียกว่าการแจกแจงแบบไบโมดัล กล่าวคือ การแจกแจงที่รวมความเป็นไปได้และความน่าจะเป็นของ X เข้าด้วยกัน อย่างไม่เป็นทางการ การแจกแจงเหล่านี้เข้ากันได้ถ้าเซนทรอยด์ของ μอันและ PXเป็นเรื่องบังเอิญนั่นคือ
ผลิตภัณฑ์สเกลาร์ของμอันและ PX, mอัน· PXคือการวัดความน่าจะเป็น Pอันของ A. มากขึ้นอย่างเป็นรูปธรรม
มันเป็นความสัมพันธ์ที่เชื่อมโยงแนวคิดของ z-number กับ z--ตัวเลข.เป็นรูปธรรมมากขึ้น
Z-A, B-Z--เช้าอัน· PXเป็นข-
สิ่งที่ควรเน้นคือในกรณีของ z-number สิ่งที่เป็นที่รู้จักไม่ใช่ PXแต่ข้อ จำกัด ใน PXแสดงเป็น: μอัน· PXคือ B. ตามคำนิยาม z--หมายเลขมีข้อมูลมากกว่า z-numberนี่คือเหตุผลว่าทำไมจึงมีป้ายกำกับ Z--ตัวเลข.การคำนวณด้วย Z--Numbers เป็นพอร์ทัลสำหรับการคำนวณด้วย Z-numbers
แนวคิดของการกระจาย bimodal เป็นที่สนใจในสิทธิของตนเองให้ x เป็นตัวแปรที่มีค่าจริงโดยใช้ค่าใน U สำหรับวัตถุประสงค์ของเรามันสะดวกที่จะสมมติว่า u เป็นชุด จำกัด , u = {u1---คุณn-เราสามารถเชื่อมโยงกับการกระจายความเป็นไปได้ของ x, μและการกระจายความน่าจะเป็น, p, แสดงเป็น:
m = m1/คุณ1---+mn/คุณn
P = P1\ u1---+Pn\ un
ซึ่งμฉัน/คุณฉันหมายความว่าμฉัน, i = 1,.--n คือความเป็นไปได้ที่ x = uฉัน-p ที่คล้ายกันฉัน\ uฉันหมายความว่า Pฉันคือความน่าจะเป็นที่ x = uฉัน-
การกระจายความเป็นไปได้μอาจถูกรวมเข้ากับการกระจายความน่าจะเป็น, p ผ่านสิ่งที่เรียกว่าการบรรจบกันเป็นรูปธรรมมากขึ้น
M:P= (M1, P1-คุณ1---+(Mn, Pn-คุณn
ตามที่ระบุไว้ก่อนหน้านี้ผลิตภัณฑ์สเกลาร์ซึ่งแสดงเป็นμ· P คือการวัดความน่าจะเป็นของ A. ในแง่ของการกระจาย bimodal, Z--valuation และการประเมินค่า Z ที่เกี่ยวข้องกับ X อาจแสดงเป็น:
(X, A, PX-
(x, a, b), μอัน· PXคือ B,
ตามลำดับด้วยความเข้าใจว่า B เป็นข้อ จำกัด ที่เป็นไปได้ในμอัน· PX-
ทั้ง Z และ Z-อาจถูกมองว่าเป็นข้อ จำกัด เกี่ยวกับค่าที่ x อาจใช้เขียนเป็น: x คือ z และ x คือ z-ตามลำดับดู Z และ Z-เนื่องจากข้อ จำกัด เกี่ยวกับ X เพิ่มแนวคิดที่สำคัญในการเป็นตัวแทนของข้อมูลและลักษณะของการพึ่งพาในการเชื่อมต่อนี้สิ่งที่ควรสังเกตคือแนวคิดของกฎที่คลุมเครือถ้ากฎนั้นมีบทบาทสำคัญในการใช้งานส่วนใหญ่ของตรรกะฟัซซี่สิ่งต่อไปนี้คือการอภิปรายสั้น ๆ เกี่ยวกับสิ่งที่เรียกว่า z-rules-ถ้ากฎซึ่งบรรพบุรุษและ/หรือผลที่ตามมาเกี่ยวข้องกับ z-numbers หรือ ztnumbers
กฎฟัซซี่ขั้นพื้นฐานอาจแสดงเป็น: ถ้า x คือ y คือ y คือ b โดยที่ a และ b เป็นตัวเลขฟัซซี่ความหมายของกฎดังกล่าวหมายถึง:
ถ้า x เป็น a y คือ b → (x, y) คือ× b
โดยที่ A × B เป็นผลิตภัณฑ์คาร์ทีเซียนของ A และ B มันสะดวกในการแสดงลักษณะทั่วไปของกฎพื้นฐาน if-then ไปยัง z-numbers ในแง่ของการประเมินค่า zเป็นรูปธรรมมากขึ้น
ถ้า (x, aX, bX) จากนั้น (y, ay, by-
ตัวอย่าง
หาก (การขาดดุลงบประมาณที่คาดการณ์ไว้ประมาณสองล้านดอลลาร์มีโอกาสมาก) (การลดลงของพนักงานประมาณสิบเปอร์เซ็นต์มีโอกาสมาก)
ถ้า (ระดับความซื่อสัตย์ของโรเบิร์ตสูงไม่แน่ใจ) แล้ว (เสนอตำแหน่งไม่ใช่แน่นอน)
ถ้า (x, เล็ก) แล้ว (y, ใหญ่, ปกติ)
คำถามสำคัญเกี่ยวข้องกับความหมายของ z-roules และ z--กฎ.ความหมายของ Z--กฎอาจแสดงเป็น:
ถ้า (x, aX, PX) จากนั้น (y, ay, Py) → (x, y) คือ (กX× Ay, PXPy-
ที่ไหนX× Ayเป็นผลิตภัณฑ์คาร์ทีเซียนกXและy
Z-Rules มีแอพพลิเคชั่นที่สำคัญในการวิเคราะห์การตัดสินใจและการสร้างแบบจำลองของระบบที่ซับซ้อนโดยเฉพาะอย่างยิ่งในขอบเขตของเศรษฐศาสตร์ (ตัวอย่างเช่นตลาดหุ้นและหุ้นเฉพาะ) และการแพทย์ (เช่นการวินิจฉัยและการวิเคราะห์)
ปัญหาที่มีบทบาทสำคัญในแอปพลิเคชั่นจำนวนมากของตรรกะฟัซซี่โดยเฉพาะอย่างยิ่งในขอบเขตของการควบคุมฟัซซี่คือการแก้ไขอาจเป็นรูปธรรมมากขึ้นปัญหาของการแก้ไขอาจถูกกำหนดดังนี้พิจารณาคอลเลกชันของกฎที่คลุมเครือหากเป็นกฎของแบบฟอร์ม:
ถ้าXเป็นอันฉันแล้วyเป็นขฉัน, i =1,---, n
ที่ aฉันและ Bฉันเป็นชุดฟัซซี่ที่มีฟังก์ชั่นสมาชิกที่ระบุถ้า x คือ A โดยที่ A ไม่ใช่หนึ่งใน Aฉันแล้วข้อ จำกัด ของ Y คืออะไร?
ปัญหาของการแก้ไขอาจถูกนำมาใช้ในรูปแบบต่าง ๆการวางนัยทั่วไปของ Z-numbers อาจอธิบายได้ดังนี้พิจารณาคอลเลกชัน Z-Rules ของแบบฟอร์ม:
ถ้าXเป็นอันฉันโดยปกติแล้ว (yเป็นขฉัน-i =1,---, n
ที่ aฉันและ Bฉันเป็นชุดฟัซซี่ปล่อยให้เป็นชุดฟัซซี่ซึ่งไม่ใช่หนึ่งในกฉัน-ข้อ จำกัด ของ Y แสดงเป็น z-number คืออะไร?คำตอบสำหรับคำถามนี้จะเพิ่มพิธีการที่เป็นประโยชน์ให้กับการวิเคราะห์ระบบที่ซับซ้อนและกระบวนการตัดสินใจ
การเป็นตัวแทนของ Z-numbers สามารถอำนวยความสะดวกผ่านการใช้สิ่งที่เรียกว่า Z-Mouseโดยพื้นฐานแล้ว Z-Mouse เป็นวิธีการที่เป็นภาพของการเข้าและดึงข้อมูลฟัซซี่
เคอร์เซอร์ของ Z-Mouse เป็นเครื่องหมายฟัซซี่แบบวงกลมเรียกว่า F-Mark โดยมีการกระจายสี่เหลี่ยมคางหมูของความเข้มแสงการกระจายนี้ถูกตีความว่าเป็นฟังก์ชั่นสมาชิกสี่เหลี่ยมคางหมูของชุดฟัซซี่พารามิเตอร์ของสี่เหลี่ยมคางหมูถูกควบคุมโดยผู้ใช้หมายเลขฟัซซี่เช่น“ ประมาณ 3” แสดงเป็นเครื่องหมาย F ในระดับที่มี 3 เป็นเซนทรอยด์ของ F-Mark (
แนวคิดสำคัญที่อยู่ภายใต้แนวคิดของ Z-Mouse คือการตีความภาพของความไม่แน่นอนนั้นเป็นธรรมชาติมากกว่าคำอธิบายในภาษาธรรมชาติหรือเป็นฟังก์ชั่นการเป็นสมาชิกของชุดฟัซซี่ความคิดนี้เกี่ยวข้องอย่างใกล้ชิดกับความสามารถของมนุษย์ที่น่าทึ่งในการรับรู้ (บัณฑิต) ที่น่าทึ่งนั่นคือเพื่อเชื่อมโยงการรับรู้กับองศาเป็นภาพประกอบถ้าฉันถูกถามว่า“ ความน่าจะเป็นที่โอบามาจะได้รับการเลือกตั้งอีกครั้ง”ฉันจะพบว่ามันง่ายที่จะวางเครื่องหมาย F ในระดับตั้งแต่ 0 ถึง 1 ในทำนองเดียวกันฉันสามารถใส่ f-mark ในระดับตั้งแต่ 0 ถึง 1 ถ้าฉันถูกขอให้ระบุระดับที่ฉันชอบ Myงาน.เป็นที่น่าสนใจที่จะทราบว่า Z-mouse สามารถใช้เป็นวิธีการสำรวจข้อมูลทำให้เป็นไปได้ที่จะบ่งบอกถึงความแข็งแกร่งของความรู้สึกเกี่ยวกับปัญหาเทคนิคการสำรวจแบบดั้งเดิมไม่ได้ประเมินความแข็งแกร่งของความรู้สึก
ด้วยการใช้ Z-Mouse, z-number จะแสดงเป็นเครื่องหมาย F สองเครื่องหมายบนเครื่องชั่งสองเครื่องที่แตกต่างกัน (
การแลกเปลี่ยนกับ z-numbers
การคำนวณด้วยเลข Z หมายถึงอะไร นี่คือตัวอย่างง่ายๆ สมมติว่าฉันตั้งใจจะขับรถจากเบิร์กลีย์ไปยังซานโฮเซผ่านปาโลอัลโต ข้อมูลตามการรับรู้ที่ผมมีอาจแสดงเป็นการประเมินค่า Z: (ปกติใช้เวลาเดินทางจากเบิร์กลีย์ไปปาโลอัลโตประมาณหนึ่งชั่วโมง) และ (ปกติใช้เวลาเดินทางจากปาโลอัลโตไปซานโฮเซประมาณยี่สิบห้านาที) ) ฉันใช้เวลานานเท่าไหร่ในการขับรถจากเบิร์กลีย์ไปซานโฮเซ? ในกรณีนี้ เรากำลังจัดการกับผลรวมของเลข Z สองตัว (ปกติประมาณหนึ่งชั่วโมง) และ (ประมาณยี่สิบห้านาที) อีกตัวอย่างหนึ่ง: รากที่สองของ (A,B) คืออะไร? การคำนวณด้วยตัวเลข Z อยู่ในขอบเขตของการคำนวณด้วยคำ (CW หรือ CWW) ตัวอย่าง: รากที่สองของเลข Z คืออะไร
การคำนวณด้วย Z--ตัวเลขนั้นง่ายกว่าการคำนวณด้วยตัวเลข Z มาก สมมติว่า * เป็นการดำเนินการไบนารี่ซึ่งมีตัวถูกดำเนินการเป็น Z--numbers, Z-X= (aX, rX) และ z-y= (ay, ry.) ตามคำจำกัดความ
Z-X*Z-y-อันX*Ay, rX*ry-
ด้วยความเข้าใจว่าความหมายของ * ใน rX*ryไม่เหมือนกับความหมายของ * ในX*Ay-ในนิพจน์นี้ตัวถูกดำเนินการของ * ในกX*Ayเป็นตัวเลขที่คลุมเครือตัวถูกดำเนินการของ * ใน rX*ryคือการแจกแจงความน่าจะเป็น
ตัวอย่าง: สมมติว่า * เป็นผลรวมในกรณีนี้กX+ayถูกกำหนดโดย:
ม.(
ในทำนองเดียวกันสมมติว่า rXและ ryเป็นอิสระฟังก์ชันความหนาแน่นของความน่าจะเป็นของ RX*ryเป็นสิ่งที่น่าเชื่อของฟังก์ชันความหนาแน่นของความน่าจะเป็นของ RXและ ry-หมายถึงฟังก์ชั่นความหนาแน่นของความน่าจะเป็นเหล่านี้เป็น PR
ดังนั้น,
Z-X+Z-y-อันX+ay, PR
ควรสังเกตว่าสมมติฐานที่ว่า rXและ ryเป็นอิสระหมายถึงการวิเคราะห์กรณีที่เลวร้ายที่สุด
โดยทั่วไปเพื่อคำนวณ ZX*Zyสิ่งที่จำเป็นคือหลักการขยายของตรรกะฟัซซี่ (ดูเช่น L. A. Zadeh, มาตรการความน่าจะเป็นของเหตุการณ์ฟัซซี่, วารสารการวิเคราะห์ทางคณิตศาสตร์และการใช้งาน 23 (2), (1968) 421-427)โดยทั่วไปหลักการส่วนขยายเป็นกฎสำหรับการประเมินฟังก์ชันเมื่อสิ่งที่รู้จักไม่ใช่ค่าของอาร์กิวเมนต์ แต่มีข้อ จำกัด เกี่ยวกับค่าของอาร์กิวเมนต์กล่าวอีกนัยหนึ่งกฎเกี่ยวข้องกับการประเมินค่าของฟังก์ชันภายใต้ข้อมูลที่น้อยกว่าข้อมูลที่สมบูรณ์เกี่ยวกับค่าของอาร์กิวเมนต์
บันทึก.ในขั้นต้นคำว่า "หลักการส่วนขยาย" ถูกนำมาใช้เพื่ออธิบายกฎที่ทำหน้าที่ขยายโดเมนของคำจำกัดความของฟังก์ชันจากตัวเลขไปยังตัวเลขฟัซซี่ในการเปิดเผยนี้คำว่า "หลักการขยาย" มีความหมายทั่วไปมากขึ้นซึ่งระบุไว้ในแง่ของข้อ จำกัดสิ่งที่ควรสังเกตคือโดยทั่วไปแล้วความไม่สมบูรณ์ของข้อมูลเกี่ยวกับค่าของอาร์กิวเมนต์นั้นใช้กับความไม่สมบูรณ์ของข้อมูลเกี่ยวกับฟังก์ชั่นโดยเฉพาะอย่างยิ่งเกี่ยวกับฟังก์ชั่นที่อธิบายว่าเป็นคอลเลกชันของกฎ if-then
มีหลักการขยายหลายรุ่นเวอร์ชันพื้นฐานได้รับในบทความ: (L. A, Zadeh, ชุดฟัซซี่, ข้อมูลและการควบคุม 8, (1965) 338-353)ในเวอร์ชันนี้หลักการส่วนขยายอาจอธิบายได้ว่า:
โดยที่ A เป็นชุดฟัซซี่μอันเป็นฟังก์ชันการเป็นสมาชิกของ A, μyเป็นฟังก์ชั่น memo p ของ Y และ U และ V เป็นค่าทั่วไปของ X และ Y ตามลำดับ
รุ่นที่ไม่ต่อเนื่องของกฎนี้คือ:
ในเวอร์ชันทั่วไปมากขึ้นเรามี
สำหรับฟังก์ชั่นที่มีสองอาร์กิวเมนต์หลักการส่วนขยายอ่าน:
z = f-x, y-
r (x): g (x) คือ (ข้อ จำกัด บน u คือμอัน(g (u)))
ในการประยุกต์ใช้กับข้อ จำกัด ที่น่าจะเป็นหลักการส่วนขยายนำไปสู่ผลลัพธ์ที่ตรงกับผลลัพธ์มาตรฐานซึ่งเกี่ยวข้องกับฟังก์ชั่นของการแจกแจงความน่าจะเป็นโดยเฉพาะสำหรับการแจกแจงความน่าจะเป็นแบบไม่ต่อเนื่องเรามี:
สำหรับฟังก์ชั่นที่มีข้อโต้แย้งสองข้อเรามี:
สำหรับกรณีที่ข้อ จำกัด เป็น z--Numbers หลักการส่วนขยายอ่าน:
มันเป็นหลักการส่วนขยายรุ่นนี้ซึ่งเป็นพื้นฐานสำหรับการคำนวณด้วย z-numbersตอนนี้อาจต้องการทราบว่า F (P (PX, Py) เข้ากันได้กับ F (aX,y-
เปลี่ยนเป็นการคำนวณด้วย z-numbers สมมติว่าเรียบง่ายว่า *= sumสมมติว่า ZX= (aX, bX) และ zy= (ay, by-ปัญหาของเราคือการคำนวณผลรวม z = x+yสมมติว่า z-valuations ที่เกี่ยวข้องคือ (x, aX, bX), (เรียบร้อยแล้วy, by) และ (z, aZ, bZ-
ขั้นตอนแรกเกี่ยวข้องกับการคำนวณ PZ-เริ่มต้นด้วยขอให้เราสมมติว่า pXและ Pyเป็นที่รู้จักและให้เราดำเนินการตามที่เราทำในการคำนวณผลรวมของ z--Numbersแล้ว
PZ= PXPy
หรือมากกว่านั้น
ในกรณีของ z-numbers สิ่งที่เรารู้ว่าไม่ใช่ pXและ Pyแต่ข้อ จำกัด เกี่ยวกับ PXและ Py
ในแง่ของฟังก์ชั่นการเป็นสมาชิกของ BXและ Byข้อ จำกัด เหล่านี้อาจแสดงเป็น:
ข้อ จำกัด เพิ่มเติมเกี่ยวกับ PXและ Pyเป็น:
การใช้หลักการส่วนขยายฟังก์ชั่นการเป็นสมาชิกของ PZอาจแสดงเป็น:
ในกรณีนี้ข้อ จำกัด รวมของข้อโต้แย้งจะแสดงเป็นการรวมกันของข้อ จำกัด ของพวกเขาโดยตีความว่าเป็นขั้นต่ำผลการประยุกต์ใช้หลักการขยายลดการคำนวณของ PZปัญหาในการเพิ่มประสิทธิภาพการทำงานสิ่งสำคัญที่ควรทราบคือการแก้ปัญหาไม่ใช่ค่าของ PZแต่ข้อ จำกัด เกี่ยวกับค่าของ PZสอดคล้องกับข้อ จำกัด ของ PXและ Py-
ณ จุดนี้มันจะเป็นประโยชน์ในการหยุดชั่วคราวและสรุปว่าเรายืนอยู่ที่ไหนดำเนินการราวกับว่าเรากำลังติดต่อกับ Z--พวกเรามาถึงนิพจน์สำหรับ PZเป็นฟังก์ชั่นของ PXและ Py-การใช้นิพจน์นี้และการใช้หลักการส่วนขยายที่เราสามารถคำนวณข้อ จำกัด ใน PZซึ่งเกิดจากข้อ จำกัด ใน PXและ Py-ค่าที่อนุญาตของ PZประกอบด้วยค่าเหล่านั้นของ PZ ซึ่งสอดคล้องกับข้อมูลที่กำหนดด้วยความเข้าใจว่าความสอดคล้องเป็นเรื่องของระดับ
ขั้นตอนที่สองเกี่ยวข้องกับการคำนวณความน่าจะเป็นของเหตุการณ์ฟัซซี่ Z คือZได้รับ pZ-ตามที่ระบุไว้ก่อนหน้านี้ในตรรกะฟัซซี่การวัดความน่าจะเป็นของเหตุการณ์ฟัซซี่ x คือ A โดยที่ A เป็นชุดฟัซซี่และ X เป็นตัวแปรสุ่มที่มีความหนาแน่นของความน่าจะเป็น pXหมายถึง:
การใช้นิพจน์นี้การวัดความน่าจะเป็นของกZอาจแสดงเป็น:
ที่ไหน
ม.อัน
ควรสังเกตว่า BZคือตัวเลขเมื่อ PZเป็นฟังก์ชันความหนาแน่นของความน่าจะเป็นที่รู้จักเนื่องจากสิ่งที่เรารู้เกี่ยวกับ PZคือการกระจายความเป็นไปได้μP
โดยที่μP
ในทำนองเดียวกันเราสามารถคำนวณฟังก์ชั่นต่าง ๆ ของ Z-numbersแนวคิดพื้นฐานที่รองรับการคำนวณเหล่านี้อาจสรุปได้ดังนี้สมมติว่าปัญหาของเราคือการคำนวณ F (ZX, Zy) โดยที่ zXและ Zyเป็น z-numbers, zX= (aX, bX) และ zy= (ay, by) ตามลำดับและ F (ZX, Zy) = (aZ, bZ-เราเริ่มต้นด้วยการสมมติว่าการแจกแจงความน่าจะเป็นพื้นฐาน pXและ Pyเป็นที่รู้จักสมมติฐานนี้ช่วยลดการคำนวณ F (ZX, Zy) การคำนวณ F (ZX-, Zy-) ซึ่งสามารถดำเนินการผ่านการใช้งานของหลักการขยายซึ่งใช้กับข้อ จำกัด คือ z--Numbersณ จุดนี้เราตระหนักดีว่าสิ่งที่เรารู้ไม่ใช่ PXและ Pyแต่ข้อ จำกัด เกี่ยวกับ PXและ Py-การใช้เวอร์ชันของหลักการขยายที่เกี่ยวข้องกับข้อจำกัดความน่าจะเป็นเราจะถูกนำไปสู่ F (ZX, Zy-เราสามารถคำนวณข้อ จำกัด BZของผลิตภัณฑ์สเกลาร์ของ F (AX,y) และ F (PX, Py-ตั้งแต่Z= F (AX,y) การคำนวณของ BZเสร็จสิ้นการคำนวณ F (ZX, Zy-
การแสดงบทสรุปเป็นเวอร์ชันของหลักการขยายมากขึ้นอย่างเป็นรูปธรรมเราสามารถเขียน:
ที่ไหน pXและ Pyถูก จำกัด โดย:
ในแง่ของฟังก์ชั่นการเป็นสมาชิกของ BXและ Byข้อ จำกัด เหล่านี้อาจแสดงเป็น:
ข้อ จำกัด เพิ่มเติมเกี่ยวกับ PXและ Pyเป็น:
ดังนั้นสอดคล้องกับผลลัพธ์ก่อนหน้านี้เราสามารถเขียนได้:
สิ่งที่สำคัญที่ต้องจำไว้คือ A และ B ส่วนใหญ่เป็นส่วนใหญ่การรับรู้และไม่ชัดเจนภายในความไม่แน่นอนของ A และ B อาจถูกนำไปใช้โดยการทำให้สมมติฐานง่ายขึ้นเกี่ยวกับ A และ B-สมมติฐานที่มีวัตถุประสงค์เพื่อลดความซับซ้อนของการคำนวณด้วย Z-numbers และเพิ่มความน่าจะเป็นของผลลัพธ์ของการคำนวณสองตัวอย่างของสมมติฐานดังกล่าวถูกร่างขึ้นในต่อไปนี้
โดยสังเขปสมมติฐานที่ทำให้เข้าใจง่ายเป็นจริงคือ PXและ Pyคือการแจกแจงแบบพารามิเตอร์โดยเฉพาะอย่างยิ่งการแจกแจงแบบเกาส์เซียนกับพารามิเตอร์ MX, SX2และม.y, Sy2ตามลำดับเงื่อนไขความเข้ากันได้แก้ไขค่าของ MXและม.y-ดังนั้นถ้า bXและ Byเป็นมาตรการเชิงตัวเลขของความมั่นใจจากนั้น bXและโดยกำหนด pXและ Pyตามลำดับดังนั้นสมมติฐานที่ว่าเรารู้ bXและ Byเทียบเท่ากับสมมติฐานที่ว่าเรารู้จัก PXและ Py-ใช้กฎที่ควบคุมการคำนวณฟังก์ชั่นของ Z--numbers เราสามารถคำนวณ bZเป็นฟังก์ชั่นของ BXและ Byณ จุดนี้เรารับรู้ว่า bXและ Byเป็นข้อ จำกัด เกี่ยวกับ BXและ Byตามลำดับการจ้างงานหลักการขยายทั่วไปนำไปสู่ BZและเสร็จสิ้นกระบวนการคำนวณนี่อาจเป็นวิธีที่มีประสิทธิภาพมากในการคำนวณด้วย Z-numbersควรสังเกตว่าการกระจายแบบเกาส์เซียนอาจถูกมองว่าเป็นรุ่น Z ที่พิเศษมาก
อีกวิธีที่มีประสิทธิภาพในการใช้ประโยชน์จากความไม่แน่นอนของ A และ B นั้นเกี่ยวข้องกับการประมาณฟังก์ชั่นการเป็นสมาชิกสี่เหลี่ยมคางหมูของ A โดยฟังก์ชั่นสมาชิกที่มีมูลค่าตามช่วงเวลา Aขที่ไหนขเป็นแบนด์วิดท์ของ A (
-อันXข, bX-อันyข, by-อันXข*Ayข, bX× By-
ที่ไหน bX× Byเป็นผลผลิตของตัวเลขฟัซซี่ BXและ By-ความถูกต้องของนิพจน์นี้ขึ้นอยู่กับว่าฟังก์ชั่นการเป็นสมาชิกที่มีมูลค่าตามช่วงเวลานั้นมีค่าประมาณกับฟังก์ชั่นการเป็นสมาชิกสี่เหลี่ยมคางหมู
เห็นได้ชัดว่าปัญหาความน่าเชื่อถือของข้อมูลมีความสำคัญอย่างยิ่งในการวางแผนการตัดสินใจการกำหนดอัลกอริทึมและการจัดการข้อมูลมีทิศทางที่สำคัญมากมายที่ได้รับการสำรวจโดยเฉพาะอย่างยิ่งในขอบเขตของแคลคูลัสของ Z-Rules และการประยุกต์ใช้กับการวิเคราะห์การตัดสินใจและการสร้างแบบจำลองของระบบที่ซับซ้อน
การคำนวณด้วย z-numbers อาจถูกมองว่าเป็นการคำนวณทั่วไปของการคำนวณด้วยตัวเลขช่วงเวลาตัวเลขฟัซซี่และตัวเลขสุ่มมากขึ้นอย่างเป็นรูปธรรมระดับทั่วไปคือ: การคำนวณด้วยตัวเลข (ระดับพื้นดิน 1);การคำนวณด้วยช่วงเวลา (ระดับ 1);การคำนวณด้วยตัวเลขฟัซซี่ (ระดับ 2);การคำนวณด้วยตัวเลขสุ่ม (ระดับ 2);และการคำนวณด้วย z-numbers (ระดับ 3) ยิ่งระดับของทั่วไปสูงขึ้นเท่าใดก็ยิ่งมีความสามารถในการสร้างแบบจำลองที่เป็นจริงของระบบโลกแห่งความเป็นจริงโดยเฉพาะอย่างยิ่งในอาณาจักรแห่งเศรษฐศาสตร์การวิเคราะห์การตัดสินใจการประเมินความเสี่ยงการวางแผนการวิเคราะห์เวรกรรมและชีวการแพทย์
ควรสังเกตว่าตัวเลขจำนวนมากโดยเฉพาะอย่างยิ่งในสาขาเช่นเศรษฐศาสตร์และการวิเคราะห์การตัดสินใจอยู่ในความเป็นจริง Z-numbers แต่พวกเขายังไม่ได้รับการปฏิบัติเช่นนี้เพราะมันง่ายกว่ามากในการคำนวณด้วยตัวเลขมากกว่า z-numbersโดยพื้นฐานแล้วแนวคิดของหมายเลข Z เป็นขั้นตอนสู่การทำให้เป็นทางการของความสามารถของมนุษย์ที่น่าทึ่งในการตัดสินใจอย่างมีเหตุผลในสภาพแวดล้อมที่ไม่แน่นอนและความไม่แน่นอน
วิธีการวิเคราะห์โดยใช้การแจกแจงความน่าจะเป็นกับ z-number:
เราพูดถึงการวัดความน่าจะเป็นของชุดฟัซซี่ใน RXขึ้นอยู่กับการกระจายความน่าจะเป็นที่ซ่อนอยู่ pXถูกกำหนดเป็น
ในการประเมินจำนวน z การวัดความน่าจะเป็นนี้ถูก จำกัด โดยชุด B ฟัซซี่โดยมีข้อ จำกัด ที่กำหนดโดย
ข้อ จำกัด จะถูกบอกเป็นนัยในการกระจายความน่าจะเป็นในตัวอย่างที่แสดงใน
ในศูนย์รวมเดียวที่ปรากฎตัวอย่างเช่นใน
ในศูนย์รวมหนึ่งคลาส/เทมเพลต/ประเภทของการแจกแจงความน่าจะเป็นโดยเฉพาะXไปยังข้อ จำกัด ใน PXพารามิเตอร์ตัวอย่างเช่นในศูนย์รวมหนึ่งจะมีการกระจายแบบปกติหรือแบบเกาส์เซียนสำหรับ PX(ดังแสดงใน
สำหรับ PXเป็น n (mx, Sx) การวัดความน่าจะเป็นข้างต้นของ A จะลดลงในการแสดงออกด้วยข้อกำหนด ERF และ EXP ด้วย Mx, Sxและ r.ในศูนย์รวมหนึ่งมาตรการความน่าจะเป็นจะถูกกำหนดล่วงหน้า/คำนวณ/ตารางสำหรับค่าต่างๆของ mx, Sxและ r.โปรดทราบว่าการทำลายศีลธรรมใด ๆ ใน X จะไม่ส่งผลกระทบต่อการวัดความน่าจะเป็นในขณะที่ denormalization ในμอัน(x) (เช่นค่าสมาชิกสูงสุด) ปรับขนาดการวัดความน่าจะเป็น
ในศูนย์รวมเดียว (PX;X) (แสดงที่นี่เป็นν) ถูกกำหนดและ/หรือเก็บไว้ในฐานข้อมูลโมเดลสำหรับ p ต่างๆX-ตัวอย่างเช่นνเป็นภาพเมื่อเทียบกับσxใน
ในศูนย์รวมหนึ่งขึ้นอยู่กับμBX(ν) สำหรับνของต่าง ๆ (เช่นνนาที, nกลางและ/หรือνสูงสุด) ปิด pX'S หรือ (Mx, Sx) ของผู้สมัครถูกกำหนดเช่นโดยการติดตาม/กำหนดเส้นชั้นความสูงผ่าน (ตาข่าย) การแก้ไขโดยใช้การทดสอบ (หรือสุ่ม) pX'S หรือ (Mx, Sx) (เช่นโดยใช้วิธีการค้นหารูทเช่นวิธี Secant)ในศูนย์รวมหนึ่งชุดย่อยของ P เหล่านี้X'S หรือ (Mx, Sx) ลดทรัพยากรการคำนวณที่จำเป็นในการใช้ข้อ จำกัด ในตัวแปรอื่น ๆ หรือการแจกแจงความน่าจะเป็น
ตัวอย่างเช่นในการตั้งค่าที่ y = f (x), z-valuation (x, ax, by) อาจขยายไปเป็น (y, ay, by) ผ่านข้อ จำกัด ใน PX-ในศูนย์รวมหนึ่งที่กyถูกกำหนดผ่านหลักการขยายโดยใช้ F (x) และกx, byถูกกำหนดโดยการค้นหาข้อ จำกัด ในการวัดความน่าจะเป็นของกy-ในศูนย์รวมหนึ่ง F (x) เป็น monotonic, i.e. , x = f−1(y) มีเอกลักษณ์
โดยที่ΔXYคือ (+1) ถ้า f (x) คือ (monotonically) เพิ่มขึ้นและเป็น (−1) ถ้า f (x) ลดลง
หลักการส่วนขยายยังแสดงให้เห็นว่าμขวาน(x) คือμเอ่ย(y) โดยที่ y = f (x)ดังนั้นการวัดความน่าจะเป็นของกyแสดงว่าเป็นΩ (= Py;เอ่ย) กลายเป็นเช่นเดียวกับνสำหรับ px หรือ (m เดียวกันx, Sx) ดังที่แสดงด้านล่าง:
ดังนั้นμโดย(Ω) กลายเป็นเหมือนμBX(ν) (สำหรับผู้สมัครใด ๆ pX) เมื่อ f (x) เป็นโมโนโทนิกและกyถูกกำหนดผ่านหลักการขยายจากกxและ f (x)ผลลัพธ์นี้ไม่ได้ถือเมื่อ F (x) ไม่ใช่โมโนโทนิก แต่อาจใช้เป็นการประมาณลำดับแรกในศูนย์รวมหนึ่งตัวอย่างเช่นสำหรับ non-monotonic F (x) ยังคงสมมติว่ากyถูกกำหนดผ่านหลักการขยายจากกxและ f (x):
สมมติว่าในโดเมน y มี n monotonic ภูมิภาค n ชิ้นส่วนของ f (x)ดังนั้นจึงมีจำนวนมากถึง N เป็นโซลูชั่นสำหรับ f−1(y) แสดงโดยชุด {x1---, xฉัน---, xn-เหตุการณ์ที่เกิดขึ้นในโดเมน y อาจเกิดขึ้นได้ที่ {x ใด ๆฉัน}, ดังนั้น
โดยที่Δxy, iบ่งบอกว่าก่อนหน้านี้ไม่ว่าฉันจะไทยภูมิภาคโมโนโทนิกของ F (x) กำลังเพิ่มขึ้นหรือลดลง
ในศูนย์รวมΩจะถูกกำหนดโดย:
โดยที่ x ′∈ {xฉัน-ดังนั้น,
ในศูนย์รวมหนึ่งโดยที่เช่นเนื่องจากสมมาตรสัมพัทธ์ใน F (x) และμขวาน(x), mขวาน(x) เหมือนกันสำหรับ∀x ′∈ {xฉัน} ดังนั้นΩ = νเพราะ
สำหรับ x ใด ๆฉัน-
เช่นเดียวกันในศูนย์รวมที่μขวาน(x) เป็นศูนย์หรือเล็กน้อยในภูมิภาค (เช่นสำหรับ n = 2) จากนั้นΩ = νเนื่องจากการมีส่วนร่วมของΩมาจากภูมิภาค monotonic ที่โดดเด่นของ F (x)
ในศูนย์รวมหนึ่งการเบี่ยงเบนของΩจากνถูกประเมิน/กำหนดโดยการกำหนดความแตกต่างระหว่าง
และμต่างๆอัน
ในหนึ่งศูนย์โดยที่μเอ่ย(y) มีให้ผ่านข้อเสนอ (แทนที่จะถูกกำหนดผ่านหลักการขยายผ่าน F (x) และ Ax), mโอ้(y) ถูกกำหนด (ผ่านหลักการขยาย) และเปรียบเทียบกับμเอ่ย(y).หากมีการจับคู่แล้วΩจะถูกประเมินโดยใช้νเช่นตามที่อธิบายไว้ข้างต้น
ในศูนย์รวมเดียวเช่นที่ปรากฎใน
ยกตัวอย่างเช่นศูนย์รวมหนึ่งใช้แนวคิดข้างต้นสำหรับการทำนายตลาดหุ้นพารามิเตอร์ที่เกี่ยวข้องกับเศรษฐกิจหรือแอปพลิเคชันอื่น ๆพิจารณาตัวอย่างต่อไปนี้:
ตัวอย่างที่ 1
เราได้รับข้อมูลนี้ (สำหรับความคาดหวังและการคาดการณ์): มีความน่าจะเป็นที่ราคาน้ำมันในเดือนหน้ามีนัยสำคัญมากกว่า 100 ดอลลาร์/บาร์เรลไม่เล็ก
สมมติว่าราคาตั๋วสำหรับสายการบินจากวอชิงตันดีซีถึงนิวยอร์กอยู่ในรูปของ (y = f (x) = a1· x+a2) โดยที่ X เป็นราคาน้ำมันโดยประมาณของเดือนถัดไป (เป็นดอลลาร์/บาร์เรล) และ Y คือราคาตั๋ว (เป็นดอลลาร์)สำหรับตัวอย่างนี้สมมติว่าก1= 1.5 และก2= 150, เช่น, y = 1.5 x+150จากนั้นเรามีคำถามต่อไปนี้:
ถาม1: ราคาตั๋วจากวอชิงตันดีซีถึงนิวยอร์กราคาเท่าไหร่?
x หมายถึง (ราคาน้ำมันในเดือนถัดไป), กxคือ (อย่างมีนัยสำคัญมากกว่า 100 ดอลลาร์/บาร์เรล) และ bXคือ (ไม่เล็ก)จากนั้น (x, ax, bx) เป็นค่า z ที่จำกัดความน่าจะเป็นของ (x) ราคาน้ำมันในเดือนถัดไปในตัวอย่างนี้ตามที่ปรากฎใน
ในรูปลักษณ์หนึ่ง การวัดความน่าจะเป็นของ Ax, (เช่น ν) ถูกกำหนดโดยผลคูณดอทของ pXและμขวาน-ในศูนย์รวมหนึ่ง pXได้รับการประเมินที่ค่า x ในโดเมน x (เช่นกับชุดของจุดระหว่าง xนาทีและ xสูงสุด-ในทำนองเดียวกันμขวานถูกกำหนดที่ชุดข้อมูล {x1} ในโดเมน x (หรืออย่างมีนัยสำคัญเช่นจุดมุมของμขวาน-ในศูนย์รวมหนึ่งผลิตภัณฑ์ DOT จะถูกกำหนดโดยการประเมิน
nP
ในศูนย์รวมหนึ่งνจะถูกกำหนดผ่านการประเมินผลเป็นชิ้น ๆ (เช่นการใช้ฟังก์ชัน EXP และ ERF เมื่อ PXเป็นเกาส์)ในศูนย์รวมหนึ่งνถูกกำหนดสำหรับผู้สมัครหลายคนสำหรับ pX-ตัวอย่างเช่นการใช้ PX, เป็น n (mx, Sx) ตามที่อธิบายไว้ข้างต้นνถูกกำหนดสำหรับต่างๆ (Mx, Sx) การรวมกันตามที่ปรากฎใน
ข้อ จำกัด ที่ได้รับไม่เล็ก Bxในศูนย์รวมหนึ่งคะแนนการทดสอบสำหรับผู้สมัครแต่ละคน pXได้รับการประเมินโดยการประเมินค่าความจริงของการวัดความน่าจะเป็นที่สอดคล้องกันของกx, n, ใน mBX(ν)ในศูนย์รวมเดียวการกำหนดคะแนนการทดสอบใช้สำหรับ PXผู้สมัครที่สอดคล้องกับชุดของค่าνเฉพาะ (เช่นผู้ที่ใช้ในการกำหนดμBX(ν) เช่นที่ตั้งทางลาดหรือมุมสี่เหลี่ยมคางหมู)ในศูนย์รวมดังกล่าวถังขยะมีความสัมพันธ์กับνของโดยเฉพาะเพื่อกำหนด pXผู้สมัครที่มีค่าνที่สอดคล้องกันภายในถังขยะตัวอย่างเช่นผู้สมัครเหล่านั้นถูกระบุโดยเหล่านั้น (Mx, Sx) ที่หรือใกล้กับเส้นที่น่าสนใจโดยเฉพาะ (เช่นทำเครื่องหมายเป็นν1, n2และν3ที่νค่า 0, 0.25 และ 0.5
ในศูนย์รวมหนึ่งการวัดความน่าจะเป็นของกy, (เช่น, Ω) ถูกกำหนดโดยผลิตภัณฑ์ DOT ของ Pyและμเอ่ย-ในศูนย์รวมหนึ่ง pyถูกกำหนดผ่านการประยุกต์ใช้เงินต้นส่วนขยายในศูนย์รวมหนึ่ง pXสำหรับคะแนนใน {xฉัน} ในโดเมน x มีสาเหตุมาจากจุดที่สอดคล้องกัน {yฉัน} ในโดเมน yศูนย์รวมดังกล่าวรองรับการมีหลาย yฉันมีค่าเท่ากัน (หรือเป็นของถังขยะเดียวกันในโดเมน y)อีกทางเลือกหนึ่งหรือนอกจากนี้ในศูนย์รวมถังขยะจะถูกตั้งค่าในโดเมน y เพื่อกำหนด pyสำหรับแต่ละถังโดยการรวมกันที่เกี่ยวข้อง pฉัน(จากโดเมน x) โดยที่ f (xฉัน) อยู่ใน y-binยกตัวอย่างเช่นในศูนย์รวมΩจะถูกกำหนดโดยการใช้ Pyและμเอ่ยผลิตภัณฑ์ DOT ในโดเมน y เหนือถังขยะ yอย่างไรก็ตามในศูนย์รวมหนึ่ง pyและμเอ่ยผลิตภัณฑ์ DOT ถูกกำหนดเป็นหลักในโดเมน X เช่น:
โอ้P
ในศูนย์รวมหนึ่งΩจะถูกกำหนดผ่านการประเมินผลเป็นชิ้น ๆในศูนย์รวมหนึ่งΩถูกกำหนดสำหรับผู้สมัครหลายคนสำหรับ pX-ตัวอย่างเช่นการใช้ PX, เป็น n (mx, Sx) ตามที่อธิบายไว้ข้างต้นΩถูกกำหนดสำหรับต่างๆ (Mx, Sx) การรวมกันตามที่ปรากฎใน
ในศูนย์รวมเดียวเพื่อให้ได้ความสัมพันธ์ระหว่างคะแนนการทดสอบΩและข้อ จำกัด จาก Bxเพื่อกำหนด byถังขยะถูกตั้งค่าในโดเมนΩ (เช่นระหว่างΩนาทีและΩสูงสุดหรือในช่วง [0, 1])ในศูนย์รวมหนึ่งขนาด/จำนวนของถังขยะในΩสามารถปรับได้หรือปรับตัวเพื่อรองรับภูมิภาคในโดเมนΩโดยที่ (M (Mx, Sx) การทำแผนที่นั้นหายากกระจัดกระจายหรือขาดหายไปในศูนย์รวมเดียวสำหรับแต่ละ (mx, Sx), Ω (mx, Sx) ถูกแมปกับถังขยะในโดเมนΩในศูนย์รวมแต่ละ (Mx, Sx) จะเชื่อมโยงกับ bin Ω (เช่นระบุด้วย ID หรือดัชนี)หลาย (ม.x, Sx) อาจแมปกับถังขยะเดียวกันในศูนย์รวมหนึ่งผ่านการเชื่อมโยงนี้กับ bin Ωเดียวกัน, สูงสุดμBX(N (Mx, Sx)) รูปร่างx, Sx) ของ) ที่เกี่ยวข้องกับ bin Ωเดียวกันจะถูกกำหนดตัวอย่างเช่น,
ดังนั้นในตัวอย่างนี้สมมติว่าμเอ่ย(y) (เพิ่มขึ้นจาก 300 เป็น 345) บ่งชี้ว่าค่อนข้างสูงกว่า 300 และμนั้นโดย(Ω) แผนที่เป็นมากกว่าสื่อ (เช่นไม่เล็ก) (ในบริบทนี้) จากนั้นคำตอบของ Q1กลายเป็น: ความน่าจะเป็นของราคาตั๋วสิ่งมีชีวิตค่อนข้างสูงกว่า 300เป็นมากกว่าสื่อ-
Q2: ความน่าจะเป็นที่ราคาตั๋ว (จากวอชิงตันดีซีถึงนิวยอร์ก) คืออะไรไม่ต่ำ?
ในคำถามนี้ Y ยังคงแสดงราคาตั๋วอย่างไรก็ตามกyถูกระบุไว้แล้วโดย Q2ไม่ต่ำในบริบทนี้แยกวิเคราะห์คำถาม Prob (y คือกy) หรือ Byใน Z-valuation ของ (y, ay, by) คือเอาต์พุตในศูนย์รวมหนึ่งฐานข้อมูลความรู้จะถูกค้นหาเพื่อกำหนดความหมายของความหมายที่ไม่ต่ำในบริบทของ Y. ในศูนย์รวมหนึ่งในการแยกวิเคราะห์ Q2ไม่ได้รับการยอมรับว่าเป็นตัวดัดแปลงของชุดฟัซซี่ต่ำในบริบทของ Y ในศูนย์รวมหนึ่งฐานความรู้ถูกใช้เพื่อกำหนดตัวอย่างเช่นต่ำคือขั้นตอนลงที่ฟัซซี่ที่มีทางลาดตั้งอยู่ระหว่าง 250 และ 300 ในศูนย์รวมหนึ่งตัวดัดแปลงใช้เพื่อแปลงฟังก์ชั่นการเป็นสมาชิกต่อระบบความจริงที่ใช้โดยโมดูลตัวอย่างเช่น,
ในศูนย์รวมแห่งเดียวความสัมพันธ์ของ (xฉัน, yฉัน) ใช้เพื่อแอตทริบิวต์ PXค่าเป็น (xฉัน, yฉัน-เปรียบเทียบกับ Q1-ในศูนย์รวมหนึ่งνและμขวานจะถูกนำกลับมาใช้ใหม่หรือกำหนดในทำนองเดียวกันตัวอย่างเช่น,
ในศูนย์รวมหนึ่งμที่เกิดขึ้นโดย(Ω) มีให้กับโมดูลอื่น ๆ ที่ใช้ฟังก์ชั่นการเป็นสมาชิกเป็นอินพุต (เช่นเอ็นจิ้นกฎกฎที่คลุมเครือ) หรือจัดเก็บในที่เก็บข้อมูลความรู้ในศูนย์รวมหนึ่งμที่เกิดขึ้นโดย(Ω) (เช่นใน
ในศูนย์รวมหนึ่งμโดย(Ω) (เช่นใน
Q3: ความน่าจะเป็นที่ราคาตั๋ว (จากวอชิงตันดีซีถึงนิวยอร์ก) สูงเท่าไหร่?
เช่นเดียวกับใน Q2, Q3นำเสนอyสูงในศูนย์รวมหนึ่งภายในบริบทμเอ่ยมีการให้ตัวอย่างเช่นเป็นทางลาดที่อยู่ที่ 350 (มีความกว้าง 50) ตามที่ปรากฎใน
การควบคุมฟัซซี่กับ Z-Number:
ดังที่ได้กล่าวไว้ก่อนหน้านี้การขยายระบบควบคุมฟัซซี่ที่ใช้กฎฟัซซี่สามารถใช้ z-numbers ได้ทั้งสองหรือทั้งสองส่วนและเป็นผลสืบเนื่องของกฎฟัซซี่ถ้าเป็นเช่นนั้นอย่างสม่ำเสมอในการดำเนินการกฎฟัซซี่เช่น (ถ้า x คือ y คือ y คือ b) ค่าของตัวแปร x ที่ใช้ในก่อนหน้าจะถูกกำหนด (เช่นจากอินพุตหรือจากผลการ defuzzification ของกฎอื่น ๆ ที่เกี่ยวข้อง) เป็น x0-ในศูนย์รวมหนึ่งค่าความจริงของสิ่งที่มาก่อนได้รับการประเมินเนื่องจากฐานความรู้ (เช่น x = x0) เป็นค่าความจริงของวิธีการ (x คือ a) เป็นที่พอใจเช่นμอัน(x0- ค่าความจริงของเหตุการณ์ที่ตามมา (สมมติว่ามากกว่าเกณฑ์ที่จะทริกเกอร์ผลที่ตามมา) จากนั้นจะถูกนำไปใช้กับค่าความจริงของผลที่ตามมา เช่น โดยการตัดหรือปรับขนาดฟังก์ชันสมาชิกของ B ด้วย μอัน(x0- การยิงกฎคลุมเครือที่เกี่ยวข้องกับตัวแปรเดียวกันที่ผลที่ตามมาทำให้ได้ฟังก์ชันสมาชิกภาพซ้อนทับสำหรับ Y จากนั้น ค่าที่ชัดเจนสำหรับ Y จะถูกกำหนดโดยการทำให้ฟังก์ชันสมาชิกภาพที่เป็นผลลัพธ์ของ Y หายไป เช่น ผ่านจุดศูนย์กลางมวลหรือขึ้นอยู่กับค่าสมาชิกสูงสุด (เช่น ในวิธีการอนุมานของมัมดานี) หรือค่าดีฟัซซีของ Y ถูกกำหนดโดยค่าเฉลี่ยถ่วงน้ำหนักของเซนทรอยด์จากผลที่ตามมาของกฎฟัซซีที่อิงตามค่าความจริงที่สอดคล้องกันของค่าก่อนหน้า (เช่น ในวิธีการอนุมานแบบฟัซซีของซูเกโน)
ในรูปลักษณ์หนึ่ง โดยที่สิ่งที่มาก่อนเกี่ยวข้องกับเลข Z เช่น ดังกฎคลุมเครือต่อไปนี้:
IF (X คือ Z) แล้ว (Y คือ C) โดยที่ Z=(AX, bX) และ X เป็นตัวแปรสุ่ม
ค่าความจริงของสิ่งที่มาก่อน (x คือ z) ถูกกำหนดโดยการ จำกัด ที่กำหนดไว้นั้นเป็นไปตามฐานความรู้ได้ดีเพียงใดตัวอย่างเช่นหากความน่าจะเป็นหรือการกระจายทางสถิติของ X คือ PXก่อนหน้านี้กำลังกำหนดข้อจำกัดในการแจกแจงความน่าจะเป็นนี้ ดังที่แสดงไว้ก่อนหน้านี้เป็น:
โดยที่ u คือพารามิเตอร์ค่าจริงในโดเมน xในศูนย์รวมเดียวการกระจายความน่าจะเป็นของ x, pXใช้เพื่อประเมินค่าความจริงของสิ่งที่มาก่อนโดยประเมินว่าข้อ จำกัด ของการกระจายความน่าจะเป็นได้ดีเพียงใดในศูนย์รวมหนึ่งการประมาณสำหรับ pXใช้เพื่อกำหนดคุณค่าความจริงของอดีตแสดง PXIเป็นการประมาณการหรือการแจกแจงความน่าจะเป็นอินพุตสำหรับ X ค่าความจริงก่อนหน้านี้จะถูกกำหนดเป็น:
ศูนย์รวมเช่นในระบบควบคุมหรือโมดูลฟัซซี่ใช้ค่าหลายค่าของ U เพื่อประเมิน PX-ในศูนย์รวมหนึ่งค่าของ U นั้นไม่ต่อเนื่องหรือไม่ต่อเนื่องผ่านถังขยะที่เป็นตัวแทนของช่วงของ U เพื่อนับหรือติดตามประชากรถังขยะที่แสดงถึงการกระจายความน่าจะเป็นของ X ตัวอย่างเช่นที่ Binฉัน, PXคาดว่า:
โดยที่ΔUฉันและนับฉันความกว้างและประชากรของฉันคือไทยถังขยะด้วยวิธีนี้จำนวนประชากรของถังขยะจะถูกติดตามเมื่อได้รับข้อมูลตัวอย่างมากขึ้น
ในศูนย์รวมหนึ่งหมายเลข Z จะปรากฏเป็นผลมาจากกฎฟัซซี่เช่น
ถ้า (y คือ c) ดังนั้น (x คือ z) โดยที่ z = (aX, bX) และ x เป็นตัวแปรสุ่ม
เช่นเดียวกับกฎฟัซซี่อื่น ๆ เมื่อมีการดำเนินการกฎค่าความจริงของสิ่งที่มาก่อน (เช่นμC(Y0) โดยที่ y0เป็นค่าสำหรับ y นั่นคืออินพุตไปยังกฎ) ถูกนำไปใช้กับข้อ จำกัด ที่กำหนดโดยผลที่ตามมาข้อ จำกัด ที่กำหนดโดยผลที่ตามมาคือเช่นในการกระจายความน่าจะเป็นของ x ซึ่งเป็นตัวแปรที่ใช้ในผลที่ตามมาได้รับคุณค่าความจริงก่อนหน้าของ Tมด(ระหว่าง 0 ถึง 1) ในศูนย์รวมหนึ่งการมีส่วนร่วมของกฎในการ จำกัด PXแสดงโดย
ม.ข
ในศูนย์รวมหนึ่งหมายเลข Z จะปรากฏในก่อนหน้าของกฎฟัซซี่ แต่แทนที่จะ จำกัด ปริมาณ (เช่น PX) อาจมีข้อมูลฐานความรู้ทางอ้อมอื่น ๆตัวอย่างเช่นในกฎฟัซซี่ต่อไปนี้:
ถ้า (Xเป็นZ) แล้ว (yเป็นC), ที่ไหนZ-อันX, bX) และXเป็นตัวแปรสุ่ม
สมมติว่าจากอินพุตหรือกฎอื่น ๆ จะได้รับ (x คือ d) โดยที่ d เป็นชุดฟัซซี่ในโดเมน xด้วยวิธีหนึ่งผู้สมัครที่ซ่อนอยู่ของ PX(แสดงโดยดัชนี I) ได้รับคะแนนการทดสอบตามฐานความรู้และคะแนนการทดสอบดังกล่าวใช้เพื่อประเมินค่าความจริงของสิ่งที่มาก่อนตัวอย่างเช่นค่าความจริงของสิ่งที่มาก่อนจะถูกกำหนดโดย:
ในศูนย์รวมหนึ่งรูปแบบต่าง ๆ ของการแจกแจงความน่าจะเป็น (ขึ้นอยู่กับฐานความรู้เริ่มต้นหรือฐานความรู้อื่น ๆ ) เพื่อกำหนดพารามิเตอร์∀iตัวอย่างเช่นแบบจำลองของการแจกแจงแบบปกติอาจถือว่าเป็น PXผู้สมัครและพารามิเตอร์ที่เกี่ยวข้องจะเป็นตำแหน่งสูงสุดและความกว้างของการแจกแจงขึ้นอยู่กับบริบทมีการใช้การแจกแจงอื่น ๆ (เช่นการแจกแจงปัวซอง)ตัวอย่างเช่นใน“ รถบัสมักจะมาถึงทุก ๆ 10 นาที” โดยที่ X คือเวลามาถึงรถบัสXประมาณ 10 นาทีและ BXโดยปกติแล้วรูปแบบของการกระจายความน่าจะเป็นสำหรับเวลามาถึงบัสอาจถูกนำมาเป็นการแจกแจงแบบปัวซองที่มีพารามิเตอร์τ:
จากนั้นค่าความจริงก่อนหน้าจะถูกกำหนดโดย
ในศูนย์รวมหนึ่งค่าความจริงของสิ่งที่มาก่อนในกฎฟัซซี่กับ z-number เช่น
ถ้า (Xเป็นZ) แล้ว (yเป็นC), ที่ไหนZ-อันX, bx) และXเป็นตัวแปรสุ่ม
ถูกกำหนดโดยการตั้งสมมติฐานว่าการกระจายความน่าจะเป็น pXเข้ากันได้กับข้อ จำกัด ความเป็นไปได้ของฐานความรู้ (เช่น (x คือ D))จากนั้นผู้สมัครสำหรับ PXอาจสร้างขึ้นต่อμd-ตัวอย่างเช่นโดยการจัดรูปแบบปกติของการกระจายความเป็นไปได้:
ในศูนย์รวมหนึ่งข้อสันนิษฐานความเข้ากันได้จะใช้กับแบบจำลองการแจกแจง (เช่นขึ้นอยู่กับพื้นฐานเริ่มต้นหรือฐานความรู้)ตัวอย่างเช่นสมมติว่ามีการเลือกแบบจำลองของการแจกแจงแบบปกติการแจกแจงความน่าจะเป็นของผู้สมัครจะถูกกำหนดดังนี้:
ที่ไหน dความกว้างและ dร้อยละเป็นที่ตั้งความกว้างและเซนทรอยด์ของ (เช่นสี่เหลี่ยมคางหมู) ฟัซซี่ฟัซซี่ชุด d และ r เป็นค่าคงที่ (เช่น 1/√ {สแควร์รูทเหนือ (12)} ≈0.3) หรือพารามิเตอร์ที่ปรับได้
ในศูนย์รวมหนึ่งค่าความจริงของสิ่งที่มาก่อนในกฎฟัซซี่กับ z-number เช่น
-Xเป็นZ) แล้ว (yเป็นC), ที่ไหนZ-อันX, bX) และXเป็นตัวแปรสุ่ม
ถูกกำหนดโดยการทำให้การตรวจสอบ∀iง่ายขึ้นใน
โดยใช้ผู้สมัคร PXขึ้นอยู่กับแบบจำลองของการกระจายความน่าจะเป็นซึ่งจะเข้ากันได้กับชุดฟัซซี่ B. จากนั้นค่าความจริงก่อนหน้านี้จะถูกกำหนดตามการกระจายความน่าจะเป็นที่เข้ากันได้โอเป็น tมด= TSโอ∧ts ′โอ-
ในศูนย์รวมหนึ่งการกระจายความน่าจะเป็นที่เหมาะสมดังกล่าวจะถูกกำหนดตามฐานความรู้ (เช่น X คือ D)ตัวอย่างเช่นเมื่อการแจกแจงแบบจำลองเป็นการกระจายปกติในศูนย์รวมหนึ่งตำแหน่งศูนย์กลาง (พารามิเตอร์) ของการแจกแจงจะถูกตั้งค่าที่ตำแหน่งเซนทรอยด์ของชุดฟัซซี่ D ในขณะที่ความแปรปรวนของการแจกแจงความน่าจะเป็นถูกตั้งค่าตามความกว้างของ Fuzzy Set D.
ในศูนย์รวมหนึ่งข้อเสนออินพุตในรูปแบบของการประเมินค่า z เช่น (x, aX, by) หรือ (x คือ z) โดยที่ z = (aX, by) และ x เป็นตัวแปรสุ่มใช้เพื่อประเมินสิ่งที่มาก่อนของกฎฟัซซี่เช่น
ถ้า (x คือ c) แล้ว (y คือ d) โดยที่ c และ d เป็นชุดฟัซซี่ในโดเมน x และ y ตามลำดับ
ในศูนย์รวมหนึ่งผู้สมัครของ PX(แสดงโดยดัชนี I) ได้รับคะแนนการทดสอบตามฐานความรู้และคะแนนการทดสอบดังกล่าวใช้เพื่อประเมินค่าความจริงของสิ่งที่มาก่อนตัวอย่างเช่นในศูนย์รวมหนึ่งค่าความจริงของสิ่งที่มาก่อนจะถูกกำหนดโดย:
ตัวอย่างที่ 2
ในศูนย์รวมหนึ่งฐานข้อมูลกฎฟัซซี่รวมถึงกฎทั้งสองที่เกี่ยวข้องกับการประเมินค่า Z (เช่นสำหรับการวิเคราะห์/เครื่องยนต์ตามกฎ)กฎข้อที่ 1: หากราคาน้ำมันมีค่ามากกว่า 100 ดอลลาร์/บาร์เรลอย่างมีนัยสำคัญหุ้นของ บริษัท น้ำมันน่าจะเพิ่มขึ้นมากกว่า 10 เปอร์เซ็นต์กฎข้อที่ 2: หากปริมาณการขายสูงหุ้นของ บริษัท น้ำมันอาจเพิ่มขึ้นมากนอกจากนี้ยังมีข้อมูลอินพุตนี้: ราคาน้ำมันอยู่ที่ 120 ดอลลาร์/บาร์เรลปริมาณการขายอยู่ที่ $ 20B;และโบนัสแรงจูงใจของผู้บริหารเป็นหน้าที่ของราคาหุ้นของ บริษัทแบบสอบถามหรือเอาท์พุทที่ต้องการคือ:
Q4: ความเป็นไปได้ของโบนัสแรงจูงใจผู้บริหารระดับสูงคืออะไร?
ในศูนย์รวมแห่งหนึ่งของกฎเกณฑ์กฎ/โมดูลจะประเมินค่าความจริงของสิ่งที่มาก่อนของกฎเช่นหลังจากความหมายของความหมายสำหรับคำที่คลุมเครือต่าง ๆตัวอย่างเช่นค่าความจริงของสิ่งที่มาก่อนของกฎข้อที่ 1ราคาน้ำมันเป็นอย่างมีนัยสำคัญมากกว่า 100 ดอลลาร์/บาร์เรลได้รับการประเมินโดยใช้การประเมินฟังก์ชั่นการเป็นสมาชิก 120 (ต่อการป้อนข้อมูลข้อมูล) ในชุดฟัซซี่อย่างมีนัยสำคัญมากกว่า 100 ดอลลาร์/บาร์เรล(ดูเช่น
โดยที่ j เป็นดัชนีสำหรับกฎฟัซซี่ทริกเกอร์ (ในตัวอย่างนี้จาก 1 ถึง 2)ตัวอย่างเช่นในระบบควบคุมที่ใช้ผลิตภัณฑ์สหสัมพันธ์และการอนุมานเพิ่มเติมข้อ จำกัด ของ PX(ม.x, Sx) มีการพิจารณาดังนี้เช่นสำหรับต่าง ๆ (Mx, Sx-
ในศูนย์รวมหนึ่งμP
y = g(sp) =ก(CSP+X-f-X-
ในศูนย์รวมเดียวเช่นเดียวกับในตัวอย่างก่อนหน้านี้Ω, การวัดความน่าจะเป็นของกyถูกกำหนดสำหรับ p ต่างๆX(เช่น (Mx, Sx)) ผู้สมัครในศูนย์รวมหนึ่งμสูงสุดPX(ม.x, Sx) สำหรับΩ (หรือΩ bin) ถูกกำหนดและใช้เป็นฟังก์ชันการเป็นสมาชิกของμโดย(Ω)ในอีกคำหนึ่งในตัวอย่างนี้เอาต์พุตของเอ็นจินกฎมีข้อ จำกัด ใน PX(หรือพารามิเตอร์ของมัน) คล้ายกับตัวอย่างก่อนหน้านี้และเอาต์พุตนี้ใช้เพื่อกำหนดข้อ จำกัด ในการวัดความน่าจะเป็นใน Y
ตัวอย่างที่ 3
ในศูนย์รวมหนึ่งเช่นในการวินิจฉัยของเครื่องยนต์รถยนต์กฎภาษาธรรมชาติดังต่อไปนี้“ โดยปกติเมื่อเครื่องยนต์ทำเสียงตบอย่างแรงและมันดังขึ้นอย่างมากหรือเร็วขึ้นเมื่อหมุนเครื่องยนต์โซ่เวลาจะหลวม”ถูกแปลงเป็น protoform เช่น:
ในศูนย์รวมหนึ่งผู้ใช้เช่นผู้เชี่ยวชาญระบุการเป็นสมาชิกของเสียงเอ็นจิ้นเฉพาะผ่านส่วนต่อประสานผู้ใช้เช่นผู้ใช้ระบุว่าค่าความจริงของเสียงเครื่องยนต์ที่รั่วไหลเป็น 70%ในศูนย์รวมหนึ่งผู้ใช้ระบุค่าความจริงดังกล่าวเป็นชุดฟัซซี่เช่นสูงปานกลางสูงมากในศูนย์รวมหนึ่ง z-mouse ถูกใช้เพื่อระบุค่าฟัซซี่ (เช่นฟังก์ชันการเป็นสมาชิก) ของแอตทริบิวต์ต่าง ๆ ของเสียง (เช่นเสียงดังจังหวะเสียงพิทช์/การส่งเสียงแหลม)ตัวอย่าง Z-Mouse นั้นให้ผ่านส่วนต่อประสานผู้ใช้บนอุปกรณ์คอมพิวเตอร์หรือการควบคุมอื่น ๆ เช่นการควบคุมประเภทการเลื่อน/ปุ่มเพื่อควบคุมตำแหน่งและขนาดของเครื่องหมาย F
ในศูนย์รวมหนึ่งเสียงเครื่องยนต์จะได้รับจากโมดูลการจดจำเสียงเช่นผ่านอินพุตไมโครโฟนในศูนย์รวมหนึ่งความดัง (เช่นค่าเฉลี่ยหรือสูงสุดหรือโทนเสียง) ของเสียงเครื่องยนต์จะถูกกำหนดเช่นโดยมิเตอร์เสียง (อะนาล็อกหรือดิจิตอล) หรือโมดูลในศูนย์รวมหนึ่งจังหวะจะถูกกำหนดผ่านความถี่ของความดังหรือใช้สเปกตรัมความถี่ของเสียงที่ได้รับ (เช่นการแยกยอดของยอดเขาในโดเมนความถี่สอดคล้องกับระยะเวลาของรถไฟ (แรงกระตุ้น)เสียงเครื่องยนต์)ในศูนย์รวมหนึ่งค่าของพารามิเตอร์เหล่านี้จะทำฟัซซี่ผ่านการประเมินฟังก์ชั่นการเป็นสมาชิกที่สอดคล้องกัน (เช่นระดับเสียงของเครื่องยนต์) สำหรับการประเมินค่าความจริงของภาคแสดงในกฎฟัซซี่ในศูนย์รวมหนึ่งกฎฟัซซี่ถูกเขียนใหม่เพื่อใช้ความแม่นยำมากขึ้นเช่นหากพร้อมใช้งานตัวอย่างเช่นในศูนย์รวมระดับหนึ่งระดับ (เสียง (revved.engine)) และระดับ (เสียง (revved.engine)) ใช้ค่าที่วัดได้
ในศูนย์รวมเดียวเช่นที่ปรากฎใน
โดยที่ฉันเป็นดัชนีที่ระบุพารามิเตอร์ลายเซ็นของ ithฉัน-คุณฉันเป็นพารามิเตอร์ค่าความจริงทั่วไปใน [0, 1]TSฉันคือคะแนนการทดสอบจากการเปรียบเทียบ A และ B กับ Pฉัน-ม.a, piและμB, PIเป็นค่าฟัซซี่ของ A และ B ที่เกี่ยวกับพารามิเตอร์ลายเซ็น Pฉัน-ตัวอย่างเช่น A หมายถึง rattlingslapping;B แสดงถึงเสียงเครื่องยนต์TS แสดงถึงคุณค่าความจริงของเสียงเครื่องยนต์ที่กำลังแรตติงส์และ TSฉันแสดงถึงการจับคู่คะแนนการทดสอบที่เป็นไปได้ของ A และ B ที่เกี่ยวข้องกับพารามิเตอร์ลายเซ็น (Fuzzy) Pฉันยกตัวอย่างเช่นกำหนดโดยการเปรียบเทียบปริญญาความจริงของ A และ B ใน Pฉัน-ในศูนย์รวมเดียวการเปรียบเทียบที่เกี่ยวข้องกับ Pฉันถูกกำหนดโดย:
ตัวอย่างเช่นตามที่ปรากฎใน
ในศูนย์รวมหนึ่งที่ไม่มีการใช้พารามิเตอร์ลายเซ็นทั้งหมดที่เกี่ยวข้องหรือพร้อมใช้งานสำหรับ A จากนั้นชุดย่อยของพารามิเตอร์ลายเซ็นเหล่านั้นที่ใช้เกี่ยวข้องหรือพร้อมใช้งานสำหรับ A ถูกใช้เพื่อกำหนด TS เช่นโดย จำกัด การใช้ค่าต่ำสุดหรือเฉลี่ยการดำเนินการตามพารามิเตอร์ลายเซ็นเหล่านั้นตัวอย่างเช่น,
ในศูนย์รวมดังกล่าวพารามิเตอร์ลายเซ็นที่เกี่ยวข้องสำหรับ A ถูกระบุตัวอย่างเช่นผ่านการสืบค้นในโมเดลหรือฐานข้อมูลความรู้
ในศูนย์รวมหนึ่งตัวอย่างเช่นเมื่อขั้นต่ำของ TSฉันใช้เพื่อกำหนด TS ความไม่เกี่ยวข้องของพารามิเตอร์ลายเซ็นที่เกี่ยวกับ A อาจแสดงเป็นฟังก์ชั่นการเป็นสมาชิกความจริงของ 1 สำหรับความเป็นไปได้ทั้งหมดตัวอย่างเช่นตามที่ปรากฎใน
ในศูนย์รวมหนึ่งμa, piถูกกำหนดผ่านวิธีการเชิงประจักษ์การตั้งค่าผู้ใช้หรือชุดการฝึกอบรมตัวอย่างเช่นในศูนย์รวมหนึ่งชุดเครื่องยนต์ชุดฝึกซ้อม (แสดงว่าเป็น tKด้วย k จาก 1 ถึง n) ใช้เพื่อกำหนดμa, pi-ในศูนย์รวมหนึ่งค่าความจริงสำหรับองค์ประกอบการฝึกอบรม tKด้วยความเคารพต่อพารามิเตอร์ลายเซ็น (เช่นเป็นหมายเลขที่คมชัดช่วงหรือชุดฟัซซี่)ตัวอย่างเช่นตามที่ปรากฎใน
ในรูปลักษณ์หนึ่ง ผู้ใช้/ผู้เชี่ยวชาญกำหนดค่าความเป็นสมาชิก Verity สำหรับ TKใน A. ในรูปลักษณ์หนึ่ง โมดูลถูกใช้เพื่อกำหนดความสัมพันธ์ระหว่างเสียงประเภทต่างๆ และการวินิจฉัยเครื่องยนต์ที่เกี่ยวข้อง (โดยผู้เชี่ยวชาญ เป็นต้น) ในรูปลักษณ์หนึ่ง ความสัมพันธ์ถูกสร้างขึ้นระหว่างพารามิเตอร์ที่เป็นเอกลักษณ์ของเสียงและการวินิจฉัย (เช่น สำหรับกราฟฟัซซี่หรือกฎฟัซซี่) ในรูปลักษณ์หนึ่ง ประเภทของเสียงทั่วไปและความถี่สูงอาจถูกระบุเป็นพารามิเตอร์ลายเซ็น (เช่น RattlingSlapping อาจถูกนำมาใช้เป็นพารามิเตอร์ลายเซ็นด้วยตัวมันเอง) ดังนั้นในรูปลักษณ์หนึ่ง การสร้างพารามิเตอร์ลายเซ็นใหม่อาจถูกควบคุมโดยกฎคลุมเครือ (เช่น ที่เกี่ยวข้องกับแนวคิดคลุมเครือที่สามารถจัดโครงแบบได้เป็น "ทั่วไป" สำหรับความคล้ายคลึงและ "บ่อยครั้ง") ในรูปลักษณ์หนึ่ง ความน่าเชื่อถือและความสม่ำเสมอของกฎได้รับการปรับปรุงโดยการอนุญาตให้การฝึกอบรมหรือค่าป้อนกลับปรับ μเอ, ไพ-
ในรูปลักษณ์หนึ่ง การวินิจฉัยดังกล่าวถูกใช้ระบบอัตโนมัติ เช่น ในการรักษาตัวเองหรือการซ่อมแซมตัวเอง หรือผ่านระบบ/ระบบย่อย/ส่วนประกอบอื่นๆ
ในรูปลักษณ์หนึ่งจัดให้มีการจดจำเพลงผ่านการวิเคราะห์ที่คล้ายกันของพารามิเตอร์ลายเซ็นของมันและการเปรียบเทียบกับพารามิเตอร์เหล่านั้นจากคลังเพลง/ฐานข้อมูล ในรูปลักษณ์หนึ่ง ประเภทของดนตรี (เช่น คลาสสิค ร็อค และอื่นๆ ในทำนองเดียวกัน) อาจถูกใช้เป็นแนวคิด A แบบคลุมเครือในตัวอย่างนี้
คำถามที่ 5: ความน่าจะเป็นของไทม์มิ่งที่หลวมจะเป็นเท่าใด เมื่อเสียงเครื่องยนต์ดัง “ติ๊ก ติ๊ก แทค แทค” และจะแย่ลงเมื่อหมุนรอบเครื่องยนต์
ในรูปลักษณ์หนึ่ง ตามที่แสดงไว้โดย q5ข้อมูลจำเพาะของอินพุตไปยังระบบไม่ได้อยู่ในรูปแบบของกลไกเสียงจริง (เช่น รูปคลื่นหรือเสียงดิจิทัล) แต่เป็นคำอธิบายที่ไม่ชัดเจนของเสียง กระบวนการแปลงจะประเมินคำอธิบายที่ไม่ชัดเจนเพื่อค้นหาหรือสร้างเสียง/คุณลักษณะ (เช่น ในที่เก็บข้อมูล) ซึ่งอาจได้รับการประมวลผลเพิ่มเติมตามกฎ ตัวอย่างเช่น ในรูปลักษณ์หนึ่ง ภายในบริบท โมดูลจะตีความคำอธิบายคลุมเครือว่า "Tick" และ "Tack" เป็นรูปแบบโทนเสียงของเสียงที่ฉับพลัน ในรูปลักษณ์หนึ่ง ลำดับของการบรรยายดังกล่าวถูกตีความเป็นรูปแบบของเสียงดังกล่าว ด้วยคุณลักษณะเหล่านี้ ในรูปลักษณ์หนึ่ง พารามิเตอร์ลายเซ็นจะถูกกำหนด และตามที่อธิบายไว้ข้างต้น คะแนนการทดสอบที่เกี่ยวข้องกับว่า “Tick, Tick, Tack, Tack” คือ RattlingSlapping หรือไม่ การประเมินภาคแสดงกฎคลุมเครือจะให้คะแนนการทดสอบสำหรับคะแนนความจริงที่จำกัดสำหรับผลที่ตามมา ซึ่งเป็นข้อจำกัดเกี่ยวกับความน่าจะเป็นที่โซ่ไทม์มิ่งหลวม
ในศูนย์รวมหนึ่งเช่นในการจดจำเพลงคำอธิบายที่คล้ายกันของเพลงที่ใช้ในการกำหนด/ค้นหา/ค้นหาผู้สมัครจากห้องสมุดเพลง (หรือข้อมูลเมตา) กับการจับคู่ที่ดีที่สุดและ/หรือการจัดอันดับเมื่อคำอธิบายดังกล่าวมาพร้อมกับข้อเสนออื่น ๆ เช่นผู้ใช้อินพุตที่“ เพลงเป็นแบบคลาสสิก” มันจะมีข้อ จำกัด เพิ่มเติมเพื่อ จำกัด ผู้สมัครเช่นโดยการรวมกันโดยอัตโนมัติของข้อ จำกัด ที่คลุมเครือตามที่กล่าวไว้ในการเปิดเผยนี้หรือผ่านการประเมินกฎฟัซซี่ในเอ็นจิ้นกฎ
ตัวอย่างที่ 4
ในตัวอย่างนี้สมมติว่าข้อเสนออินพุตเหล่านี้ไปยังระบบ: P1: อากาศไม่ค่อยเย็นหรือไม่รุนแรงP2: สถิติจำนวนคนที่ปรากฏขึ้นสำหรับเหตุการณ์สระว่ายน้ำกลางแจ้งได้รับจากฟังก์ชั่นที่มีจุดสูงสุด 100 ที่ 90 ° F. โดยที่ x คืออุณหภูมิสภาพอากาศ:
Q6: มีกี่คนที่จะปรากฏตัวในงานว่ายน้ำ?
ในศูนย์รวมเดียวความแม่นยำของข้อเสนออินพุตอยู่ใน z-valuation (x, ax, bx) ที่ซึ่ง ay เย็นหรือไม่รุนแรงและไม่ค่อยเป็นตัวอย่างเช่นตามที่ปรากฎใน
ในศูนย์รวมเดียวการแยกวิเคราะห์ของ Q6ส่งผลให้คำตอบในรูปแบบของการประเมินค่า z, (y, ay, by) แบบฟอร์มโดยที่ y คือจำนวนคนที่ปรากฏขึ้นสำหรับกิจกรรมสระว่ายน้ำกลางแจ้งในศูนย์รวมเดียวตามที่อธิบายไว้ในการเปิดเผยนี้ผู้สมัครμเอ่ยมีการพิจารณาโดยใช้ F (x) และμขวานผ่านหลักการส่วนขยายตัวอย่างเช่นตามที่ปรากฎใน
คำถามที่ 7: อากาศร้อนมีโอกาสเป็นอย่างไรบ้าง
ในรูปลักษณ์หนึ่ง คำตอบอยู่ในการประเมินค่า Z Y, Ay, by) รูปแบบ โดยที่ Y คืออุณหภูมิ (เหมือนกับ X เช่น Y=F(X)=X) q6ให้yร้อนตัวอย่างเช่นที่ปรากฎใน
Q8;อะไรคืออัตราต่อรองที่มากกว่า 50 คนปรากฏตัวขึ้น?
ในศูนย์รวมหนึ่งคำตอบอยู่ใน z-valuation y, a, a, a,y, by) แบบฟอร์มโดยที่ y คือจำนวนคนที่ปรากฏขึ้นอีกครั้งสำหรับเหตุการณ์สระว่ายน้ำกลางแจ้งและ A มากกว่า 50 ในหนึ่งศูนย์รวมμเอ่ยถูกกำหนดจาก Q8เช่นโดยใช้ฐานข้อมูลโมเดลและกฎตรรกะฟัซซี่สำหรับตัวดัดแปลงภายในบริบทและโดเมนของ Y ตัวอย่างเช่นตามที่ปรากฎใน
Q9: อะไรคืออัตราต่อรองที่มากกว่า 65 คนปรากฏตัว?
ในศูนย์รวมเดียวในทำนองเดียวกันกับข้างต้นμเอ่ยมุ่งมั่นที่จะเป็นฟังก์ชั่นการเป็นสมาชิกขั้นสูงที่มีทางลาดจาก 55 ถึง 65 ตามที่ปรากฎใน
Q10: อะไรคืออัตราต่อรองที่ประมาณ 30 คนปรากฏขึ้น?
ในศูนย์รวมเดียวในทำนองเดียวกันกับข้างต้นμเอ่ยมุ่งมั่นที่จะเป็นฟังก์ชั่นการเป็นสมาชิกรูปสามเหลี่ยมที่มีฐานจากทางลาดจาก 20 ถึง 40 ดังที่ปรากฎใน
แนวทางความเชื่อมั่นต่อหน้าที่การเป็นสมาชิก:
ตามที่กล่าวไว้ข้างต้น ในการประเมินค่า Z (X, A, B) ข้อจำกัดของ X (เช่น สมมุติว่า X เป็นตัวแปรสุ่ม) ในรูปลักษณ์หนึ่ง ถูกกำหนดผ่านทางข้อจำกัดในการแจกแจงความน่าจะเป็นของมัน pXถึงระดับที่หน่วยวัดความน่าจะเป็นของ A กำหนดเป็น
(ขึ้นX(u) du ตอบสนองข้อ จำกัด ที่ (prob (x คือ a) คือ b)ในกรณีเช่นนี้ PXเป็นความน่าจะเป็นพื้นฐาน (ซ่อนเร้น) เดนส์ของ X ในศูนย์รวมหนึ่งวิธีการนี้ใช้มุมมองว่าการประเมินค่า z ดังกล่าวขึ้นอยู่กับการประเมินวัตถุประสงค์กับการกระจายความน่าจะเป็น pxในต่อไปนี้เราพิจารณามุมมองที่ B ไม่จำเป็นต้องกำหนดข้อ จำกัด เกี่ยวกับ PXแต่บนตัวเองตัวอย่างเช่น B สามารถดูได้ว่าเป็นระดับความเชื่อมั่นในผู้พูดของข้อเสนอตัวอย่างเช่นในขณะที่อาจไม่มีความมั่นใจอย่างแน่นอนเกี่ยวกับข้อเสนอที่สร้างขึ้นจากเครื่อง Teller Fortune แบบสุ่ม แต่ข้อเสนอบางอย่างของตัวเองอาจเป็นจริงหรือเป็นไปได้สูงในกรณีเช่นนี้ระดับความเชื่อมั่นที่กำหนดไว้ในข้อเสนอมีส่วนเกี่ยวข้องกับความเชื่อมั่นในแหล่งที่มาของข้อเสนอมากกว่าการ จำกัด การแจกแจงความน่าจะเป็นที่เกี่ยวข้องกับตัวแปรสุ่มที่เกี่ยวข้องกับเนื้อหาของข้อเสนอในอีกตัวอย่างหนึ่งให้ใช้ข้อเสนอ“ ความสูงของเฟร็ดมีความสูงปานกลาง แต่ฉันก็ไม่แน่ใจเกินไป (เพราะฉันจำไม่ได้ดีเกินไป)”ในศูนย์รวมหนึ่งเราใช้ข้อเสนอดังกล่าว (เป็นเรื่องของระดับ) เพื่อให้ความสูงของเฟร็ดอยู่ในระดับปานกลางหรือปานกลางต่ำในสาระสำคัญข้อ จำกัด จาก B ในวิธีการนี้จะถูกกำหนดไม่จำเป็นต้องเป็น PXแต่ไม่ชัดเจนของตัวเองในศูนย์รวมหนึ่งวิธีนี้ให้วิธีการจัดการกับข้อเสนอที่ขัดแย้งกันเช่นโดยการลดระดับความเชื่อมั่นในข้อเสนอดังกล่าว (หรือตัวอย่างเช่นในผู้พูดของข้อเสนอเหล่านั้น) ซึ่งตรงข้ามกับข้อ จำกัด ที่ขัดแย้งกันใน PX-
ดังที่แสดงใน
ในศูนย์รวมเดียวที่ปรากฎตัวอย่างเช่นใน
ในรูปลักษณ์หนึ่ง แผนที่ความเป็นไปได้ของฟังก์ชันสมาชิกของ x ที่เกี่ยวข้องกับ A-อาจถูกกำหนดโดยการวางฟังก์ชั่นการเป็นสมาชิกที่เป็นไปได้ทั้งหมดของ X ด้วยปริญญาสมาชิกที่สอดคล้องกัน (หรือคะแนนทดสอบ) ในก-ตัวอย่างเช่นบนเครื่องบิน (x, η) โดยการลงคะแนนสมาชิกคะแนนสูงสุดในก-) ของฟังก์ชั่นการเป็นสมาชิกที่มีศักยภาพดังกล่าวสำหรับแต่ละจุดในระนาบ (x, η)
ตามที่ปรากฎใน
ในศูนย์รวมเดียวเช่นที่ปรากฎใน 24 ฟังก์ชันสมาชิกη, μอัน. (x0, η) สำหรับค่า x ของ x0หมุนรอบไม่มีซึ่งเป็นค่าของฟังก์ชั่นการเป็นสมาชิกของ x ใน A ที่ x0(เช่น, η0= mอัน(x0-ในศูนย์รวมหนึ่งรูปร่างของμอัน*(x0, η) ขึ้นอยู่กับ B และ X0- ในรูปลักษณ์หนึ่ง รูปร่างของ μอัน*(x0, η) ขึ้นอยู่กับ B และη0- ในรูปลักษณ์ดังกล่าว สำหรับสองค่าของ X เช่น X1และ X4(เช่น ตามที่ปรากฎใน
ในศูนย์รวมเดียวที่ปรากฎตัวอย่างเช่นใน
ในศูนย์รวมเดียวตามที่ปรากฎใน
ในศูนย์รวมเดียวตามที่ปรากฎใน
ในศูนย์รวมหนึ่งความสอดคล้องของ“ X คือ C” เทียบกับ (A, B) ได้รับการประเมินตามระดับที่ C ตอบสนองหรือสอดคล้องกับ a-ที่ค่าต่าง ๆ ของ X. ในศูนย์รวมหนึ่งค่าต่ำสุดของระดับดังกล่าวจะถูกนำมาเป็นระดับที่ c ที่ C เป็นไปตาม (a, b):
ม.อัน
ในศูนย์รวมเดียวกับμอัน*(x0, h) แสดงเป็น mH0, B(h) โดยที่0คือμอัน(x0-
ม.อัน
ในศูนย์รวมหนึ่งความสอดคล้องของ“ X คือ C” เทียบกับ (a, b) ได้รับการประเมินตามระดับที่ C โดยรวมเป็นที่พอใจหรือสอดคล้องกับ a-โดยการใช้ค่าเฉลี่ยหรือค่าเฉลี่ยถ่วงน้ำหนักของความสอดคล้องของ C กับก-เหนือทั้งหมด x:
โดยที่ n คือปัจจัยการทำให้เป็นมาตรฐานและ w (x) เป็นปัจจัยน้ำหนักในศูนย์รวมหนึ่ง W (x) เป็นหนึ่งสำหรับ X ทั้งหมดในศูนย์รวมหนึ่ง W (x) เป็นฟังก์ชั่นของ! .1.a (x)ในศูนย์รวมหนึ่ง W (x) สูงสำหรับค่าสมาชิกต่ำหรือสูงของμอัน(x) และต่ำสำหรับค่ากลางของμอัน(x)ปัจจัยการทำให้เป็นมาตรฐานคือ:
ความสัมพันธ์ข้างต้นอาจแสดงในรูปแบบซิกม่าแทนอินทิกรัลถ้า x เป็นตัวแปรประเภทที่ไม่ต่อเนื่อง
ในศูนย์รวมเดียวตามที่ปรากฎใน
TS-″Z) = mอัน
ในศูนย์รวมหนึ่งฟังก์ชั่นการเป็นสมาชิกหลายคู่ใน X และ Y อาจแมปกับฟังก์ชั่นการเป็นสมาชิกเดียวกันใน Z ตัวอย่างเช่นที่ปรากฎใน
ขึ้นอยู่กับการกระจายความเป็นไปได้ของ x และ y เป็น ′xและ A ′y, ตามลำดับและ z = f (x, y), แผนที่ไปยังการกระจายความเป็นไปได้ของ z เป็น ′Z-
ดังนั้นในศูนย์รวมฟังก์ชั่นการเป็นสมาชิกที่เป็นไปได้ของ X และ Y ซึ่งเป็นของฟัซซี่ชุดกx-และy-ใช้เพื่อกำหนดฟังก์ชั่นการเป็นสมาชิกที่สอดคล้องกันของ Z โดยมีระดับการเป็นสมาชิกในกx-พิจารณาผ่านหลักการส่วนขยาย (จากองศาการเป็นสมาชิกของฟังก์ชั่นการเป็นสมาชิกที่เป็นไปได้ของ X และ Y ใน Fuzzy Setsx-และy-ตามลำดับ)
ในศูนย์รวมหนึ่งชุดของฟังก์ชั่นการเป็นสมาชิกผลลัพธ์ของ Z (เช่น A ′Z) ด้วยคะแนนการทดสอบที่สอดคล้องกัน (เช่น TS (A ′Z)) ใช้เพื่อตั้งค่าแผนที่ฟัซซี่ (กZ-) อธิบายฟังก์ชั่นการเป็นสมาชิกของ Z:
กล่าวอีกนัยหนึ่งในศูนย์รวมหนึ่งสำหรับทั้งหมดที่เป็นไปได้Z, ผ่านจุด (z, η), คะแนนการทดสอบที่สอดคล้องกันสูงสุดถูกใช้เพื่อกำหนดค่าสมาชิกฟัซซี่ของกZ-สำหรับจุดนั้นในหนึ่งศูนย์xและ A ′yผู้สมัครจะถูกใช้ซ้ำ ๆ เพื่อตรวจสอบ A ′ที่เกี่ยวข้องZ-จากนั้นคะแนนการทดสอบที่สอดคล้องกันสำหรับ a ′จะถูกกำหนดตามค่าสมาชิกของ a′xและ A ′yผู้สมัครในกx-และy-ตามลำดับเพื่อขับเคลื่อนการทำแผนที่Z-ในศูนย์รวมหนึ่งระนาบ (z, η) ถูก granulized เป็นส่วน (เช่นพิกเซลหรือเม็ด)ในศูนย์รวมเดียวตามที่ปรากฎใน
ในศูนย์รวมหนึ่งแทนที่จะใช้วิธีการจากฟังก์ชั่นการเป็นสมาชิกผู้สมัครจากโดเมน X และ Y เพื่อมาถึงฟังก์ชั่นการเป็นสมาชิกที่เกิดขึ้นที่ z โดเมนผู้สมัครจะถูกนำมาจากโดเมน X และ Y เพื่อมาถึงโดเมน Z โดยตรงโดยที่สมาชิกฟังก์ชั่นใน X และ Y มีความคมชัด (เช่นกxและy), ฟังก์ชั่นสมาชิกที่ได้ใน Z มีแบบฟอร์มต่อไปนี้:
เมื่อสมาชิกฟังก์ชั่นใน X และ Y มีความคลุมเครือ (เช่นกx-และy-) แผนที่ผลลัพธ์ในโดเมน Z ในศูนย์รวมหนึ่งจะแสดงเป็น:
หรือแสดงเป็น:
ในศูนย์รวมหนึ่งแผนที่ฟัซซี่ในโดเมน X และ Y จะถูกสแกนและμที่*(z, η) ถูกกำหนดโดย granularizing (z, η) ถึง (zก,ก) ตามที่อธิบายไว้ข้างต้นและแสดงใน
ในศูนย์รวมหนึ่งแผนที่ฟัซซี่นั้นได้มาจากชุดฟัซซี่ของผู้สมัครใน X และ Y (แต่ละสีมีสี/สีเทาเหมือนกันตามร่องรอยของมันเช่นขึ้นอยู่กับสี/สีเทาของแผนที่ฟัซซี่ Ax-หรือy-) และ/หรือการใช้วิธีการแบบอัลฟาในฟังก์ชั่นการเป็นสมาชิกของชุดฟัซซี่ผู้สมัครจากกx-และ/หรือกy-(เช่นอธิบายในการเปิดเผยนี้) เพื่อรับชุดฟัซซีของผู้สมัครและสี/สีเทาที่เกี่ยวข้องของพวกเขาZ-ใน Z.
ในศูนย์รวมหนึ่งแผนที่ฟัซซี่ที่ได้รับเช่นZ-ดังกล่าวข้างต้นใช้เพื่อทดสอบความสอดคล้องกับผู้สมัคร A ด้านบนซึ่งเป็นวิธีการที่จะได้รับคะแนนการทดสอบสำหรับความสอดคล้องดังกล่าวในศูนย์รวมหนึ่งแผนที่ฟัซซี่ตามตัวเลือกดังกล่าวZใช้เพื่อกำหนดความสอดคล้องของคู่ (Z, bZ) กับแผนที่ที่ได้รับZ--ในศูนย์รวมหนึ่งระดับความเชื่อมั่น BZมีการพิจารณาเพื่อให้ (กZ, bZ) เป็นตัวแทนประมาณของแผนที่ที่ได้รับZ--ตามที่ปรากฎใน
ในรูปลักษณ์หนึ่ง แผนที่คลุมเครือจะถูกเปรียบเทียบเพื่อความสอดคล้องมากกว่า (x และ η) เช่น โดยการเปรียบเทียบสี/ระดับสีเทาที่จุด/รายละเอียดที่สอดคล้องกัน ในรูปลักษณ์หนึ่ง น้ำหนักถูกกำหนดให้กับการเปรียบเทียบดังกล่าวโดยที่ความแตกต่างของระดับสี/ระดับสีเทาหรือความเป็นไปได้ของค่าสมาชิกดังกล่าวในแต่ละแผนที่มีขนาดใหญ่ ในรูปลักษณ์หนึ่ง การเปรียบเทียบคะแนนการทดสอบระหว่างแผนที่ฟัซซี่ถูกกำหนดหาโดยการครอบคลุมแบบจุด (เช่น ด้วยน้ำหนัก) ในรูปลักษณ์หนึ่ง เกณฑ์หรือกฎคลุมเครือถูกใช้เพื่อให้ได้ระดับความครอบคลุมแบบจุดผ่านการสรุปหรือการบูรณาการเหนือแผนที่หรือส่วนของแผนที่ (ตัวอย่างเช่น โดยที่ A* อยู่เหนือขีดจำกัด)
ในรูปลักษณ์หนึ่ง ดังตัวอย่างที่แสดงไว้ใน
ในศูนย์รวมเดียวตามที่ปรากฎใน
ในศูนย์รวมเดียวตามที่ปรากฎใน
ในศูนย์รวมหนึ่ง Ca, lและ Slขึ้นอยู่กับ xฉันหรือμอัน(xฉัน-
ในศูนย์รวมหนึ่งแผนที่ฟัซซี่ก-ถูกสร้างขึ้นโดยทั้งด้านข้างและแนวตั้งฟัสซ
ในศูนย์รวมหนึ่งภูมิภาคฟัซซี่μXI, H, A(x, η) ถูกเลือกให้แยก (x, η) เป็นส่วนประกอบในแนวตั้งและแนวนอนเช่น::::
ม.x
ในศูนย์รวมหนึ่งการทดสอบข้างต้นนั้น จำกัด อยู่ที่ชุดของจุดลายเซ็น (เช่นการกำหนดมุมของμขวานหรือค่าที่กำหนดไว้ล่วงหน้าบางค่าของ η) ในรูปลักษณ์ดังกล่าว โครงร่างมาตราส่วนสี/สีเทา (เช่น นูน) ถูกกำหนดให้กับจุดที่อยู่ติดกัน (x′, η′) ซึ่งมีการกำหนด μ เหมือนกันอัน*(x ′,40) ค่า. จากนั้นซองจดหมายจะถูกกำหนดค่าระดับสี/สีเทาทั่วไปที่ μอัน*(x′, η′). ในรูปลักษณ์หนึ่ง การห่อหุ้มของรูปทรงเหล่านี้กำหนด μอัน*(x, น)
ตัวอย่างที่ 5
ในรูปลักษณ์หนึ่ง กลไกกฎคลุมเครือใช้กฎคลุมเครือโดยมี A* อยู่ข้างหน้า เช่น:
ถ้า (Xเป็นอัน*) แล้ว (yเป็นC), ที่ไหนอัน*=(ฉันกX, by-
ในศูนย์รวมหนึ่งข้อเสนออินพุตเช่น x คือ d, d, d, d, d, d, d, d, d, d, d, d, is deมด) ของสิ่งที่มาก่อนของกฎในหนึ่งศูนย์มดจะถูกกำหนดตามความครอบคลุมของ A* เทียบกับ D เช่นคะแนนการทดสอบในหนึ่งศูนย์มดถูกกำหนดจาก (μA*∧μd) ดังที่แสดงไว้ใน
ในศูนย์รวมหนึ่งตำแหน่งเซนทรอยด์ของμสูงสุด (ηmin)(ปรากฎว่าηCใน
การวางนัยทั่วไปของแนวคิดบางอย่าง: (ก) ความมั่นใจที่ชัดเจนของผู้พูด:
ตัวอย่างเช่น เริ่มจากข้อความต่อไปนี้: “เหตุการณ์ A หายากมาก” ลองพิจารณาสถานการณ์ต่อไปนี้: บุคคล B (แหล่งข้อมูล ผู้พูด หรือผู้เขียน) กล่าวว่า: “เหตุการณ์ A เกิดขึ้นน้อยมาก และฉันมั่นใจในเหตุการณ์นั้น” ในตัวอย่างนี้ คำว่า "หายาก" หมายถึงความถี่ทางสถิติของเหตุการณ์ A ที่เกิดขึ้น “ความมั่นใจในข้อความข้างต้น” บ่งบอกถึงความมั่นใจ “ที่ปรากฏ” ของผู้พูด (บุคคล ในกรณีนี้ ระดับของ “ความมั่นใจที่ปรากฏชัดของผู้พูด” นั้นอยู่ในระดับสูง โปรดทราบว่านี่เป็นเพียงความมั่นใจที่ “ปรากฏชัด” ของผู้พูดเท่านั้น ผู้พูด และอาจไม่ใช่ความมั่นใจที่ “แท้จริง” ของผู้พูด เนื่องจากพารามิเตอร์ที่กล่าวถึงด้านล่าง เช่น ความสัตย์จริงของผู้พูด (ซึ่งอาจทำให้ความมั่นใจที่ปรากฏแตกต่างจากความมั่นใจที่แท้จริงของผู้พูด)
ในโมเดลหนึ่ง ระดับความเชื่อมั่นที่ชัดเจนของผู้พูดจะถูกตั้งค่าไว้ระหว่าง 0 ถึง 1 ในลักษณะแกน (หรือมาตราส่วน) ที่ถูกทำให้เป็นมาตรฐาน เช่น ซึ่งสอดคล้องกับความเชื่อมั่นที่ชัดเจนของระดับผู้พูดเป็นศูนย์ (ขั้นต่ำ) และความเชื่อมั่นที่ชัดเจนสูงสุดของ ระดับผู้พูดตามลำดับ
โปรดทราบว่าบางครั้งผู้พูดบอกว่า "เหตุการณ์ A นั้นหายากมาก" และเขาไม่ได้พูดถึง "และฉันคิดว่ามันเป็นเรื่องจริง"ในคำแถลงของเขาอย่างไรก็ตามผู้ฟังอาจสรุปได้ว่าผู้พูดตั้งใจจะพูดว่า“ เหตุการณ์ A นั้นหายากมากและฉันคิดว่ามันเป็นเรื่องจริง” ซึ่งอาจเข้าใจได้จากบริบทของคำแถลงโดยผู้พูด
(ข) ความจริงของผู้พูด:
ในรูปลักษณ์หนึ่ง บุคคล B (ผู้พูด) อาจมีอคติหรือความศรัทธาที่ไม่ดี หรืออาจเป็นคนโกหก (เช่น สำหรับข้อความ “เหตุการณ์ A นั้นเกิดขึ้นน้อยมาก”) ตัวอย่างเช่น เขาอาจโกหกบ่อยมาก หรือเขาอาจโกหกบ่อยๆ เฉพาะเรื่องใดเรื่องหนึ่งหรือในบริบทเฉพาะเท่านั้น หรือเราอาจมีประวัติการโกหกมาจากบุคคล B (เป็นแหล่งข้อมูล) ในทุกกรณีเหล่านี้ บุคคล B “โดยเจตนา” บิดเบือนความเชื่อของตนเอง เมื่อเขาแสดงข้อความของเขาด้วยวาจาหรือลายลักษณ์อักษร แน่นอน ถ้าความเชื่อของเขาเองนั้นผิด (ในตอนแรก) ผลลัพธ์สุดท้าย (คำพูดที่บิดเบี้ยวของเขา) อาจจะถูกต้องหรือถูกต้องบางส่วนก็ได้ ดังนั้นสำหรับผู้พูดคนใดก็ตามที่มีอคติ มีศรัทธาที่ไม่ดี หรือเป็นคนโกหก ระดับของ “ความจริงของผู้พูด” จึงถือว่าต่ำ ระดับของ “ความจริงของผู้พูด” มักจะถูกซ่อนไว้หรือไม่เป็นที่รู้จักของผู้ฟังหรือผู้อ่าน
ในแบบจำลองหนึ่ง ระดับของความจริงของผู้พูดจะถูกตั้งค่าระหว่าง 0 ถึง 1 เป็นแกนมาตรฐาน (หรือมาตราส่วน) ตัวอย่างเช่น ซึ่งสอดคล้องกับศูนย์ (ขั้นต่ำ) และความจริงสูงสุดของระดับของลำโพง ตามลำดับ ตัวอย่างเช่น 0 และ 1 ตรงกับผู้พูดที่ "โกหก" เสมอ และ "ไม่โกหก" เสมอ ตามลำดับ
โปรดทราบว่า "ความจริงของถ้อยคำ" นั้นแตกต่างจาก "ความจริงของผู้พูด"
(ค) ความเชี่ยวชาญของวิทยากร:
อีกปัจจัยหนึ่งคือระดับความเชี่ยวชาญหรือความรู้ของบุคคลเกี่ยวกับเรื่องใดเรื่องหนึ่ง (หรือบุคคลสามารถวิเคราะห์ข้อมูลที่ได้รับในเรื่องนั้นได้ดีเพียงใด หรือบุคคลสามารถแสดงความคิดและข้อสรุปต่อผู้อื่นโดยใช้ภาษาและวลีที่ถูกต้องได้ดีเพียงใด ). ตัวอย่างเช่น หากเหตุการณ์ A เป็นเรื่องเกี่ยวกับดาราศาสตร์และผู้บรรยายมีความรู้เกี่ยวกับดาราศาสตร์น้อยหรือไม่มีเลย "ระดับความเชี่ยวชาญของผู้พูด" (หรือแหล่งข้อมูล) ก็ต่ำ ในแบบจำลองหนึ่ง ระดับความเชี่ยวชาญของผู้พูดจะถูกตั้งค่าระหว่าง 0 ถึง 1 หรือ 0 ถึง 100 เปอร์เซ็นต์ ในรูปแบบแกน (หรือมาตราส่วน) ที่ทำให้เป็นมาตรฐาน เช่น ซึ่งสอดคล้องกับระดับความเชี่ยวชาญเป็นศูนย์ (ขั้นต่ำ) และสูงสุด ตามลำดับ
(ง) การรับรู้ของผู้พูด:
อีกปัจจัยหนึ่งคือระดับของ "การรับรู้ของผู้พูด" เกี่ยวกับเหตุการณ์หรือหัวข้อ ตัวอย่างเช่น บุคคลที่มีสายตาไม่ดี (และไม่มีแว่นตา) ไม่สามารถเป็นพยานที่ดีในการสังเกตเหตุการณ์ด้วยสายตาจากระยะไกล เช่น เป็นพยานในศาล ในแบบจำลองหนึ่ง ระดับการรับรู้ของผู้พูดจะถูกตั้งค่าระหว่าง 0 ถึง 1 ตามมาตราส่วนแกนปกติ) เช่น ซึ่งสอดคล้องกับระดับศูนย์ (ขั้นต่ำ) และสูงสุด ตามลำดับ
(จ) ความน่าเชื่อถือของผู้พูด:
ต่อไปนี้เป็นพารามิเตอร์ใหม่ “ความน่าเชื่อถือของผู้พูด” ซึ่งขึ้นอยู่กับปัจจัยอย่างน้อย 4 ประการที่กล่าวข้างต้น:
-
- 1—ระดับของ “ความมั่นใจที่ชัดเจนของผู้พูด”
- 2—ระดับของ “ความจริงของผู้พูด”
- 3—ระดับของ “ความเชี่ยวชาญของผู้พูด”
- 4—ระดับของ “การรับรู้ของผู้พูด”
เช่น ดังแสดงใน
-
- 1—ระดับ “ความมั่นใจที่ชัดเจนของผู้พูด” อยู่ในระดับสูง &
- 2—ระดับของ “ความจริงของผู้พูด” อยู่ในระดับสูง &
- 3—ระดับ “ความเชี่ยวชาญของผู้พูด” อยู่ในระดับสูง &
- 4—ระดับ “การรับรู้ของผู้พูด” อยู่ในระดับสูง
ในโมเดลหนึ่ง ระดับของ “ความน่าเชื่อถือ” ของผู้พูดจะถูกตั้งค่าระหว่าง 0 ถึง 1 ในลักษณะแกน (หรือมาตราส่วน) ที่ทำให้เป็นมาตรฐาน เช่น ซึ่งสอดคล้องกับระดับศูนย์ (หรือต่ำสุด) และระดับความน่าเชื่อถือสูงสุด ตามลำดับ
โปรดทราบว่าในบางสถานการณ์ “ความมั่นใจที่เห็นได้ชัดของผู้พูด” อาจขึ้นอยู่กับหรือเกี่ยวพันกับข้อความนั้นหรือปัจจัยอื่นใดที่กล่าวถึงข้างต้น เช่น “การรับรู้ของผู้พูด”
(ฉ) ความแน่นอนของผู้พูด:
ในทำนองเดียวกัน ต่อไปนี้เป็นอีกปัจจัยหนึ่งคือ “ความแน่นอน” ของผู้พูด ซึ่งขึ้นอยู่กับปัจจัยอย่างน้อย 4 ประการที่กล่าวมาข้างต้น:
-
- 1—ระดับของ “ความมั่นใจที่ชัดเจนของผู้พูด”
- 2—ระดับของ “ความจริงของผู้พูด”
- 3—ระดับของ “ความเชี่ยวชาญของผู้พูด”
- 4—ระดับของ “การรับรู้ของผู้พูด”
เช่น ดังแสดงใน
-
- 1— ระดับของ "ความเชื่อมั่นที่ชัดเจนของผู้พูด" สูง &
- 2— ระดับของ“ ความจริงของผู้พูด” คือสูงหรือต่ำ (แต่ไม่ใช่ปานกลาง)(เช่นเมื่อความจริงของผู้พูดใกล้เคียงกับ 1 หรือ 0 แต่ห่างจาก 0.5) &
- 3— ระดับของ "ความเชี่ยวชาญของผู้พูด" สูง &
- 4— ระดับของ“ การรับรู้ของผู้พูด” สูง
ในรุ่นเดียวระดับของ“ ความแน่นอนของผู้พูด” ของคำสั่งถูกตั้งค่าระหว่าง 0 ถึง 1 เป็นแกนปกติ (หรือมาตราส่วน) ตัวอย่างเช่นสอดคล้องกับศูนย์ (หรือต่ำสุด) และระดับความมั่นใจสูงสุดตามลำดับ
โปรดทราบว่าในคำจำกัดความของเราที่นี่มีความแตกต่างระหว่าง "ความมั่นใจ" และ "ความน่าเชื่อถือ" (ของผู้พูด)ตัวอย่างเช่นผู้พูดอาจมีความน่าเชื่อถือต่ำ แต่มีความมั่นใจสูงตัวอย่างเช่นสำหรับผู้พูดเสมอ (เช่นเมื่อระดับความเป็นจริงของผู้พูดคือ 0) ผู้พูดมีความน่าเชื่อถือต่ำ (สำหรับผู้ฟัง) แต่มีระดับสูงนั่นคือสำหรับผู้พูดเสมอ (เช่นไม่ใช่ "น่าเชื่อถือ") ข้อสรุปจากคำสั่งกลายเป็นสิ่งที่ตรงกันข้ามของคำสั่งดั้งเดิมซึ่งหมายความว่าผู้พูดมีความมั่นใจในระดับสูง (สำหรับผู้ฟัง)ตัวอย่างเช่นสำหรับลำโพง lial เสมอคำสั่ง“ เหตุการณ์ A นั้นหายากมาก” ผลลัพธ์ในข้อสรุปต่อไปนี้สำหรับผู้ฟัง:“ เหตุการณ์ A ไม่ได้หายากมาก”นั่นคือเมื่อผู้ฟังรู้ (หรือมีความรู้) ว่าผู้พูดเป็นผู้พูดเสมอผู้ฟังยังคงสามารถ "นับ" "ย้อนกลับ" ของคำสั่งที่ได้รับจากผู้พูด (ด้วยระดับสูง”).
ในอีกตัวอย่างหนึ่งสำหรับผู้พูดที่“ บางครั้งโกหก” (เช่น“ บางครั้งคนยกทรง” โดยมีระดับความจริงของผู้พูดประมาณ 0.5)“ ความมั่นใจ” เกี่ยวกับผู้พูดอยู่ในระดับต่ำ
(g) ความกว้างของคำสั่ง:
ทีนี้มาดูปัจจัยอีกประการหนึ่งว่า“ ระดับของความกว้างของคำแถลง” พร้อมตัวอย่างบางส่วนตัวอย่างเช่นในการตอบคำถามที่ว่า“ สีของตารางคืออะไร” คำสั่ง“ สีของตารางอาจเป็นสีเขียวสีน้ำเงินหรือสีแดง”มีระดับความกว้างสูงกว่าคำสั่ง“ สีของตารางเป็นสีเขียว” ซึ่งเกี่ยวกับข้อมูลเกี่ยวกับสีของตาราง
ตัวอย่างเช่นในการตอบคำถามที่ว่า“ การประชุมเริ่มต้นเมื่อใด” คำแถลง“ การประชุมอาจเริ่มในอีกไม่กี่ชั่วโมงข้างหน้า” มีระดับความกว้างสูงกว่าคำแถลงว่า“ การประชุมเริ่มต้นเวลา 10.00 น..” ด้วยความเคารพต่อข้อมูลเกี่ยวกับเวลาเริ่มต้นของการประชุม
ในแบบจำลองหนึ่ง ระดับของ "ความกว้าง" ของคำสั่งจะถูกตั้งค่าระหว่าง 0 ถึง 1 ในลักษณะแกนมาตรฐาน (หรือมาตราส่วน) ตัวอย่างเช่น ซึ่งสอดคล้องกับระดับความกว้างเป็นศูนย์ (หรือต่ำสุด) และสูงสุด (หรือ 100 เปอร์เซ็นต์) ตามลำดับ
(h) ความช่วยเหลือของคำสั่ง:
ตอนนี้ลองดูที่พารามิเตอร์อื่นระดับของ "ความช่วยเหลือ" (สำหรับคำสั่ง (สำหรับผู้ฟังหรือผู้อ่าน)) ซึ่งขึ้นอยู่กับอย่างน้อยพารามิเตอร์ 2 ตัวต่อไปนี้:
-
- 1 - ระดับ "ความมั่นใจของผู้พูด" ของข้อความ
- 2—ระดับของ “ความกว้างของข้อความ”
ระดับของ "ประโยชน์ของข้อความ" คือการวัดข้อมูลของข้อความ (สำหรับผู้ฟังหรือผู้อ่านหรือผู้รับข้อมูล) ซึ่งมีบริบทมาก (เช่น ขึ้นอยู่กับคำถามที่ถาม)
เช่น ดังแสดงใน
-
- 1—ระดับของ “ความมั่นใจของผู้พูด” ของข้อความอยู่ในระดับสูง &
- 2—ระดับของ "ความกว้างของข้อความ" ต่ำ (กล่าวคือ ข้อความมีความ "เฉพาะเจาะจงมาก")
ในแบบจำลองหนึ่ง ระดับของ “ความช่วยเหลือ” ของคำสั่งจะถูกตั้งค่าระหว่าง 0 ถึง 1 ในลักษณะแกนมาตรฐาน (หรือมาตราส่วน) ตัวอย่างเช่น ซึ่งสอดคล้องกับระดับศูนย์ (หรือขั้นต่ำ) และระดับความช่วยเหลือสูงสุด ตามลำดับ ระดับของ “ความช่วยเหลือ” ของข้อความหรือข้อมูล (I) แสดงโดยฟังก์ชัน H(I)
โปรดทราบว่าพารามิเตอร์ทั้งหมดข้างต้น (เช่น ระดับของความช่วยเหลือ) สามารถแสดงเป็นเปอร์เซ็นต์ระหว่าง 0 ถึง 100 เปอร์เซ็นต์ (หรือตามมาตราส่วนอื่นใด แทนที่จะเป็นมาตราส่วน 0 ถึง 1 ตามลำดับ) พารามิเตอร์ด้านบน (เช่น ระดับของความช่วยเหลือ) สามารถแสดงได้ด้วยการนำเสนอแบบคลุมเครือเช่นกัน
แอปพลิเคชั่นบางตัว:
พารามิเตอร์ข้างต้นมีประโยชน์สำหรับสถานการณ์ที่ได้รับอินพุตหรือข้อมูลจากแหล่งข้อมูลตั้งแต่หนึ่งแหล่งขึ้นไป และต้องการประเมิน กรอง เรียงลำดับ จัดอันดับ ขุดข้อมูล ตรวจสอบ คะแนน รวม ค้นหาและลบหรือแยกความขัดแย้ง สรุป ลดความซับซ้อน ค้นหา และลบ หรือแยกความซ้ำซ้อน วิพากษ์วิจารณ์ วิเคราะห์ สรุป หรือเน้นการรวบรวมชิ้นส่วนข้อมูลหรือข้อมูลจากหลายแหล่งที่มีระดับความน่าเชื่อถือ ความน่าเชื่อถือ ชื่อเสียง น้ำหนัก ความเสี่ยง อัตราส่วนความเสี่ยงต่อผลประโยชน์ การให้คะแนน สถิติ หรือผลงานที่ผ่านมา
ตัวอย่างเช่น พารามิเตอร์เหล่านี้มีประโยชน์สำหรับบรรณาธิการบทความ (เช่น Wikipedia ซึ่งมีผู้เขียนหลายคนที่มีระดับความน่าเชื่อถือ ความรู้ และอคติต่างกัน) โปรแกรมค้นหาในฐานข้อมูลหรือบนอินเทอร์เน็ต (โดยมีข้อมูลที่มาจากแหล่งต่างๆ ที่มีระดับต่างกัน ความเชื่อมั่นหรือความน่าเชื่อถือ) เศรษฐกิจหรือการคาดการณ์ตลาดหุ้น (ขึ้นอยู่กับอินพุตพารามิเตอร์ที่แตกต่างกันหรือความคิดเห็นของนักวิเคราะห์ที่แตกต่างกัน และเหตุการณ์ทางการเมือง ธรรมชาติ และเศรษฐกิจต่างๆ) การตรวจสอบประวัติความเป็นมาเพื่อความปลอดภัยสำหรับบุคคล (ขึ้นอยู่กับอินพุตหลายรายการจากแหล่งที่มาและผู้คนต่างๆ โดยแต่ละรายมีความน่าเชื่อถือและความเสี่ยงด้านความปลอดภัยที่แตกต่างกัน) ความคิดเห็นหรือการวินิจฉัยของแพทย์ (อิงจากแพทย์ที่มีความเชี่ยวชาญและประสบการณ์ที่หลากหลาย ข้อมูลจากบทความและหนังสือต่างๆ และข้อมูลจากการวัดและอุปกรณ์ต่างๆ) การจองเที่ยวบินและโรงแรมออนไลน์ (พร้อมข้อมูล จากเว็บไซต์และตัวแทนการท่องเที่ยวหลายแห่ง ซึ่งแต่ละแห่งมีความน่าเชื่อถือและความมั่นใจที่แตกต่างกัน) เว็บไซต์การประมูล (ซึ่งมีความน่าเชื่อถือ ความน่าเชื่อถือ ประวัติ และการให้คะแนนของผู้ขายต่างกัน) ปรับแต่งและซื้อคอมพิวเตอร์ออนไลน์ (ด้วยราคาและความน่าเชื่อถือของผู้ขายที่แตกต่างกัน ความน่าเชื่อถือ ประวัติ และการให้คะแนนโดยผู้ใช้รายอื่น) ความคิดเห็นของลูกค้า (ที่มีความน่าเชื่อถือที่หลากหลาย) การลงคะแนนในประเด็น (ที่มีอคติต่างๆ) การทำเหมืองข้อมูล (จากแหล่งต่างๆ ที่มีความน่าเชื่อถือและน้ำหนักต่างกัน) และการรวบรวมข่าวสาร (จากหลายแหล่ง) ของข่าวทางโทรทัศน์หรืออินเตอร์เน็ต โดยมีความน่าเชื่อถือและน้ำหนักต่างๆ)
ในรูปลักษณ์หนึ่ง แหล่งข้อมูล (S) อาจได้รับข้อมูลนำเข้าหรือข้อมูลจากแหล่งอื่นหนึ่งแหล่งหรือมากกว่า ในรูปลักษณ์หนึ่ง มีเครือข่ายของแหล่งอื่น เชื่อมต่อแบบขนานหรือแบบอนุกรม หรือในการรวมกันหรือของผสมของแหล่งอื่นในโครงแบบที่ต่างกัน ในรูปลักษณ์หนึ่ง แหล่งข้อมูล S0 จัดหาข้อมูลบางอย่างให้กับแหล่งข้อมูลอื่น S1 ในรูปแบบลำดับชั้น (โดยแต่ละแหล่งทำหน้าที่เป็นโหนดในโครงสร้าง) เช่น ในแผนภูมิต้นไม้ ปิรามิด หรือโครงร่างแบบลำดับชั้น (ที่มีหลายสาขา) เชื่อมโยงถึงกัน) โดยผู้ฟังรวบรวมข้อมูลทั้งหมดจากแหล่งต่างๆ แล้ววิเคราะห์เพื่อสรุปผลจากข้อมูลที่ได้รับทั้งหมด ดังแสดงใน
ดังนั้นความน่าเชื่อถือโดยรวมและความน่าเชื่อถือโดยรวมของระบบ (หรือพารามิเตอร์อื่น ๆ ที่อธิบายระบบ) ขึ้นอยู่กับ (เป็นหน้าที่ของ) ส่วนประกอบหรือสายโซ่ของแหล่งที่มาในสาขาที่เกี่ยวข้อง กลับไปยังแหล่งที่มา ( s) ข้อมูล นั่นคือเพื่อความน่าเชื่อถือโดยรวม R เรามี:
R=ฟังก์ชัน (Rส0รS1- - - รเอสเอ็ม-
สำหรับแหล่ง m ในสายโซ่ โดยเริ่มจาก S0
ในรูปลักษณ์หนึ่ง สำหรับแหล่งข้อมูล เมื่อมันผ่านมาทางน้ำตกหรือสายโซ่ของแหล่งที่มา จุดอ่อนที่สุดจะครอบงำผลลัพธ์ ตัวอย่างเช่น ลิงก์หรือแหล่งที่มาที่ไม่น่าเชื่อถือที่สุดจะกำหนดหรือครอบงำความน่าเชื่อถือโดยรวม ในรูปลักษณ์หนึ่ง สิ่งนี้สามารถสร้างแบบจำลองตามฟังก์ชัน MINIMUM สำหรับค่าความน่าเชื่อถือสำหรับหลายแหล่ง ในรูปลักษณ์หนึ่ง ค่านี้สามารถยึดตามฟังก์ชัน AND ระหว่างค่าต่างๆ ในรูปลักษณ์หนึ่ง สิ่งนี้สามารถอิงกับการบวกของค่าผกผันได้ เช่น:
(1/R)=(1/R1)+(1/R2- - - +(1/Rเอ็น-
(ด้วย r เป็นความน่าเชื่อถือโดยรวมและ rnเป็นความน่าเชื่อถือสำหรับแหล่งที่มา n)
ในศูนย์รวมหนึ่งแหล่งที่มาเป็นแหล่งอิสระในศูนย์รวมหนึ่งแหล่งที่มานั้นขึ้นอยู่กับแหล่งที่มา (ขึ้นอยู่กับกันและกัน)
หนึ่งในข้อดีของการวิเคราะห์ฟัซซี่ที่กล่าวถึงที่นี่ในการเปิดเผยนี้คือระบบสามารถจัดการข้อมูลที่ขัดแย้งและซ้ำซ้อนเพื่อจัดเรียงและสรุปจากอินพุตต่างๆ
ในศูนย์รวมหนึ่งข้อมูลสามารถผ่านแหล่งที่มาเป็นท่อเฉพาะ (โดยไม่มีการเปลี่ยนแปลงที่ได้รับจากข้อมูลที่ได้รับโดยแหล่งที่มาเอง)ในศูนย์รวมอื่นข้อมูลสามารถสร้างวิเคราะห์และ/หรือแก้ไขโดยแหล่งที่มาตามอินพุตทั้งหมดไปยังแหล่งที่มาและ/หรือขึ้นอยู่กับฐานความรู้ของแหล่งที่มา (หรือฐานข้อมูล) และโปรเซสเซอร์ (หรือ CPU, คอนโทรลเลอร์, การวิเคราะห์โมดูล, คอมพิวเตอร์หรือไมโครโปรเซสเซอร์, เพื่อวิเคราะห์, แก้ไข, แก้ไข, แปลง, ผสม, รวม, สรุป, สรุปหรือประมวลผลข้อมูล)
ในศูนย์รวมหนึ่งแหล่งข้อมูลมีพารามิเตอร์ขึ้นอยู่กับเวลาตัวอย่างเช่นความน่าเชื่อถือหรือความน่าเชื่อถือของการเปลี่ยนแปลงแหล่งที่มาเมื่อเวลาผ่านไป (เกี่ยวกับวิชาเฉพาะหรือวิชาทั้งหมด)หรืออคติของแหล่งที่มาอาจเปลี่ยนไปสำหรับหัวข้อหรือหัวเรื่องที่เฉพาะเจาะจงเมื่อเวลาผ่านไป
ตัวอย่างอาคารข่าว, หนังสือพิมพ์, รายการวิทยุ, รายการวิทยุ, รายการทีวี, ข่าวทีวีหรือแหล่งอินเทอร์เน็ตอาจมีอคติที่กำหนดไว้ล่วงหน้าหรือมีแนวโน้มไปยังบุคคลที่เฉพาะเจาะจงความคิดทางการเมืองวาระทางสังคมหรือวาระทางเศรษฐกิจซึ่งอาจเปลี่ยนแปลงเนื่องจากการจัดการใหม่เจ้าของหรือโฮสต์
เครื่องมือค้นหาและระบบตอบคำถาม:
ส่วนหนึ่งของส่วนนี้เป็นส่วนหนึ่งของบทความโดยหนึ่งในนักประดิษฐ์ของเราในเรื่องของเครื่องมือค้นหาชื่อ“ จากเครื่องมือค้นหาไปจนถึงระบบตอบคำถาม” ปรากฏใน“ Fuzzy Logic และ Semantic Web” แก้ไขโดย Elie Sanchez, 2006Elsevier B. V. สำนักพิมพ์บทที่ 9 หน้า 163-210
สำหรับรูปลักษณ์หนึ่ง สำหรับเครื่องมือค้นหาหรือระบบตอบคำถาม เป้าหมายหลักประการหนึ่งคือความสามารถในการหักล้าง ความสามารถในการสังเคราะห์คำตอบของแบบสอบถามโดยดึงข้อมูลจากเนื้อหาที่อยู่ในส่วนต่างๆ ของฐานความรู้ ตามคำนิยาม ระบบการตอบคำถามหรือเรียกสั้นๆ ว่าระบบถามตอบคือระบบที่สามารถหักลดหย่อนได้ อุปสรรคประการแรกคือความรู้ทางโลก ซึ่งเป็นความรู้ที่มนุษย์ได้รับผ่านประสบการณ์ การสื่อสาร และการศึกษา ตัวอย่างง่ายๆ ได้แก่: “ถนนน้ำแข็งนั้นลื่น” “พรินซ์ตันมักจะหมายถึงมหาวิทยาลัยพรินซ์ตัน” “ปารีสเป็นเมืองหลวงของฝรั่งเศส” และ “ไม่มีนักการเมืองที่ซื่อสัตย์” ความรู้ระดับโลกมีบทบาทสำคัญในการค้นหา การประเมินความเกี่ยวข้อง และการสรุป
ปัญหาเกี่ยวกับความรู้ของโลกคือส่วนใหญ่คือการรับรู้การรับรู้-และโดยเฉพาะอย่างยิ่งการรับรู้ถึงความน่าจะเป็นไม่ชัดเจนภายในสะท้อนความจริงที่ว่าอวัยวะประสาทสัมผัสของมนุษย์และในที่สุดสมองมีความสามารถในการแก้ไขรายละเอียดและข้อมูลร้านค้าความไม่แน่นอนของการรับรู้ยืนอยู่ในวิธีการใช้เทคนิคทั่วไป-เทคนิคซึ่งขึ้นอยู่กับตรรกะและทฤษฎีความน่าจะเป็นแบบไบวัท-เพื่อจัดการกับข้อมูลการรับรู้ภาวะแทรกซ้อนเพิ่มเติมคือความรู้ของโลกส่วนใหญ่คือความรู้เชิงลบในแง่ที่ว่ามันเกี่ยวข้องกับสิ่งที่เป็นไปไม่ได้และ/หรือไม่มีอยู่จริงตัวอย่างเช่น“ บุคคลไม่สามารถมีพ่อสองคนได้” และ“ เนเธอร์แลนด์ไม่มีภูเขา”
อุปสรรคประการที่สองมุ่งเน้นไปที่แนวคิดเรื่องความเกี่ยวข้อง มีบทความมากมายเกี่ยวกับความเกี่ยวข้อง และเครื่องมือค้นหาทุกรายการเกี่ยวข้องกับความเกี่ยวข้องในลักษณะของตัวเอง บางส่วนมีความซับซ้อนในระดับสูง ความเกี่ยวข้องมีสองประเภท: (ก) ความเกี่ยวข้องของคำถาม และ (ข) ความเกี่ยวข้องของหัวข้อ ทั้งสองเป็นเรื่องของระดับ ตัวอย่างเช่น ในระดับพื้นฐาน หากคำถามคือ q: จำนวนรถยนต์ในแคลิฟอร์เนีย? และข้อมูลที่มีอยู่คือ p: ประชากรของรัฐแคลิฟอร์เนียคือ 37,000,000 แล้ว p ถึง q มีความเกี่ยวข้องระดับใด อีกตัวอย่างหนึ่ง: บทความเรื่อง "แนวทางใหม่ในการทำความเข้าใจภาษาธรรมชาติ" เกี่ยวข้องกับหัวข้อการแปลด้วยเครื่องในระดับใด
โดยพื้นฐานแล้ว มีสองวิธีในการประเมินความเกี่ยวข้อง: (a) ความหมาย; และ (b) เชิงสถิติ เพื่อแสดงให้เห็นในตัวอย่างจำนวนรถยนต์ ความเกี่ยวข้องของ p ถึง q เป็นเรื่องของความหมายและความรู้ของโลก ในเครื่องมือค้นหาที่มีอยู่ ความเกี่ยวข้องส่วนใหญ่เป็นเรื่องของสถิติ ซึ่งเกี่ยวข้องกับการนับจำนวนลิงก์และคำ โดยแทบไม่ต้องคำนึงถึงความหมายใดๆ เลย การประเมินความเกี่ยวข้องเชิงความหมายทำให้เกิดปัญหายากๆ ซึ่งวิธีแก้ปัญหาอยู่นอกเหนือขอบเขตของตรรกะแบบไบวาเลนต์และทฤษฎีความน่าจะเป็น สิ่งที่ควรสังเกตคือการประเมินความเกี่ยวข้องของหัวข้อสามารถแก้ไขได้มากกว่าการใช้เทคนิคทางสถิติ ซึ่งอธิบายว่าทำไมเครื่องมือค้นหาที่มีอยู่จึงดีกว่ามากในการประเมินความเกี่ยวข้องของหัวข้อมากกว่าความเกี่ยวข้องของคำถาม
อุปสรรคประการที่สามคือการหักล้างข้อมูลจากการรับรู้ จากตัวอย่างพื้นฐาน สมมติว่าคำถามคือ q: ความสูงเฉลี่ยของชาวสวีเดนคือเท่าไร และข้อมูลที่มีอยู่คือ p: ชาวสวีเดนที่เป็นผู้ใหญ่ส่วนใหญ่มีส่วนสูง อีกตัวอย่างหนึ่งคือ โดยปกติแล้ว Robert จะกลับมาจากที่ทำงานเวลาประมาณ 18.00 น. ความน่าจะเป็นที่โรเบิร์ตจะถึงบ้านเวลาประมาณ 18.15 น. เป็นเท่าใด ทั้งตรรกะแบบไบวาเลนต์และทฤษฎีความน่าจะเป็นไม่ได้ให้เครื่องมือที่มีประสิทธิภาพในการจัดการกับปัญหาประเภทนี้ ความยากมีศูนย์กลางอยู่ที่การหักจากสถานที่ซึ่งมีทั้งความไม่แน่นอนและไม่แน่ชัด
ปัญหาพื้นฐานของความรู้ของโลก ความเกี่ยวข้อง และการอนุมานนั้นเป็นปัญหาพื้นฐานมาก—ปัญหาของการทำความเข้าใจภาษาธรรมชาติ ความรู้ทางโลกและความรู้ทางเว็บส่วนใหญ่แสดงออกมาในภาษาธรรมชาติ โดยพื้นฐานแล้วภาษาธรรมชาติคือระบบสำหรับการอธิบายการรับรู้ เนื่องจากการรับรู้มีความไม่แม่นยำในตัว ภาษาธรรมชาติจึงมีความไม่แม่นยำเช่นกัน โดยเฉพาะอย่างยิ่งในขอบเขตของความหมาย
ข้อกำหนดเบื้องต้นในการใช้กลไกในการทำความเข้าใจภาษาธรรมชาติคือการกำหนดความหมายของแนวคิดและข้อเสนอที่ดึงมาจากภาษาธรรมชาติ เพื่อจัดการกับความรู้ระดับโลก ความเกี่ยวข้อง การอนุมาน และความแม่นยำของโลกอย่างมีประสิทธิผล จำเป็นต้องมีเครื่องมือใหม่ เครื่องมือใหม่ที่สำคัญ ได้แก่ Precisiated Natural Language (PNL); ทฤษฎีต้นแบบ (PFT); และทฤษฎีความไม่แน่นอนทั่วไป (GTU) เครื่องมือเหล่านี้มาจากตรรกะคลุมเครือ ซึ่งเป็นตรรกะที่ทุกสิ่งทุกอย่างเป็นหรือได้รับอนุญาตให้เป็นเรื่องของระดับ
หัวใจสำคัญของเครื่องมือใหม่คือแนวคิดเรื่องข้อจำกัดทั่วไป ความสำคัญของแนวคิดเรื่องข้อจำกัดทั่วไปเกิดขึ้นจากข้อเท็จจริงที่ว่าใน PNL และ GTU นั้นทำหน้าที่เป็นพื้นฐานสำหรับการสรุปมุมมองที่เป็นที่ยอมรับในระดับสากลว่าข้อมูลมีลักษณะทางสถิติ โดยเฉพาะอย่างยิ่ง จุดเริ่มต้นใน PNL และ GTU เป็นหลักฐานพื้นฐานที่โดยทั่วไป ข้อมูลสามารถแสดงได้เป็นระบบของข้อจำกัดทั่วไป โดยข้อมูลทางสถิติจะถือเป็นกรณีพิเศษ ดังนั้น มุมมองทั่วไปของข้อมูลจึงเป็นสิ่งจำเป็นในการจัดการกับความรู้ของโลก ความเกี่ยวข้อง การอนุมาน ความแม่นยำ และปัญหาที่เกี่ยวข้องในโลกอย่างมีประสิทธิผล ดังนั้น การก้าวกระโดดควอนตัมใน IQ ของเครื่องมือค้นหาจึงไม่สามารถทำได้โดยการใช้วิธีการที่ยึดตามตรรกะแบบไบวาเลนต์และทฤษฎีความน่าจะเป็น
ความสามารถในการหักล้างเป็นความสามารถที่สำคัญมากซึ่งโดยทั่วไปเครื่องมือค้นหาในปัจจุบันยังพัฒนาไม่เต็มที่ อย่างไรก็ตาม สิ่งที่ควรสังเกตก็คือ มีระบบถามตอบเพื่อวัตถุประสงค์พิเศษที่ใช้กันอย่างแพร่หลายจำนวนมากซึ่งมีความสามารถในการหักเงินจำกัด ตัวอย่างของระบบดังกล่าว ได้แก่ ระบบทิศทางการขับขี่ ระบบจอง ระบบวินิจฉัย และระบบผู้เชี่ยวชาญเฉพาะทางโดยเฉพาะด้านการแพทย์
เป็นเรื่องที่น่าสนใจทางประวัติศาสตร์ที่จะต้องทราบว่าระบบการตอบคำถามเป็นเป้าหมายของความสนใจอย่างมากในช่วงต้นทศวรรษที่เจ็ดสิบ วรรณกรรมเต็มไปด้วยเอกสารที่เกี่ยวข้องกับพวกเขา ความสนใจในระบบการตอบคำถามลดน้อยลงในช่วงต้นทศวรรษที่ 1980 เมื่อเห็นได้ชัดว่า AI ไม่ได้ก้าวหน้าเพียงพอที่จะจัดหาเครื่องมือและเทคโนโลยีที่จำเป็น ในช่วงไม่กี่ปีที่ผ่านมา มีความก้าวหน้าที่สำคัญในการปรับปรุงความฉลาดทางเว็บผ่านการใช้แนวคิดและเทคนิคที่เกี่ยวข้องกับ Semantic Web, OWL, CYC และแนวทางอื่นๆ แต่แนวทางดังกล่าวซึ่งใช้ตรรกะแบบไบวาเลนต์และทฤษฎีความน่าจะเป็นกลับไม่สามารถทำงานได้ เหตุผลที่ยังไม่ได้รับการยอมรับอย่างกว้างขวางในขณะนี้ก็คือตรรกะแบบไบวาเลนต์และทฤษฎีความน่าจะเป็นที่ใช้ตรรกะแบบไบวาเลนต์มีข้อจำกัดที่แท้จริง เพื่อหลีกเลี่ยงข้อจำกัดเหล่านี้ สิ่งที่จำเป็นคือเครื่องมือใหม่ที่ใช้ตรรกะคลุมเครือและทฤษฎีความน่าจะเป็นที่ใช้ตรรกะคลุมเครือ สิ่งที่ทำให้ตรรกะคลุมเครือแตกต่างจากระบบตรรกะมาตรฐานก็คือ ในตรรกะคลุมเครือ ทุกอย่างหรือได้รับอนุญาตให้สำเร็จการศึกษา กล่าวคือ เป็นเรื่องของระดับ นอกจากนี้ ในตรรกะคลุมเครือ ทุกอย่างได้รับอนุญาตให้ถูกทำให้เป็นเม็ด โดยที่เม็ดเล็กเป็นกลุ่มของค่าที่ถูกดึงเข้าด้วยกันโดยแยกไม่ออก ความคล้ายคลึง หรือความใกล้ชิด คุณลักษณะพื้นฐานของตรรกะคลุมเครือเหล่านี้ทำให้มีอำนาจในการจัดการกับปัญหาที่เกี่ยวข้องกับข่าวกรองเว็บได้มากกว่าเครื่องมือมาตรฐานที่ใช้ตรรกะแบบไบวาเลนต์และทฤษฎีความน่าจะเป็น ความคล้ายคลึงกันคือ: โดยทั่วไป ไม่สามารถสร้างแบบจำลองที่ถูกต้องของระบบไม่เชิงเส้นได้โดยใช้ส่วนประกอบเชิงเส้น
มีอุปสรรคสำคัญสามประการในการอัพเกรดเสิร์ชเอ็นจิ้นเป็นระบบตอบคำถาม: (ก) ปัญหาความรู้โลก; (b) ปัญหาความเกี่ยวข้อง; และ (ค) ปัญหาพื้นฐานของกลไกในการทำความเข้าใจภาษาธรรมชาติ และโดยเฉพาะอย่างยิ่ง ปัญหาพื้นฐานของความแม่นยำของความหมาย เนื่องจากประเด็นที่จะพูดคุยไม่ได้จำกัดอยู่เพียงปัญหาเกี่ยวกับเว็บ การสนทนาของเราจึงมีลักษณะทั่วไป
ปัญหาความรู้ของโลก:
ความรู้ของโลกคือความรู้ที่มนุษย์ได้รับผ่านประสบการณ์ การศึกษา และการสื่อสาร ตัวอย่างง่ายๆ ได้แก่:
-
- อาจารย์ไม่กี่คนที่รวย
- ไม่มีนักการเมืองที่ซื่อสัตย์
- ซานฟรานซิสโกไม่น่าจะมีฝนตกในช่วงกลางฤดูร้อน
- ชาวสวีเดนที่เป็นผู้ใหญ่ส่วนใหญ่มีส่วนสูง
- ไม่มีภูเขาในฮอลแลนด์
- โดยทั่วไปแล้ว Princeton หมายถึงมหาวิทยาลัยพรินซ์ตัน
- ปารีสเป็นเมืองหลวงของฝรั่งเศส
- ในยุโรป อายุที่สามารถเจริญพันธุ์ได้มีตั้งแต่ประมาณ 16 ถึงประมาณ 42 ปี ปัญหาเกี่ยวกับความรู้ของโลกก็คือความรู้ส่วนใหญ่มีพื้นฐานมาจากการรับรู้ ตัวอย่าง:
- ชาวสวีเดนที่เป็นผู้ใหญ่ส่วนใหญ่มีส่วนสูง
- ชาวสวีเดนที่เป็นผู้ใหญ่ส่วนใหญ่จะสูงกว่าชาวอิตาลีที่เป็นผู้ใหญ่ส่วนใหญ่มาก
- โดยปกติแล้วบ้านหลังใหญ่จะมีราคาแพงกว่าบ้านหลังเล็ก
- ไม่มีนักการเมืองที่ซื่อสัตย์
ความรู้จากการรับรู้นั้นไม่แม่นยำโดยเนื้อแท้ ซึ่งสะท้อนถึงความสามารถที่มีขอบเขตของอวัยวะรับความรู้สึก และท้ายที่สุดคือสมอง ในการแก้ไขรายละเอียดและจัดเก็บข้อมูล โดยเฉพาะอย่างยิ่ง ความรู้ที่มีฐานการรับรู้นั้นละเอียดมากในแง่ที่ว่า (ก) ขอบเขตของประเภทการรับรู้นั้นไม่คมชัด (คลุมเครือ) และ (b) ค่าของคุณลักษณะที่รับรู้นั้นไม่ชัดเจน (คลุมเครือ) วิธีการที่ใช้ตรรกะแบบไบวาเลนต์ไม่ได้ให้วิธีการอนุมานจากความรู้ที่มีฐานเป็นการรับรู้ ตัวอย่างเช่น เมื่อพิจารณาจากข้อมูลแล้ว: ผู้ใหญ่ชาวสวีเดนที่เป็นผู้ใหญ่ส่วนใหญ่มีส่วนสูง ไม่สามารถใช้วิธีการที่ใช้ตรรกะแบบไบวาเลนต์ที่มีอยู่เดิมเพื่อหาคำตอบที่ถูกต้องสำหรับคำถามได้ ข้อ 1: โฟลว์ ผู้ใหญ่ชาวสวีเดนจำนวนมากนั้นเตี้ย และ คำถามที่ 2: ความสูงเฉลี่ยของชาวสวีเดนที่เป็นผู้ใหญ่คือเท่าใด
ปัญหาความเกี่ยวข้อง:
ความสำคัญของแนวคิดเรื่องความเกี่ยวข้องนั้นยากที่จะพูดเกินจริง ความเกี่ยวข้องเป็นศูนย์กลางในการค้นหา แท้จริงแล้ว ความสำเร็จในช่วงแรกๆ ของ Google นั้นเนื่องมาจากอัลกอริธึมการจัดอันดับหน้าที่เรียบง่ายแต่ชาญฉลาดสำหรับการประเมินความเกี่ยวข้อง แม้จะมีความสำคัญ แต่ก็ไม่มีคำจำกัดความที่น่าพอใจสำหรับความเกี่ยวข้องในวรรณกรรม
ในความเป็นจริง อาจเป็นที่ถกเถียงกันอยู่ว่า ในกรณีของความรู้ระดับโลก แนวคิดเรื่องความเกี่ยวข้องนั้นซับซ้อนเกินกว่าที่จะให้การรักษาภายใต้กรอบแนวคิดที่จำกัดของตรรกะแบบไบวาเลนต์และทฤษฎีความน่าจะเป็นที่มีพื้นฐานมาจากตรรกะแบบไบวาเลนต์ ปัญหาเฉพาะหน้าคือความเกี่ยวข้องไม่ใช่แนวคิดแบบไบวาเลนต์ ความเกี่ยวข้องเป็นเรื่องของระดับ กล่าวคือ มันเป็นแนวคิดที่คลุมเครือ เพื่อกำหนดแนวคิดคลุมเครือ สิ่งที่จำเป็นคือโครงสร้างแนวคิดของตรรกศาสตร์คลุมเครือ ตามที่ระบุไว้ข้างต้น ในตรรกะคลุมเครือ ทุกอย่างเป็นหรือได้รับอนุญาตให้เป็นเรื่องของระดับ
เพื่อความเป็นรูปธรรม จะสะดวกในการกำหนดฟังก์ชันที่เกี่ยวข้อง R(q/p) เป็นฟังก์ชันที่อาร์กิวเมนต์แรก q เป็นคำถามหรือหัวข้อ อาร์กิวเมนต์ที่สอง p คือข้อเสนอ หัวข้อ เอกสาร เว็บเพจ หรือชุดของวัตถุดังกล่าว และ R คือระดับที่ p เกี่ยวข้องกับ q เมื่อ q เป็นคำถาม การคำนวณ R(q/p) จะเกี่ยวข้องกับการประเมินระดับความเกี่ยวข้องของ p ถึง q โดยที่ p มีบทบาทเป็นข้อมูลที่เกี่ยวข้องกับคำถาม ตัวอย่างเช่น ถ้า q: จำนวนรถยนต์ในแคลิฟอร์เนียเป็นเท่าใด และ p: ประชากรของรัฐแคลิฟอร์เนียคือ 37 ล้านคน แล้ว p จะเป็นคำถามที่เกี่ยวข้องกับ q ในแง่ที่ว่า p เป็นข้อจำกัดของจำนวนรถยนต์ในแคลิฟอร์เนีย แม้ว่าจะไม่ถูกต้องก็ตาม ข้อจำกัดเป็นหน้าที่ของความรู้ทางโลก
หาก q เป็นหัวข้อ เช่น q: Ontology ดังนั้นเอกสารที่มีชื่อว่า p: Ontology คืออะไร มีความเกี่ยวข้องที่ชัดเจนกับ q กล่าวคือ p มีความเกี่ยวข้องกับหัวข้อ ปัญหาในทั้งสองกรณีคือการประเมินระดับความเกี่ยวข้อง โดยพื้นฐานแล้ว สิ่งที่เราต้องการคือวิธีการคำนวณระดับความเกี่ยวข้องตามความหมายของ q และ p นั่นคือ เราต้องการความเกี่ยวข้องเชิงความหมาย เครื่องมือค้นหาที่มีอยู่มีความสามารถที่จำกัดมากในการจัดการกับความเกี่ยวข้องทางความหมาย สิ่งที่พวกเขาใช้คือสิ่งที่อาจเรียกว่าความเกี่ยวข้องทางสถิติแทน ในความเกี่ยวข้องทางสถิติ โดยหลักแล้วสิ่งที่ใช้คือสถิติของลิงก์และจำนวนคำ ประสิทธิภาพของวิธีการทางสถิติในการประเมินความเกี่ยวข้องไม่น่าเชื่อถือ
แหล่งที่มาสำคัญของความยากลำบากในการประเมินความเกี่ยวข้องเกี่ยวข้องกับการไม่จัดองค์ประกอบของฟังก์ชันความเกี่ยวข้อง โดยเฉพาะอย่างยิ่ง สมมติว่าเรามีคำถาม q และข้อเสนอสองข้อ p และ r ค่าของ R(q/p, r) สามารถประกอบจากค่าของ R(q/p) และ R(q/r) ได้หรือไม่? คำตอบโดยทั่วไปคือ: ไม่ ขอยกตัวอย่างง่ายๆ ที่ไม่เกี่ยวกับเว็บ สมมติว่า q: เวร่าอายุเท่าไหร่; p: อายุของเวร่าเท่ากับอายุของไอรีน; r: ไอรีนคือ 65 ในกรณีนี้ R(q/p)=R(q/r)=0 และยัง 11(q/p, r)=1 สิ่งนี้บอกเป็นนัยก็คือ โดยทั่วไปแล้ว ความเกี่ยวข้องไม่สามารถประเมินแยกกันได้ สิ่งนี้ชี้ให้เห็นถึงความจำเป็นในการสร้างความแตกต่างระหว่างความเกี่ยวข้องและสิ่งที่อาจเรียกว่า i-relevance นั่นคือ ความเกี่ยวข้องโดยแยกจากกัน กล่าวอีกนัยหนึ่ง ประพจน์ p จะสัมพันธ์กับ i หากเกี่ยวข้องด้วยตัวมันเอง และจะไม่เกี่ยวข้องหากมันไม่เกี่ยวข้องด้วยตัวมันเอง แต่อาจเกี่ยวข้องเมื่อใช้ร่วมกับประพจน์อื่น ๆ
ปัญหาความแม่นยำของความหมาย - ข้อกำหนดเบื้องต้นสำหรับกลไกของความเข้าใจภาษาธรรมชาติ:
ความรู้ทางโลกและความรู้ทางเว็บส่วนใหญ่แสดงออกมาในภาษาธรรมชาติ นี่คือเหตุผลว่าทำไมประเด็นที่เกี่ยวข้องกับความเข้าใจภาษาธรรมชาติและการให้เหตุผลทางภาษาธรรมชาติจึงมีความเกี่ยวข้องโดยตรงกับการค้นหา และยิ่งกว่านั้นคือการตอบคำถาม
มนุษย์ไม่มีปัญหาในการเข้าใจภาษาธรรมชาติ แต่เครื่องจักรก็มีมากมาย ปัญหาพื้นฐานประการหนึ่งคือความไม่ชัดเจนของความหมาย มนุษย์สามารถเข้าใจคำสั่ง เช่น “ก้าวทีละก้าว” แต่เครื่องจักรไม่สามารถทำได้ เพื่อดำเนินการคำสั่งนี้ เครื่องจักรจำเป็นต้องมีความแม่นยำ "น้อย" ความแม่นยำของประพจน์ที่ดึงมาจากภาษาธรรมชาติคือจังหวัดของ P′NL (Precisiated Natural Language) คำนำหน้าของ PNL คือ PRUF ใน PNL ความแม่นยำจะถูกตีความว่าเป็นความหมาย ความแม่นยำ มากกว่า ความแม่นยำตามมูลค่า ข้อเสนอจะถูกกำหนดล่วงหน้าผ่านการแปลเป็นภาษาข้อจำกัดทั่วไป (GCL) องค์ประกอบของ GCL ซึ่งกำหนดตำแหน่ง p เรียกว่า precisiand ของ p, GC(p) โดยที่ GC(p) แสดงถึงข้อจำกัดทั่วไป ความแม่นยำอาจถูกมองว่าเป็นแบบอย่างของความหมาย
แนวคิดที่มีบทบาทสำคัญในการกำหนดความแม่นยำคือการสร้างความเข้มข้น โดยมีความตั้งใจที่ใช้ในความหมายเชิงตรรกะตามปกติว่าเป็นความหมายตามคุณลักษณะ ดังนั้น p และ q จึงมีความเข้มข้นหากความหมายของ p ใกล้เคียงกับค่าของ q ในแง่นี้ ค่าพรีซิเซียนด์ GC(p) จะใช้ได้ก็ต่อเมื่อ GC(p) มีความต่อเนื่องกับ p แนวคิดของ cointensive precisiation มีความสำคัญต่อความถูกต้องของคำจำกัดความของแนวคิด โดยเฉพาะอย่างยิ่ง ถ้า C เป็นแนวคิด และ Def(C) เป็นคำจำกัดความ ดังนั้นเพื่อให้ Def(C) เป็นคำจำกัดความที่ถูกต้อง Def(C) จะต้องสอดคล้องกับ C (ดู
แนวคิดของคำจำกัดความแบบ Cointensive นำไปสู่ข้อสรุปที่สำคัญ: โดยทั่วไป คำจำกัดความแบบ Cointensive ของแนวคิดแบบคลุมเครือไม่สามารถกำหนดได้ภายในโครงสร้างแนวคิดของตรรกะแบบไบวาเลนต์และทฤษฎีความน่าจะเป็นแบบใช้ตรรกะแบบไบวาเลนต์
ดู
-
- PT: ทฤษฎีความน่าจะเป็นแบบไบวาเลนต์-ลอจิกมาตรฐาน
- CTPM : ทฤษฎีการคำนวณความแม่นยำของความหมาย
- PNL: ภาษาธรรมชาติที่แม่นยำ
- CW: คอมพิวเตอร์ด้วยคำพูด
- GTU: ทฤษฎีทั่วไปของความไม่แน่นอน
- GCR: ทฤษฎีการใช้เหตุผลตามข้อจำกัดทั่วไป
แนวคิดของข้อ จำกัด ทั่วไป:
ข้อ จำกัด แพร่หลายข้อ จำกัด ทั่วไปคือการแสดงออกของรูปแบบx∈E C โดยที่ x คือตัวแปรที่ จำกัด และ c คือชุดของค่าที่ x ได้รับอนุญาตให้ใช้ข้อ จำกัด ทั่วไปนั้นยาก (ไม่ยืดหยุ่น) ในแง่ที่ว่าถ้าคุณเป็นค่าของ x คุณจะตอบสนองข้อ จำกัด ถ้าu∈Cเท่านั้น
ปัญหาเกี่ยวกับข้อ จำกัด ที่ยากคือข้อ จำกัด ในโลกแห่งความเป็นจริงส่วนใหญ่ไม่ยากซึ่งหมายความว่าข้อ จำกัด ในโลกแห่งความเป็นจริงส่วนใหญ่มีความยืดหยุ่นในระดับหนึ่งตัวอย่างเช่นข้อ จำกัด “ เวลาตรวจสอบคือ 13.00 น.” และ“ ขีด จำกัด ความเร็วคือ 100 กม./ชม.” ในความเป็นจริงไม่ยากข้อ จำกัด ดังกล่าวจะถูกกำหนดได้อย่างไร?แนวคิดของข้อ จำกัด ทั่วไปได้รับแรงบันดาลใจจากคำถามประเภทนี้
ข้อ จำกัด ในโลกแห่งความเป็นจริงอาจมีรูปแบบที่หลากหลายพวกเขาอาจมีลักษณะง่ายและยังมีโครงสร้างที่ซับซ้อนสะท้อนให้เห็นถึงความเป็นจริงนี้ข้อ จำกัด ทั่วไป GC ถูกกำหนดให้เป็นการแสดงออกของรูปแบบ
GC: X ISR R โดยที่ X คือตัวแปรที่ จำกัดR คือความสัมพันธ์ที่ จำกัด ซึ่งโดยทั่วไปไม่เป็นอุปสรรคและ R เป็นตัวแปรการจัดทำดัชนีซึ่งระบุรูปแบบของข้อ จำกัด นั่นคือความหมายของมันr จะถูกเรียกว่าเป็นค่าเม็ดของ X
ตัวแปรที่ จำกัด x อาจถือว่ามีความหลากหลายของรูปแบบโดยเฉพาะอย่างยิ่ง
-
- x เป็นตัวแปร n-ary, x = (x1,..,., xn-
- x เป็นข้อเสนอ E g x = เลสลี่สูง
- x เป็นฟังก์ชัน
- X เป็นฟังก์ชั่นของตัวแปรอื่น x = f (y)
- X ถูกปรับอากาศบนตัวแปรอื่น x/y
- X มีโครงสร้าง เช่น X=Location(Residence(Carol))
- X เป็นตัวแปรกลุ่มในกรณีนี้มีกลุ่ม G [A];กับสมาชิกแต่ละคนในกลุ่มชื่อฉัน, i = 1,.--, n, เกี่ยวข้องกับค่าแอตทริบิวต์, aฉัน- กฉันอาจเป็นค่าเวกเตอร์ ในเชิงสัญลักษณ์:
- ก[ก]: ชื่อ1/ก1- - - +ชื่อn/กn-
โดยพื้นฐานแล้ว G[A] เป็นความสัมพันธ์
-
- X คือข้อจำกัดทั่วไป X=Y คือ R
ข้อจำกัดทั่วไป GC เชื่อมโยงกับฟังก์ชันคะแนนการทดสอบ ts(u) ซึ่งเชื่อมโยงกับแต่ละออบเจ็กต์ u ซึ่งข้อจำกัดนั้นมีผลบังคับใช้ ระดับที่คุณเป็นไปตามข้อจำกัด โดยปกติแล้ว ts(u) คือจุดในช่วงหน่วย อย่างไรก็ตาม หากจำเป็น คะแนนการทดสอบอาจเป็นเวกเตอร์ องค์ประกอบของกึ่งวงแหวน องค์ประกอบของโครงตาข่าย หรือโดยทั่วไปมากกว่านั้น องค์ประกอบของเซตที่เรียงลำดับบางส่วน หรือการแจกแจงแบบไบโมดัล ฟังก์ชันคะแนนทดสอบจะกำหนดความหมายของข้อจำกัดที่เกี่ยวข้อง
ความสัมพันธ์แบบจำกัด R คือหรือได้รับอนุญาตให้เป็นแบบไม่เป็นแบบไบวาเลนต์ (คลุมเครือ) รูปแบบหลักของข้อจำกัดทั่วไปสรุปได้ดังต่อไปนี้
รูปแบบหลักของข้อจำกัดทั่วไป:
(a) ความเป็นไปได้ (r=ว่าง)
เอ็กซ์ มันคือ
โดยที่ R มีบทบาทในการแจกแจงความเป็นไปได้ของ X ตัวอย่างเช่น
X คือ [a, b]
หมายความว่า [a, b] คือเซตของค่าที่เป็นไปได้ของ X อีกตัวอย่างหนึ่ง:
เอ็กซ์มีขนาดเล็ก
ในกรณีนี้ ชุดคลุมเครือที่มีป้ายกำกับว่าเล็กคือการกระจายความเป็นไปได้ของ X ถ้า μเล็กเป็นฟังก์ชันสมาชิกของ Small ดังนั้นความหมายของ "X มีขนาดเล็ก" จะถูกกำหนดโดย
โพส{X=u}=มเล็ก-คุณ-
โดยที่ u คือค่าทั่วไปของ X
(b) ความน่าจะเป็น (r=p)
X isp R,
โดยที่ R มีบทบาทในการแจกแจงความน่าจะเป็นของ X ตัวอย่างเช่น
X isp N(m, σ2) หมายความว่า X เป็นตัวแปรสุ่มแบบกระจายปกติโดยมีค่าเฉลี่ย m และความแปรปรวน σ2-
ถ้า X เป็นตัวแปรสุ่มซึ่งรับค่าในชุดจำกัด {u1---คุณn} ด้วยความน่าจะเป็นที่เกี่ยวข้อง p1---, Pnจากนั้น x อาจแสดงเป็นสัญลักษณ์เป็นสัญลักษณ์เป็น
X ISP (P1\ u1---+Pn\ un-
ด้วยความหมาย
prob (x = uฉัน) = Pฉัน, (i = 1,... n)
สิ่งสำคัญที่ควรทราบคือในทฤษฎีทั่วไปของความไม่แน่นอน (GTU) ข้อจำกัดความน่าจะเป็นถูกมองว่าเป็นตัวอย่างของข้อ จำกัด ทั่วไป
เมื่อ X เป็นข้อจำกัดทั่วไป นิพจน์
X isp อาร์
ถูกตีความว่าเป็นคุณสมบัติความน่าจะเป็นของ X โดย R เป็นความน่าจะเป็นของ X ตัวอย่างเช่น:
(X มีขนาดเล็ก) น่าจะเป็น
โดยที่ small คือเซตย่อยฟัซซี่ของเส้นจริง หมายความว่าความน่าจะเป็นของเหตุการณ์ฟัซซี่ {X is small} มีแนวโน้มว่าจะเป็นไปได้ โดยเฉพาะอย่างยิ่ง หาก X รับค่าในช่วง [a, b] และ g คือฟังก์ชันความหนาแน่นของความน่าจะเป็นของ X ดังนั้นความน่าจะเป็นของเหตุการณ์คลุมเครือ “X มีค่าน้อย” อาจถูกแสดงเป็นอินทิกรัลต่อไปนี้ ซึ่งถ่ายระหว่าง a และ b ช่วงเวลา:
เพราะฉะนั้น:
นิพจน์นี้สำหรับฟังก์ชั่นการทดสอบคะแนนกำหนดความหมายของคุณสมบัติความน่าจะเป็นของข้อ จำกัด ที่เป็นไปได้
-C) จริง (r = v-
x isv r,
โดยเฉพาะอย่างยิ่ง R มีบทบาทของการกระจายความจริง (ความจริง) ของ X โดยเฉพาะถ้า x ใช้ค่าในชุด จำกัด {u1---คุณn} ด้วยค่า verity (ความจริง) ที่เกี่ยวข้อง t1---, tnจากนั้น x อาจแสดงเป็น
x isv (t1| คุณ1---+tn| คุณn-
หมายความว่า ver (x = uฉัน) = tฉัน, i = 1,.--, n.
ตัวอย่างเช่นถ้าโรเบิร์ตเป็นชาวเยอรมันครึ่งไตรมาสฝรั่งเศสและไตรมาสและจากนั้น
เชื้อชาติ (โรเบิร์ต) ISV (0.5 เยอรมัน +0.25 ฝรั่งเศส +0.25 อิตาลี)
เมื่อ X เป็นข้อจำกัดทั่วไป นิพจน์
X ISV R
ถูกตีความว่าเป็นคุณสมบัติที่แท้จริง (ความจริง) ของ X ตัวอย่างเช่น (X มีขนาดเล็ก) ISV จริงมาก
ควรตีความว่า“ มันเป็นความจริงมากที่ X มีขนาดเล็ก”ความหมายของคุณสมบัติความจริงถูกกำหนดด้วยวิธีนี้
Ver(X คือ R) คือ t→X คือ μR−1(ต)
โดยที่μR−1มีค่าผกผันของฟังก์ชันสมาชิกของ R และ t คือค่าความจริงคลุมเครือซึ่งเป็นสับเซตของ [0, 1] ดังแสดงใน
บันทึก. ชุดฟัซซีมี 2 ประเภท: (a) ความเป็นไปได้ และ (b) veristic ในกรณีของชุดคลุมเครือที่เป็นไปได้ ระดับของสมาชิกภาพคือระดับของความเป็นไปได้ ในกรณีของชุดคลุมเครือแบบ Veristic ระดับความเป็นสมาชิกคือระดับความจริง (ความจริง) เว้นแต่จะระบุไว้เป็นอย่างอื่น ชุดคลุมเครือจะถือว่าเป็นไปได้
(ง) ความคุ้นเคย (r=u)
ปัญหา X R
ข้อจำกัดตามปกติสันนิษฐานว่า X เป็นตัวแปรสุ่ม และความน่าจะเป็นของเหตุการณ์ {X isu R} โดยปกติจะมีบทบาทเป็นความน่าจะเป็นแบบคลุมเครือซึ่งเป็นตัวเลขคลุมเครือ ตัวอย่างเช่น:
X isu เล็ก
หมายความว่า “โดยปกติ X จะเล็ก” หรือเทียบเท่า
โดยทั่วไปแล้ว Prob {X is small}
ในนิพจน์นี้ ค่าเล็กน้อยอาจถูกตีความว่าเป็นค่าปกติของ X แนวคิดเรื่องค่าปกติมีศักยภาพในการมีบทบาทสำคัญในการวิเคราะห์การตัดสินใจ เนื่องจากให้ความรู้มากกว่าแนวคิดเรื่องค่าที่คาดหวัง
(e) ชุดสุ่ม (r=rs)
ใน
X คือ R,
X คือตัวแปรสุ่มที่มีค่าชุดคลุมเครือ และ R คือชุดสุ่มคลุมเครือ
(f) กราฟฟัซซี่ (r=fg)
ใน
X isfg R,
X คือฟังก์ชัน f และ R คือกราฟฟัซซี่ซึ่งจำกัด f (ดู
ร=ก1× B1---+an× Bn-
ที่ aฉันและ Bฉัน, i = 1,.--, n, เป็นชุดย่อยที่คลุมเครือของเส้นจริงและ×เป็นผลิตภัณฑ์คาร์ทีเซียนกราฟฟัซซี่มักถูกอธิบายว่าเป็นคอลเลกชันของกฎที่คลุมเครือหากเป็นเช่นนั้น
R:ถ้าXเป็นอัน1แล้วyเป็นข1, i =1,.--, n.
แนวคิดของข้อ จำกัด กราฟฟัซซี่มีบทบาทสำคัญในการประยุกต์ใช้ตรรกะฟัซซี่
(g) bimodal (r = bm)
ในข้อ จำกัด bimodal
X isbm R,
R คือการกระจายตัวแบบสองโมดัลของแบบฟอร์ม
ร: สฉันพาย\ไอ, i=1, . - - , เลขที่,
ซึ่งหมายความว่า Prob(X คือ Ai) คือ Pi
เพื่ออธิบายความหมายของการแจกแจงแบบไบโมดัล ขอแนะนำให้เริ่มต้นด้วยตัวอย่าง ฉันกำลังพิจารณาซื้อหุ้นฟอร์ด ฉันถามนายหน้าซื้อขายหุ้นของฉันว่า “คุณรับรู้ถึงแนวโน้มหุ้นฟอร์ดในระยะสั้นอย่างไร” เขาบอกฉันว่า “การลดลงปานกลางมีแนวโน้มมาก การลดลงอย่างมากไม่น่าเป็นไปได้ และไม่น่าจะได้กำไรปานกลาง” คำถามของฉันคือ: อะไรคือความน่าจะเป็นที่จะได้กำไรจำนวนมาก?
ข้อมูลที่นายหน้าซื้อขายหลักทรัพย์ของฉันให้ไว้อาจแสดงเป็นชุดของคู่คำสั่งซื้อ:
ราคา: ((ไม่น่าเป็นไปได้, สูงชัน.ลดลง), (มีแนวโน้มมาก, ปานกลาง.ลดลง), (ไม่น่าเป็นไปได้, ปานกลาง.กำไร))
ในคอลเลกชันนี้ องค์ประกอบที่สองของคู่อันดับคือเหตุการณ์คลุมเครือ หรือโดยทั่วไปคือการแจกแจงความเป็นไปได้ และองค์ประกอบแรกคือความน่าจะเป็นแบบคลุมเครือ นิพจน์สำหรับราคาเป็นตัวอย่างของการแจกแจงแบบสองโมดัล
ความสำคัญของแนวคิดเรื่องการแจกแจงแบบไบโมดัลนั้นมาจากข้อเท็จจริงที่ว่าในบริบทของระบบที่มีมนุษย์เป็นศูนย์กลาง การแจกแจงความน่าจะเป็นส่วนใหญ่จะเป็นแบบไบโมดัล การแจกแจงแบบ Bimodal สามารถมีได้หลายรูปแบบ ประเภทหลักคือประเภท 1, ประเภท 2 และประเภท 3 การแจกแจงแบบสองรูปแบบประเภท 1, 2 และ 3 มีกรอบการทำงานร่วมกัน แต่มีรายละเอียดที่สำคัญแตกต่างกัน การแจกแจงแบบไบโมดัลอาจถูกมองว่าเป็นลักษณะทั่วไปที่สำคัญของการแจกแจงความน่าจะเป็นมาตรฐาน ด้วยเหตุนี้ การแจกแจงแบบไบโมดัลของประเภท 1, 2, 3 จึงถูกกล่าวถึงโดยละเอียดยิ่งขึ้นดังต่อไปนี้
-
- ประเภท 1 (ค่าเริ่มต้น): X เป็นตัวแปรสุ่มที่รับค่าเป็น U
A1, . - - , An, A คือเหตุการณ์ (เซตคลุมเครือ)
pi=Prob(X คือ Ai), Prob(X คือ Ai) คือ Pi , i=1, - - , n,
สฉันpi ไม่มีข้อจำกัด
BD: การกระจายแบบไบโมดัล: ((P1,A1), . . . , (Pn,An))
หรือในทำนองเดียวกัน
X isbm (P1 \A1+ . . . +Pn\อัน)
ทีนี้, ความน่าจะเป็น, p, ของ A เป็นเท่าไหร่? โดยทั่วไป ความน่าจะเป็นนี้เป็นมูลค่าชุดคลุมเครือ
กรณีพิเศษของการกระจายแบบไบโมดัลประเภทที่ 1 คือการกระจายแบบไบโมดัลพื้นฐาน (BBD) ใน BBD นั้น X เป็นตัวแปรสุ่มมูลค่าจริง ส่วน X และ P เป็นแบบละเอียด (ดู
-
- ประเภทที่ 2 (ชุดสุ่มคลุมเครือ): X เป็นตัวแปรสุ่มที่มีค่าชุดคลุมเครือพร้อมค่าต่างๆ
- A1, . - - , อัน (ชุดคลุมเครือ)
- pi=Prob(X=Ai), Prob(X คือ Ai) คือ Pi , i=1, - - , n
BD: X isrs (P1\A1+ . . . +Pn\อัน)
สฉันpi = 1,
ที่ PI มีความน่าจะเป็นอย่างละเอียด
ตอนนี้ความน่าจะเป็นคืออะไร P, A?P ไม่สามารถกำหนดได้สิ่งที่แน่นอนคือ (a) มูลค่าที่คาดหวังของความเป็นไปได้ตามเงื่อนไขของ BD ที่กำหนดและ (b) มูลค่าที่คาดหวังของความจำเป็นตามเงื่อนไขของ BD ที่กำหนด
-
- Type 3 (Dempster-shafer): X เป็นตัวแปรสุ่มที่ใช้ค่า x1,--, xn พร้อมความน่าจะเป็น p1,.--, pn.
XI เป็นตัวแปรสุ่มที่ใช้ค่าใน AI, i = 1,--, n
การกระจายความน่าจะเป็นของ XI ใน AI, i = 1,--ไม่ได้ระบุ n
ตอนนี้ความน่าจะเป็นคืออะไร p, x อยู่ใน A?เนื่องจากไม่ได้ระบุการแจกแจงความน่าจะเป็นของ XI ใน AI จึงมีการระบุช่วงเวลาสิ่งสำคัญที่ควรทราบคือแนวคิดของความน่าจะเป็นบนและล่างจะพังทลายลงเมื่อ AI เป็นชุดฟัซซี่
หมายเหตุ: ในการใช้ทฤษฎี Dempster-shafer สิ่งสำคัญคือต้องตรวจสอบว่าโมเดล Data Fit Type 3 หรือไม่ในหลายกรณีโมเดลที่ถูกต้องคือประเภท 1 มากกว่าประเภท 3
ความสำคัญของการแจกแจง bimodal เกิดขึ้นจากความจริงที่ว่าในการตั้งค่าที่เป็นจริงหลายครั้งการกระจาย bimodal เป็นการประมาณที่ดีที่สุดสำหรับสถานะของความรู้ของเราตัวอย่างคือการประเมินระดับความเกี่ยวข้องเนื่องจากความเกี่ยวข้องโดยทั่วไปไม่ได้กำหนดไว้อย่างดีหากฉันถูกขอให้ประเมินระดับความเกี่ยวข้องของหนังสือเกี่ยวกับการเป็นตัวแทนความรู้ในการสรุปสถานะความรู้ของฉันเกี่ยวกับหนังสือเล่มนี้อาจไม่เพียงพอที่จะพิสูจน์คำตอบเช่น 0.7การประมาณสถานะความรู้ที่ดีกว่าของฉันอาจ“ น่าจะสูง”คำตอบดังกล่าวเป็นตัวอย่างของการกระจาย bimodal
(h) กลุ่ม (r = g)
ใน
x isg r,
X คือตัวแปรกลุ่ม G[A] และ R คือข้อจำกัดกลุ่มบน G[A] โดยเฉพาะอย่างยิ่งถ้า X เป็นตัวแปรกลุ่มของแบบฟอร์ม
G [A]: ชื่อ1/a1+--+ชื่อn/หนึ่ง
หรือ
ช-อัน]: สฉันชื่อฉัน/AI,เรียกสั้นๆ ว่าฉัน=1, . - - -เอ็น,
ดังนั้น R คือข้อจำกัดของ Ai เพื่อแสดงให้เห็นว่าหากเรามีกลุ่ม n ชาวสวีเดน ที่มีชื่อฉันเป็นชื่อของ i-th Swede และ Ai เป็นชื่อของชื่อ; ดังนั้นข้อเสนอ "ชาวสวีเดนส่วนใหญ่มีส่วนสูง" จึงเป็นข้อจำกัดของ Ai ซึ่งอาจแสดงเป็น:
(1/n) ΣCount(tall.Swedes) มีค่ามากที่สุด
หรือให้ชัดเจนยิ่งขึ้นว่า
(1/n) (มสูง(ก1- - - + มสูง(กn) มากที่สุด
โดยที่ส่วนใหญ่เป็นปริมาณฟัซซี่ซึ่งแปลเป็นจำนวนฟัซซี่
การดำเนินการบนข้อจำกัดทั่วไป:
มีหลายวิธีที่สามารถดำเนินการกับข้อจำกัดทั่วไปได้ การดำเนินการพื้นฐานซึ่งแสดงในรูปแบบสัญลักษณ์มีดังต่อไปนี้
(ก) การรวมกัน
X คือ R
ย'ส ส
(X, Y) คือ T
ตัวอย่าง (ข้อจำกัดที่เป็นไปได้)
X คือ R
Y คือ S
(X, Y) คือ R×S
โดยที่ × คือผลคูณคาร์ทีเซียน
ตัวอย่าง (ความน่าจะเป็น/ความเป็นไปได้)
X ISP R
(x, y) คือ s
(x, y) ISRS T
ในตัวอย่างนี้ถ้า S เป็นความสัมพันธ์ที่คลุมเครือแล้ว t เป็นชุดสุ่มที่คลุมเครือสิ่งที่เกี่ยวข้องในตัวอย่างนี้คือการรวมกันของข้อจำกัดความน่าจะเป็นและข้อ จำกัด ที่เป็นไปได้ข้อ จำกัด ด้านความน่าจะเป็น/ความเป็นไปได้ประเภทนี้มีบทบาทสำคัญในทฤษฎีหลักฐานของ Dempster-shafer และในการขยายไปสู่ชุดฟัซซี่และความน่าจะเป็นฟัซซี่
ตัวอย่าง (possibilistic/ความน่าจะเป็น)
x คือ r
(x, y) ISP s
y/x isp t
ตัวอย่างนี้ซึ่งเป็นคู่ของตัวอย่างการดำเนินการเป็นตัวอย่างของการปรับสภาพ
(b) การฉายภาพ (เป็นไปได้)
(x, y) คือ r
X คือ S
โดยที่ x ใช้ค่าใน u = {u};y ใช้ค่าใน v = {v};และการฉายภาพ
s = proj × r,
หมายถึง
ม.ส(ยู)=มโปรเจ็ก x อาร์(u)=สูงสุดโวลต์ม.R(คุณ วี)
โดยที่μรและμสเป็นฟังก์ชันสมาชิกของ R และ S ตามลำดับ
(c) การฉายภาพ (ความน่าจะเป็น)
(X, Y) isp อาร์
X isp S
โดยที่ X และ Y เป็นตัวแปรสุ่มมูลค่าจริง และ R และ S คือการแจกแจงความน่าจะเป็นของ (X, Y) และ X ตามลำดับ ฟังก์ชันความหนาแน่นของความน่าจะเป็นของ S, pสเกี่ยวข้องกับ R, pRโดยสมการที่คุ้นเคย
Pส-คุณ)=PR-คุณ, วี-ดีวี
โดยมีอินทิกรัลเข้ามาแทนที่เส้นจริง
(ง) การขยายพันธุ์
f(X) isr R
ก(X) คือเอส
โดยที่ f และ g เป็นฟังก์ชันหรือฟังก์ชัน
ตัวอย่าง (ข้อจำกัดที่เป็นไปได้)
f(X) คือ R
ก(X) คือ S
โดยที่ R และ S เป็นเซตคลุมเครือ ในแง่ของฟังก์ชันสมาชิกของ R ฟังก์ชันสมาชิกของ S ได้จากคำตอบของปัญหาการแปรผัน
ม.S-V) = supคุณ(ม.Rฟ-คุณ-
ขึ้นอยู่กับ
v = g (u)
บันทึก.กฎการแพร่กระจายข้อ จำกัด ที่อธิบายไว้ในตัวอย่างนี้คือหลักการขยายที่รู้จักกันดีของตรรกะฟัซซี่โดยพื้นฐานแล้วหลักการนี้ให้วิธีการคำนวณข้อ จำกัด ที่เป็นไปได้ใน G (x) เนื่องจากข้อ จำกัด ที่เป็นไปได้ใน F (x)
ดู
f (x) คือ
G (x) คือ B
ม.ส(v)=supคุณ(ม.อัน(f (u)))
ขึ้นอยู่กับ
วี=ก(ยู)
ข้อจำกัดหลัก ข้อจำกัดแบบประกอบ และข้อจำกัดมาตรฐาน:
ในบรรดาข้อจำกัดหลักทั่วไป มีสามข้อจำกัดที่มีบทบาทเป็นข้อจำกัดทั่วไปหลักหลัก พวกเขาคือ:
ข้อจำกัดที่เป็นไปได้: X คือ R
ข้อจำกัดความน่าจะเป็น: X isp R
และ
ข้อจำกัดด้าน Veristic: X isv R
กรณีพิเศษของข้อจำกัดหลักคือสิ่งที่อาจเรียกว่าข้อจำกัดมาตรฐาน: ความเป็นไปได้แบบไบวาเลนต์, ความน่าจะเป็น และการยืนยันแบบไบวาเลนต์ ข้อจำกัดมาตรฐานเป็นพื้นฐานสำหรับกรอบแนวคิดของตรรกะแบบไบวาเลนต์และทฤษฎีความน่าจะเป็น ข้อจำกัดทั่วไปหรือ GC จะถูกประกอบเข้าด้วยกันหากสามารถสร้างจากข้อจำกัดทั่วไปอื่นๆ ผ่านการร่วม และ/หรือการฉายภาพ และ/หรือ การขยายพันธุ์ข้อจำกัด และ/หรือคุณสมบัติ และ/หรือการดำเนินการอื่นๆ ตัวอย่างเช่น ข้อจำกัดที่ตั้งค่าแบบสุ่มอาจถูกมองว่าเป็นผลรวมของข้อจำกัดความน่าจะเป็นและข้อจำกัดแบบเป็นไปได้หรือแบบ Veristic ทฤษฎีหลักฐานของเดมป์สเตอร์-เชเฟอร์คือทฤษฎีของข้อจำกัดเซตสุ่มที่เป็นไปได้ กราฟที่มาของข้อจำกัดแบบผสมจะกำหนดวิธีที่จะได้มาจากข้อจำกัดหลัก
ข้อจำกัดหลักสามประการ ได้แก่ ความเป็นไปได้ ความน่าจะเป็น และการยืนยัน มีความสัมพันธ์อย่างใกล้ชิดกับแนวคิดซึ่งมีจุดยืนที่เป็นศูนย์กลางในการรับรู้ของมนุษย์ นั่นคือแนวคิดเรื่องความลำเอียง ในความหมายที่ใช้ในที่นี้ หมายถึงบางส่วน: เรื่องของระดับหรือเทียบเท่าไม่มากก็น้อย, คลุมเครือ ในแง่นี้ แนวคิดของมนุษย์เกือบทั้งหมดมีความลำเอียง (คลุมเครือ) ตัวอย่างแนวคิดที่คลุมเครือที่คุ้นเคย ได้แก่ ความรู้ ความเข้าใจ มิตรภาพ ความรัก ความงาม สติปัญญา ความเชื่อ ความเป็นเหตุเป็นผล ความเกี่ยวข้อง ความซื่อสัตย์ ภูเขา และที่สำคัญที่สุด คือ ความจริง ความน่าจะเป็น และความเป็นไปได้ แนวคิดที่ระบุ C คลุมเครือหรือไม่ การทดสอบง่ายๆ คือ: หาก C สามารถป้องกันความเสี่ยงได้ แสดงว่ามันคลุมเครือ ตัวอย่างเช่น ในกรณีของความเกี่ยวข้อง เราสามารถพูดได้ว่า: เกี่ยวข้องมาก ค่อนข้างเกี่ยวข้อง เกี่ยวข้องเล็กน้อย เป็นต้น ดังนั้น ความเกี่ยวข้องจึงเป็นแนวคิดที่ไม่ชัดเจน
ข้อจำกัดหลักสามประการอาจเปรียบได้กับสีหลักสามสี: สีแดง สีน้ำเงิน และสีเขียว ในแง่ของการเปรียบเทียบนี้ ทฤษฎีความไม่แน่นอนที่มีอยู่อาจถูกมองว่าเป็นทฤษฎีที่ประกอบด้วยส่วนผสมต่างๆ ของข้อจำกัดหลัก ตัวอย่างเช่น ทฤษฎีหลักฐานของเดมป์สเตอร์-เชเฟอร์เป็นทฤษฎีที่ผสมผสานระหว่างข้อจำกัดความน่าจะเป็นและความเป็นไปได้ ทฤษฎีความไม่แน่นอนทั่วไป (GTU) ครอบคลุมส่วนผสมที่เป็นไปได้ทั้งหมด ในแง่นี้ โครงสร้างแนวคิดของ GTU รองรับทฤษฎีความไม่แน่นอนที่มีอยู่ส่วนใหญ่หรือทั้งหมดก็ได้
ภาษาข้อจำกัดทั่วไปและภาษาข้อจำกัดมาตรฐาน:
แนวคิดที่มีตำแหน่งเป็นศูนย์กลางใน PNL คือแนวคิดของ Generalized Constraint Language (GCL) พูดอย่างไม่เป็นทางการ GCL คือชุดของข้อจำกัดทั่วไปทั้งหมดร่วมกับกฎที่ควบคุมไวยากรณ์ ความหมาย และการสร้าง ตัวอย่างง่ายๆ ขององค์ประกอบของ GCL ได้แก่:
((X, Y) isp A)∧(X คือ B)
(X isp A)∧((X, Y) isv B)
โครงการy((X คือ A)∧((X, Y) isp B)),
โดยที่ A เป็นคำเชื่อม
ตัวอย่างง่ายๆ ของกฎความหมายคือ:
(X คือ A)∧(Y คือ B)→Poss(X=u, Y=v)=μอัน(ยู)∧μข(ว)
โดยที่ u และ v เป็นค่าทั่วไปของ X, Y และ μA และ μB เป็นฟังก์ชันสมาชิกของ A และ B ตามลำดับ
โดยหลักการแล้ว GCL เป็นเซตอนันต์ อย่างไรก็ตาม ในแอปพลิเคชันส่วนใหญ่ อาจจำเป็นต้องใช้ GCL ชุดย่อยเพียงเล็กน้อยเท่านั้น
ใน PNL ชุดของข้อจำกัดมาตรฐานทั้งหมดพร้อมกับกฎที่ควบคุมไวยากรณ์ ความหมาย และการสร้างจะประกอบขึ้นเป็น Standard Constraint Language (SCL) SCL เป็นส่วนย่อยของ GCL
แนวคิดของความแม่นยำแบบ Cointensive:
ดังที่ได้กล่าวไปแล้ว ความรู้ทางโลกและความรู้ทางเว็บส่วนใหญ่แสดงออกมาในภาษาธรรมชาติ ด้วยเหตุผลนี้ การใช้เครื่องจักรในการทำความเข้าใจภาษาธรรมชาติจึงมีความเกี่ยวข้องโดยตรงกับการปรับปรุงความฉลาดทางเว็บ ในช่วงไม่กี่ปีที่ผ่านมา มีความก้าวหน้าอย่างมากในด้านภาษาศาสตร์เชิงคำนวณซึ่งเกี่ยวข้องกับกลไกของการทำความเข้าใจภาษาธรรมชาติ แต่สิ่งที่ไม่เป็นที่รู้จักอย่างกว้างขวางก็คือ มีข้อจำกัดพื้นฐานสำหรับสิ่งที่สามารถทำได้ผ่านการใช้วิธีการแสดงความหมายที่ใช้กันทั่วไป จุดมุ่งหมายของสิ่งต่อไปนี้คือ ประการแรกเพื่อเน้นย้ำข้อจำกัดนี้ และประการที่สอง นำเสนอวิธีการกำจัดข้อจำกัดนี้
เพื่อให้เข้าใจถึงธรรมชาติของข้อจำกัด จะต้องพิจารณาข้อเท็จจริงสองประการ ประการแรก ดังที่ได้กล่าวไว้ก่อนหน้านี้ ภาษาธรรมชาติ NL เป็นระบบสำหรับการอธิบายการรับรู้ และประการที่สอง การรับรู้มีความไม่แม่นยำโดยเนื้อแท้ ซึ่งสะท้อนถึงความสามารถที่มีขอบเขตของอวัยวะรับความรู้สึกของมนุษย์ และท้ายที่สุดคือสมอง ในการแก้ไขรายละเอียดและจัดเก็บข้อมูล ผลโดยตรงของความไม่แม่นยำของการรับรู้คือความไม่แม่นยำทางความหมายของภาษาธรรมชาติ ความไม่แม่นยำทางความหมายของภาษาธรรมชาติไม่ใช่ปัญหาสำหรับมนุษย์ แต่เป็นปัญหาสำคัญสำหรับเครื่องจักร
เพื่อชี้แจงปัญหาให้ P เป็นข้อเสนอแนวคิดคำถามหรือคำสั่งสำหรับเครื่องจักรที่จะเข้าใจได้จะต้องมีความแม่นยำนั่นคือแสดงในภาษาที่กำหนดไว้อย่างดีทางคณิตศาสตร์รูปแบบที่มีความแม่นยำของ p, pre (p) จะถูกเรียกว่า precisiand ของ p และจะแสดงเป็น p*วัตถุประสงค์ของ Precisiation, P จะถูกส่งต่อไปยังเราได้อย่างแม่นยำ
ในการกำหนดความแม่นยำ p เราสามารถใช้ภาษาที่มีความหมายเป็นจำนวนมากเช่น Prolog, Predicate Logic, เครือข่ายความหมาย, กราฟแนวคิด, LISP, SQL ฯลฯ ภาษาความหมายที่ใช้กันทั่วไปเป็นภาษาที่ใช้กันทั่วไปตรรกะ.เรากำลังเคลื่อนที่ไปในทิศทางที่ถูกต้องเมื่อเราใช้ภาษาดังกล่าวเพื่อใช้เครื่องจักรกลการทำความเข้าใจภาษาธรรมชาติหรือไม่?คำตอบคือ: ไม่ได้เหตุผลที่เกี่ยวข้องกับปัญหาสำคัญที่เราไม่ได้แก้ไข: cointension ของ p*โดยมีความตั้งใจที่ใช้ในความหมายเชิงตรรกะเป็นความหมายตามแอตทริบิวต์โดยเฉพาะอย่างยิ่ง Cointension คือการวัดความดีของความพอดีของความตั้งใจของ precisiand, p*, ไปยังความตั้งใจของ precisiend, p.ดังนั้น cointension เป็น desideratum ของ precisiationสิ่งนี้แสดงถึงสิ่งนี้คือการใช้กลไกการทำความเข้าใจภาษาธรรมชาติต้องใช้มากกว่าการกำหนดค่า - ซึ่งต้องใช้ความน่าเชื่อถือโปรดทราบว่าคำจำกัดความเป็นรูปแบบของการกำหนดค่าในคำพูดธรรมดาคำจำกัดความจะ coontensive หากความหมายของมันเหมาะสมกับความหมายที่ตั้งใจไว้ของ definiendum
นี่คือที่ที่ข้อ จำกัด พื้นฐานที่พูดพาดพิงถึงก่อนหน้านี้ในภาษาธรรมชาติ, NL, P ส่วนใหญ่มีความคลุมเครือนั่นคือไม่ทางใดก็ทางหนึ่งเป็นเรื่องของระดับตัวอย่างง่ายๆ: ข้อเสนอ“ ชาวสวีเดนส่วนใหญ่สูง” และ“ การกินมากเกินไปทำให้เกิดโรคอ้วน”แนวคิด“ ภูเขา” และ“ ซื่อสัตย์;”คำถาม“ อัลเบิร์ตซื่อสัตย์หรือเปล่า”และสั่ง“ ทำไม่กี่ขั้นตอน”
การจ้างงานของภาษาที่ใช้ความหมายที่ใช้กันทั่วไปเพื่อให้เกิดความแม่นยำในการใช้ P*precisiend Precisiend P*ปัญหาคือโดยทั่วไปแล้ว p* bivalent ไม่ได้ร่วมกันเป็นภาพประกอบง่ายๆให้พิจารณาแนวคิดของการถดถอยคำจำกัดความมาตรฐานของภาวะเศรษฐกิจถดถอยคือ: ระยะเวลาของการลดลงทางเศรษฐกิจทั่วไป;โดยเฉพาะการลดลงของ GDP เป็นเวลาสองไตรมาสหรือมากกว่านั้นในทำนองเดียวกันคำจำกัดความของตลาดหมีคือ: เราจำแนกตลาดหมีว่าลดลง 30 % หลังจาก 50 วันหรือลดลง 13 % หลังจาก 145 วัน(Robert Shuster, Ned Davis Research.) เห็นได้ชัดว่าคำจำกัดความไม่ได้เป็นแบบร่วมกัน
อีกตัวอย่างหนึ่งคือคำจำกัดความคลาสสิกของความมั่นคงพิจารณาลูกบอลเส้นผ่าศูนย์กลาง D ซึ่งวางอยู่บนขวดเปิดที่มีปากมีเส้นผ่านศูนย์กลาง dหาก D ค่อนข้างใหญ่กว่า D การกำหนดค่าจะมีความเสถียร: เห็นได้ชัดว่าเมื่อ D เพิ่มขึ้นการกำหนดค่าจะน้อยลงและมีความเสถียรน้อยลงแต่ตามคำจำกัดความของความเสถียรของ Lyapounov ของ Lyapounov การกำหนดค่ามีความเสถียรสำหรับค่าทั้งหมดของ D มากกว่า dความขัดแย้งนี้เป็นลักษณะของคำจำกัดความที่คมชัดของแนวคิดที่คลุมเครือซึ่งเป็นตัวอย่างที่รู้จักกันดีซึ่งเป็นความขัดแย้งของกรีก (ฮีป)
ขนาดของปัญหาจะปรากฏชัดเจนเมื่อเราพิจารณาว่าแนวคิดหลายอย่างในทฤษฎีทางวิทยาศาสตร์นั้นคลุมเครือ แต่ถูกกำหนดและปฏิบัติราวกับว่าพวกเขากรอบนี่เป็นเรื่องจริงโดยเฉพาะอย่างยิ่งในสาขาที่แนวคิดที่กำหนดไว้คือคำอธิบายของการรับรู้ในการลบข้อ จำกัด พื้นฐานจะต้องถูกทอดทิ้งนอกจากนี้แนวคิดใหม่ความคิดและเครื่องมือจะต้องได้รับการพัฒนาและนำไปใช้เพื่อจัดการกับปัญหาของการตรวจสอบความถูกต้องและการหักลดลงเครื่องมือหลักคือภาษาธรรมชาติที่มีความแม่นยำ (PNL);ทฤษฎี Protoform (PFT);และทฤษฎีทั่วไปของความไม่แน่นอน (GTU)เครื่องมือเหล่านี้เป็นแกนหลักของสิ่งที่อาจเรียกว่าทฤษฎีการคำนวณของความหมายของความหมาย (CTPM)จุดศูนย์กลางของ CTPM เป็นแนวคิดของข้อ จำกัด ทั่วไป
แนวคิดของข้อ จำกัด ทั่วไปมีบทบาทสำคัญใน CTPM โดยให้พื้นฐานสำหรับความหมายที่แม่นยำโดยเฉพาะอย่างยิ่งหาก P เป็นข้อเสนอหรือแนวคิด Precisiand, Pre (P) นั้นแสดงเป็นข้อ จำกัด ทั่วไป GCดังนั้น pre (p) = gcในแง่นี้แนวคิดของข้อ จำกัด ทั่วไปอาจถูกมองว่าเป็นสะพานจากภาษาธรรมชาติไปจนถึงคณิตศาสตร์
ดู
การแปลคำอธิบายประกอบ:
p→X/A isr R/B←GC(p)
การแสดงค่าล่วงหน้าของ p เป็นองค์ประกอบของ GCL เป็นแนวคิดสำคัญใน CTPM แต่ละพรีซิเซียนด์สัมพันธ์กับระดับที่มันมีค่าเท่ากันกับ p เมื่อพิจารณาจาก p ปัญหาก็คือในการค้นหา precisiands ที่มีความ Cointensive นั่นคือ มีระดับสูงของ Cointension ถ้า p เป็นข้อเสนอหรือแนวคิดที่ไม่ชัดเจน โดยทั่วไปแล้วจะไม่มีค่า precisiands ที่ต้องใช้เหรียญมากใน SCL
ใน CTPM จำเป็นต้องมีการปรับปรุงแนวคิดเรื่องความแม่นยำ ประการแรก การสร้างความแตกต่างระหว่าง v-precision (ความแม่นยำในมูลค่า) และ m-precision (ความแม่นยำในความหมาย) ตัวอย่างเช่น ข้อเสนอ p: X คือ 5 มีทั้งแม่นยำแบบ v และแม่นยำ m p: X อยู่ระหว่าง 5 ถึง 7 เป็นค่า v-ไม่แน่ชัด และค่า m-แม่นยำ และ p: X มีขนาดเล็ก มีทั้ง v-ไม่แน่ชัด และ m-ไม่แน่ชัด อย่างไรก็ตาม p สามารถหาค่าความแม่นยำเป็น m ได้โดยนิยามค่าขนาดเล็กเป็นเซตฟัซซี่หรือการแจกแจงความน่าจะเป็น การรับรู้ไม่แน่ชัด v และคำอธิบายคือ m ไม่แม่นยำ PNL ทำให้สามารถอธิบายการรับรู้ได้อย่างแม่นยำ
การทำแกรนูลของตัวแปร เช่น ที่แสดงค่าอายุเป็นเด็ก วัยกลางคน และสูงวัย อาจถูกมองว่าเป็นรูปแบบหนึ่งของการระบุค่า v การทำแกรนูเลชั่นมีบทบาทสำคัญในการรับรู้ของมนุษย์โดยทำหน้าที่เป็นวิธีการ (ก) ใช้ประโยชน์จากความอดทนต่อความไม่แม่นยำผ่านการละเลยข้อมูลที่ไม่เกี่ยวข้อง (b) ลดความแม่นยำและลดต้นทุนลง และ (c) อำนวยความสะดวกในการทำความเข้าใจและการเปล่งเสียง ในตรรกศาสตร์คลุมเครือ การแกรนูลมีค่า m-precisiated ผ่านการใช้แนวคิดของตัวแปรทางภาษา การปรับปรุงแนวคิดเรื่องความแม่นยำเพิ่มเติมนั้นเกี่ยวข้องกับรูปแบบ m-precisiation สองรูปแบบ: (a) แบบมุ่งเน้นที่มนุษย์ แสดงว่าเป็น mh-precisiation; และ (b) เชิงเครื่องจักร ซึ่งแสดงเป็นความแม่นยำระดับมม. เว้นแต่จะระบุไว้ในทางตรงกันข้าม ใน CTPM ความแม่นยำควรเข้าใจว่าเป็นความแม่นยำระดับมิลลิเมตร (ดู
ในพจนานุกรมหรือศัพท์สองรูปแบบ รายการแรก p คือแนวคิดหรือข้อเสนอ รายการที่สอง p* คือ mh-precisiand ของ p; และรายการที่สามคือค่าความแม่นยำ mm ของ p เพื่อแสดงให้เห็น รายการสำหรับภาวะเศรษฐกิจถดถอยอาจอ่านได้: mh-precisi และช่วงที่เศรษฐกิจถดถอยโดยทั่วไป และ mm-precisiand—การลดลงของ GDP ติดต่อกันสองไตรมาสขึ้นไป (ดู
มีการเปรียบเทียบง่ายๆ ซึ่งช่วยให้เข้าใจความหมายของความแม่นยำแบบหยอดเหรียญ โดยเฉพาะ ข้อเสนอ p คล้ายคลึงกับระบบ S; ความแม่นยำนั้นคล้ายคลึงกับไตรโอเดลไลเซชัน precisiand ซึ่งแสดงเป็นข้อจำกัดทั่วไป GC(p) คล้ายคลึงกับแบบจำลอง M(S) ของ S; ฟังก์ชันคะแนนทดสอบคล้ายคลึงกับความสัมพันธ์ระหว่างอินพุตและเอาต์พุต ความแม่นยำแบบหยอดเหรียญนั้นคล้ายคลึงกับแบบจำลองที่พอดี GCL นั้นคล้ายคลึงกับคลาสของระบบที่ใช้ฟัซซี่ลอจิกทั้งหมด และ SCL นั้นคล้ายคลึงกับคลาสย่อยของระบบที่ใช้ไบวาเลนต์ลอจิกทั้งหมด โดยทั่วไปแล้ว คำจำกัดความแบบเหรียญของแนวคิดคลุมเครือไม่สามารถกำหนดขึ้นได้ภายในโครงสร้างแนวคิดของตรรกศาสตร์แบบไบวาเลนต์และทฤษฎีความน่าจะเป็น ก็คล้ายกับการกล่าวว่า โดยทั่วไปแล้ว ระบบเชิงเส้นไม่สามารถเป็นแบบจำลองที่เหมาะสมของแนวคิดที่ไม่เชิงเส้นได้ ระบบ,
ดู
ความสัมพันธ์อินพุตและเอาท์พุต→ความตั้งใจ
ระดับการจับคู่ระหว่าง M(S) และ S→cointension
การแตกสาขาของแนวคิดเรื่องความแม่นยำแบบหยอดเหรียญนั้นขยายไปไกลกว่าการใช้เครื่องจักรในการทำความเข้าใจภาษาธรรมชาติ ประเด็นพื้นฐานที่กว้างขึ้นคือความถูกต้องของคำจำกัดความในทฤษฎีทางวิทยาศาสตร์ โดยเฉพาะอย่างยิ่งในขอบเขตของสาขาที่มุ่งเน้นมนุษย์ เช่น กฎหมาย เศรษฐศาสตร์ การแพทย์ จิตวิทยา และภาษาศาสตร์ โดยเฉพาะอย่างยิ่ง แนวคิดเรื่องความแม่นยำแบบ Cointensive ทำให้เกิดคำถามถึงความถูกต้องของคำจำกัดความที่มีอยู่หลายประการของแนวคิดพื้นฐาน ซึ่งได้แก่ แนวคิดเรื่องความเป็นเหตุเป็นผล ความเกี่ยวข้อง ความเป็นอิสระ ความเสถียร ความซับซ้อน และการเหมาะสมที่สุด
การแปล p เป็น GCL จะมีความโปร่งใสมากขึ้นแม้ว่าจะมีคำอธิบายประกอบก็ตาม เพื่อแสดงให้เห็นว่า
(ก) หน้า: โมนิกายังเด็ก → X/อายุ (โมนิก้า) คือ R/เด็ก
(b) p: เหมือนกับว่า Monika ยังเด็ก→Prob(X/Age(Monika) คือ R/young) คือ S/likely
หมายเหตุ: ตัวอย่าง (b) คือตัวอย่างคุณสมบัติความน่าจะเป็น
หากจะให้ชัดเจนยิ่งขึ้น ให้ g(u) เป็นฟังก์ชันความหนาแน่นของความน่าจะเป็นของตัวแปรสุ่ม คือ อายุ (โมนิกา) จากนั้น จากการสนทนาก่อนหน้านี้เกี่ยวกับคุณสมบัติความน่าจะเป็น เรามี:
มีแนวโน้มหรือในรูปแบบที่มีคำอธิบายประกอบ
คะแนนทดสอบของข้อ จำกัด นี้ใน G นั้นได้รับจาก
(c) P: ชาวสวีเดนส่วนใหญ่สูง
ต่อไปนี้ (b) ให้ h (u) เป็นฟังก์ชันความหนาแน่นนับของสวีเดนซึ่งหมายความว่า h (u) du = ส่วนของชาวสวีเดนที่มีความสูงอยู่ในช่วงเวลา [u, u+du]สมมติว่าความสูงของสวีเดนอยู่ในช่วงเวลา [A, B]แล้ว,
เศษส่วนของชาวสวีเดนสูง:
การตีความความสัมพันธ์นี้เป็นข้อ จำกัด ทั่วไปเกี่ยวกับ H, คะแนนทดสอบอาจแสดงเป็น:
โดยสรุปความน่าเชื่อถือของ“ ชาวสวีเดนส่วนใหญ่สูง” อาจแสดงเป็นข้อ จำกัด ทั่วไป
การประยุกต์ใช้ที่สำคัญของแนวคิดของการตรวจสอบที่เกี่ยวข้องกับความแม่นยำของข้อเสนอของแบบฟอร์ม“ X คือประมาณ A” โดยที่ A เป็นจำนวนจริง“ ประมาณ A” หรือ *A (สั้น) จะถูกต้องได้อย่างไร?กล่าวอีกนัยหนึ่งความไม่แน่นอนที่เกี่ยวข้องกับค่าของ x ซึ่งอธิบายว่าเป็น *A ได้รับการกำหนดอย่างแม่นยำได้อย่างไร?มีลำดับชั้นของวิธีการที่สามารถทำได้สิ่งที่ง่ายที่สุดคือการกำหนด *a เป็นโหมดของการกำหนดค่านี้จะเรียกว่า precisiation เอกพจน์หรือ S-precisiation สำหรับระยะสั้นS-Precisiation ใช้กันอย่างแพร่หลายโดยเฉพาะอย่างยิ่งในการคำนวณความน่าจะเป็นซึ่งความน่าจะเป็นที่ไม่แน่นอน *A ถูกคำนวณด้วยราวกับว่ามันเป็นจำนวนที่แน่นอน
วิธีอื่น ๆ จะถูกเรียกว่าการตรวจสอบอย่างละเอียดหรือ G-becisiation สำหรับระยะสั้นในการรักษาด้วยจี G *A ได้รับการปฏิบัติเหมือนเป็นเม็ดสิ่งที่เราเห็นคือโหมดต่าง ๆ ของการกำหนดความแม่นยำ *A เป็นอินสแตนซ์ของข้อ จำกัด ทั่วไปแนวคิดของการ precisiation มีความผกผันแนวคิดของการแยกส่วนซึ่งเกี่ยวข้องกับการแทนที่ด้วย *a ด้วยความเข้าใจว่า *a ไม่ซ้ำกันการไม่เห็นด้วยมีความหมายเชิงลบในความเป็นจริงการไม่เห็นด้วยมีจุดประสงค์ที่สำคัญโดยเฉพาะอย่างยิ่งให้พิจารณาข้อเสนอ P ของแบบฟอร์ม
P: X คือ V,
โดยที่ x เป็นตัวแปรและ v คือค่าของมันx อาจถือว่ามีความหลากหลายของรูปแบบโดยเฉพาะอย่างยิ่ง x อาจเป็นตัวแปรที่มีค่าจริงตัวแปร n-ary ฟังก์ชันหรือความสัมพันธ์ค่า, v, เป็นความแม่นยำ v ถ้ามันเป็นเอกพจน์นั่นคือ v คือซิงเกิลV คือ V-Imprecise ถ้ามันเป็นเม็ดในเฟรมเวิร์กนี้ V-Imprecisiation อาจตีความได้ว่าเป็นการเปลี่ยนจากค่าเอกพจน์เป็นค่าที่ละเอียดของ V
V-Imprecisiation ถูกบังคับ (จำเป็น) เมื่อไม่ทราบค่า V อย่างแม่นยำ V-Imprecisiation นั้นมีเจตนา (ไม่จำเป็น) หากไม่จำเป็นต้องมี V ที่จะรู้ได้อย่างแม่นยำในกรณีนี้สิ่งที่อาจเรียกว่าหลักการ V-Imprecisiation เข้ามาเล่น
หลักการ V-Imprecisiation: ความแม่นยำมีค่าใช้จ่ายหากมีความอดทนต่อความไม่แน่นอนให้ใช้ประโยชน์จากการใช้ V-Imprecisiation เพื่อให้ได้ต้นทุนที่ต่ำกว่าความทนทานความสามารถในการตัดสินใจการตัดสินใจและความมั่นใจในระดับที่สูงขึ้น
คำเกี่ยวกับความมั่นใจ: หาก v ไม่แน่นอนความเชื่อมั่นใน p, con (p) อาจถูกกำหนดเป็นความน่าจะเป็นที่ p เป็นจริงโดยทั่วไปการแสดง V-Imprecisiation ของ V ทำหน้าที่เพิ่ม con (p)ตัวอย่างเช่น Con (Carol Is Young)> Con (Carol คือ 23)ดังนั้นตามกฎแล้วความเชื่อมั่นจะเพิ่มขึ้นเมื่อความจำเพาะลดลง
ตัวอย่างที่สำคัญคือการทำให้เป็นเม็ด ในตรรกะคลุมเครือ การแกรนูลอาจถูกตีความว่าเป็น v-imprecisiation ตามด้วย mm-precisiation ในมุมมองนี้ แนวคิดเรื่องการเกิดแกรนูลร่วมกับแนวคิดที่เกี่ยวข้องกันของตัวแปรทางภาษาอาจถูกมองว่าเป็นหนึ่งในส่วนสำคัญของตรรกะคลุมเครือ
ปัญหาพื้นฐานที่เกี่ยวข้องกับการไม่เห็นด้วยมีดังต่อไปนี้สมมติเพื่อความเรียบง่ายว่าเรามีสมการเชิงเส้นสองตัวที่เกี่ยวข้องกับค่าสัมประสิทธิ์ที่มีค่าจริงและตัวแปรที่มีมูลค่าจริง:
อัน11เอ็กซ์+ก12ย=ข1-
อัน21เอ็กซ์+ก22ย=ข2-
คำตอบของสมการเหล่านี้อ่านว่า
X-อัน22ข1−ก12ข2-อัน11อัน22−ก12อัน21-
y-อัน11ข2−A21ข1-อัน11อัน22−A12อัน21-
ตอนนี้สมมติว่าเราไม่แน่นอนค่าสัมประสิทธิ์การแทนที่กijด้วย *กฉัน, i, j=1, 2 และแทนที่ bฉันด้วย *ขฉัน, i=1, 2 เราจะแก้สมการเหล่านี้ได้อย่างไรเมื่อสัมประสิทธิ์ที่ไม่แน่นอนถูกกำหนดให้เป็นข้อจำกัดทั่วไป
ไม่มีคำตอบทั่วไปสำหรับคำถามนี้ สมมติว่าค่าสัมประสิทธิ์ทั้งหมดถูกกำหนดในลักษณะเดียวกัน วิธีการแก้ปัญหาจะขึ้นอยู่กับกิริยาของข้อจำกัด ตัวอย่างเช่น หากค่าสัมประสิทธิ์เป็นค่าตามช่วงเวลา ปัญหาก็จะอยู่ในขอบเขตของการวิเคราะห์ตามช่วงเวลา หากค่าสัมประสิทธิ์มีค่าเป็นค่าช่วงคลุมเครือ ปัญหาก็จะอยู่ในขอบเขตของทฤษฎีสมการเชิงสัมพันธ์ และถ้าสัมประสิทธิ์เป็นตัวแปรสุ่มที่มีค่าจริง เรากำลังเผชิญกับปัญหาการแก้สมการสุ่ม
ภาวะแทรกซ้อนประการหนึ่งมีดังต่อไปนี้ ถ้า (a) เราแก้สมการดั้งเดิมดังที่เราได้ทำไปแล้วข้างต้น; (b) ไม่ชัดเจนค่าสัมประสิทธิ์ในการแก้ปัญหา; และ (c) ใช้หลักการขยายเพื่อทำให้ X และ Y สมบูรณ์ เราจะได้คำตอบของสมการที่ไม่ระบุค่าหรือไม่ คำตอบโดยทั่วไปคือ: ไม่
อย่างไรก็ตาม เมื่อเราประสบปัญหาซึ่งเราไม่ทราบวิธีแก้ไขอย่างถูกต้อง เราก็ดำเนินการราวกับว่าคำตอบคือ: ใช่ วิธีปฏิบัติทั่วไปนี้อาจอธิบายได้ว่าเป็นหลักการ Precisiation/Imprecisiation Principle ซึ่งมีการกำหนดไว้ดังต่อไปนี้
หลักการความแม่นยำ/ความไม่แม่นยำ (หลักการ P/I):
อย่างไม่เป็นทางการ ให้ f เป็นฟังก์ชันหรือฟังก์ชัน Y=f(X) โดยที่ X และ Y ถือว่าไม่แม่นยำ Pr(X) และ Pr(Y) เป็นค่าที่แน่นอนของ X และ Y และ *Pr(X) และ *Pr(Y) คือค่าที่ไม่แน่ชัดของ Pr( X) และ Pr(Y); ตามลำดับ ในรูปแบบสัญลักษณ์ หลักการ P/I อาจแสดงเป็น
ฟ-X-ฟ-ปร-X-
โดยที่ *= หมายถึง “ประมาณเท่ากัน” และ *f คือความไม่แน่นอนของ f กล่าวคือ ในการคำนวณ f(X) เมื่อ X ไม่ชัดเจน (a) กำหนด X, (b) คำนวณ f(Pr(X)); และ (c) ค่าที่ไม่แน่ชัด f(Pr(X)) จากนั้น โดยปกติแล้ว *f (Pr(X)) จะเท่ากับ f(X) โดยประมาณ ข้อสันนิษฐานพื้นฐานคือการประมาณค่าที่สมส่วนในแง่ที่ว่า ยิ่ง Pr(X) ใกล้ X มากเท่าใด f (Pr(X)) ยิ่งอยู่ใกล้ f(X) มากขึ้นเท่านั้น สมมติฐานนี้เกี่ยวข้องกับแนวคิดเรื่องกฎแบบค่อยเป็นค่อยไปของ Dubois และ Prade
ตามตัวอย่าง สมมติว่า X เป็นฟังก์ชันมูลค่าจริง f คือการดำเนินการหาอนุพันธ์ และ *X คือกราฟฟัซซี่ของ X จากนั้น เมื่อใช้หลักการ P/I จะได้ *f(X) ควรเน้นย้ำว่าความไม่แม่นยำเป็นแนวคิดที่ไม่ชัดเจน
การใช้หลักการ P/I เป็นรากฐานของการคำนวณมากมายในสาขาวิทยาศาสตร์ วิศวกรรมศาสตร์ เศรษฐศาสตร์ และสาขาอื่นๆ โดยเฉพาะอย่างยิ่ง ตามที่กล่าวไว้ก่อนหน้านี้ สิ่งนี้ใช้ได้กับการคำนวณหลายอย่างในทฤษฎีความน่าจะเป็นซึ่งเกี่ยวข้องกับความน่าจะเป็นที่ไม่แน่ชัด ควรเน้นย้ำว่าหลักการ P/I ไม่ใช่ทั้งเชิงบรรทัดฐาน (กำหนด) หรือแม่นยำ เพียงแต่อธิบายอย่างไม่แน่ชัดว่าอะไรคือวิธีปฏิบัติทั่วไป โดยไม่บอกว่าวิธีปฏิบัติทั่วไปนั้นถูกต้อง
ความแม่นยำของข้อเสนอ:
ในการสนทนาครั้งก่อน เรามุ่งความสนใจไปที่ความแม่นยำของประพจน์ในรูปแบบพิเศษ “X is *a” ต่อไปนี้ เราจะพิจารณาความแม่นยำในสภาพแวดล้อมทั่วไป ในบริบทนี้ แนวคิดเรื่องความแม่นยำใน PNL เปิดประตูสู่การขยายบทบาทของภาษาธรรมชาติในทฤษฎีทางวิทยาศาสตร์ในวงกว้าง โดยเฉพาะอย่างยิ่งในสาขาต่างๆ เช่น เศรษฐศาสตร์ กฎหมาย และการวิเคราะห์การตัดสินใจ
ภายใน CTPM ความแม่นยำของข้อเสนอ—และประเด็นที่เกี่ยวข้องของความแม่นยำของคำถาม คำสั่ง และแนวคิด—อยู่ภายในขอบเขตของ PNL ดังที่ได้กล่าวไว้ข้างต้น จุดเริ่มต้นใน PNL คือการเป็นตัวแทนของข้อเสนอเบื้องต้น p ซึ่งเป็นข้อจำกัดทั่วไป
p → X isr R
เพื่อแสดงให้เห็นความแม่นยำของข้อเสนอและคำถาม การพิจารณาตัวอย่างบางส่วนจะเป็นประโยชน์
(ก) ตัวอย่างโรเบิร์ต:
p: ปกติแล้วโรเบิร์ตกลับจากที่ทำงานเวลาประมาณ 18.00 น.
ถาม: ความน่าจะเป็นที่โรเบิร์ตจะถึงบ้านเวลาประมาณ 18.15 น. เป็นเท่าใด
ความแม่นยำของ p อาจแสดงเป็น
p: ปกติ Prob(Time(Return(Robert)) คือ *18:00 น.)
โดยที่ “ปกติ” คือความน่าจะเป็นแบบคลุมเครือ
สมมติว่า Robert อยู่บ้านหลังจากกลับจากที่ทำงาน ความแม่นยำของ q อาจแสดงเป็น
ถาม: Prob (เวลา (return (Robert)) IS≤∘6: 15 PM) คือ A?
โดยที่∘คือการทำงานขององค์ประกอบและ A เป็นความน่าจะเป็นฟัซซี่
(b) ปัญหาบอลในกล่อง:
P1: กล่องมีลูกบอลสีดำและสีขาวประมาณ 20 ลูก
P2: ส่วนใหญ่เป็นสีดำ
P3: มีลูกบอลสีดำหลายเท่าหลายเท่าเช่นลูกบอลสีขาว
Q1: ลูกบอลสีขาวจำนวนเท่าไหร่?
Q2: ความน่าจะเป็นที่ลูกบอลถูกสุ่มเป็นสีขาวคืออะไร?
ให้ x เป็นจำนวนลูกบอลสีดำและปล่อยให้ y เป็นจำนวนลูกบอลสีขาวจากนั้นในรูปแบบที่แม่นยำคำสั่งของปัญหาอาจแสดงเป็น:
สำหรับข้อมูล เรามี:
P1: (x+y) คือ *20
p2: X มากที่สุด ×*20
p3: X มีหลาย ×Y
และสำหรับคำถาม เรามี:
คำถามที่ 1: Y คือ?A
q2: Y/*20 คือ ?B,
โดยที่ Y/*20 คือความน่าจะเป็นแบบละเอียดที่ลูกบอลสุ่มเป็นสีขาว
การแก้สมการเหล่านี้ลดเหลือเพียงการประยุกต์ใช้การเขียนโปรแกรมจำนวนเต็มคลุมเครือ (ดู
(c) ปัญหาชาวสวีเดนที่สูง:
p: ชาวสวีเดนส่วนใหญ่ตัวสูง
ถาม: ชาวสวีเดนส่วนสูงเฉลี่ยคือเท่าไร?
ถาม: ชาวสวีเดนจำนวนเท่าไรที่เตี้ย?
ดังที่ได้แสดงไว้ก่อนหน้านี้
พี:
เป็นส่วนใหญ่
โดยที่ h คือฟังก์ชันความหนาแน่นนับ
ความน่าเชื่อถือของ Q1 และ Q2 อาจแสดงเป็น
Q1:
โดยที่ A คือหมายเลขฟัซซี่ซึ่งแสดงถึงความสูงเฉลี่ยของชาวสวีเดนและ
อาเจียน:
โดยที่μสั้นคือฟังก์ชันสมาชิกของชอร์ต และ B คือเศษส่วนของชอร์ตสวีเดน
(d) ปัญหาการดำรงอยู่บางส่วน:
X เป็นจำนวนจริง ฉันไม่แน่ใจเกี่ยวกับค่าของ X สิ่งที่ฉันรู้เกี่ยวกับ X คือ:
p1: X มีขนาดใหญ่กว่า a ประมาณมาก
p2: X เล็กกว่า b ประมาณมาก
โดยที่ A และ B เป็นตัวเลขจริงด้วย A
มูลค่าของ x คืออะไร?
ในกรณีนี้การตรวจสอบข้อมูลอาจแสดงเป็น
P1: X มีขนาดใหญ่กว่ามาก∘*A
P2: X มีขนาดเล็กกว่ามาก∘*B
การทำงานขององค์ประกอบอยู่ที่ไหนข้อ จำกัด ของคำถามคือ:
ถาม: x คือ? a,
โดยที่ A คือหมายเลขฟัซซี่การแก้ปัญหาทันที:
X คือ (much.larger ∘*a∧much.smaller ∘*b)
เมื่อ∧เป็นขั้นต่ำหรือ t-normในกรณีนี้ขึ้นอยู่กับ A และ B, X อาจมีอยู่ในระดับหนึ่ง
ตัวอย่างเหล่านี้ชี้ให้เห็นถึงแง่มุมที่สำคัญของความแม่นยำ โดยเฉพาะอย่างยิ่งในการระบุ p เราต้องระบุหรือปรับเทียบองค์ประกอบของคำศัพท์อย่างเท่าเทียมกัน ตัวอย่างเช่น ในกรณีของ “ชาวสวีเดนส่วนใหญ่ตัวสูง” เราจะต้องปรับเทียบ “ส่วนใหญ่” และ “ตัวสูง” ในทำนองเดียวกัน ในกรณีของตัวอย่างของ Robert เราต้องปรับเทียบ "ประมาณ 18.00 น." "ประมาณ 18.15 น." และ "ปกติ" เรากำลังเขียนความหมายของ p จากความหมายขององค์ประกอบของมัน กระบวนการนี้อยู่ในจิตวิญญาณของหลักการการจัดองค์ประกอบ ไวยากรณ์ของ Montague และความหมายของภาษาการเขียนโปรแกรมของ Frege
ตัวอย่างเช่น ในทฤษฎีความน่าจะเป็น ความเป็นอิสระของเหตุการณ์เป็นแนวคิดแบบไบวาเลนต์ แต่ในความเป็นจริงแล้ว ความเป็นอิสระเป็นเรื่องของระดับ กล่าวคือ เป็นแนวคิดที่คลุมเครือ PNL ซึ่งใช้เป็นภาษาคำจำกัดความ ทำให้สามารถนิยามความเป็นอิสระและแนวคิดแบบไบวาเลนต์อื่นๆ ในทฤษฎีความน่าจะเป็นได้สมจริงมากขึ้นว่าเป็นแนวคิดคลุมเครือ เพื่อจุดประสงค์นี้ เมื่อใช้ PNL เป็นภาษาคำจำกัดความ แนวคิดจะถูกกำหนดเป็นภาษาธรรมชาติเป็นครั้งแรก จากนั้นจึงกำหนดคำจำกัดความล่วงหน้าผ่านการใช้ PNL
แนวคิดของต้นแบบ:
เมื่อมองในมุมมองที่กว้างขึ้น สิ่งที่ควรสังเกตคือความแม่นยำของความหมายไม่ใช่เป้าหมายสูงสุด แต่เป็นเป้าหมายระดับกลาง เมื่อบรรลุความแม่นยำของความหมายแล้ว เป้าหมายต่อไปคือการอนุมานจากข้อมูลที่เกี่ยวข้องกับการตัดสินใจ เป้าหมายสูงสุดคือการตัดสินใจ
ใน CTPM แนวคิดที่มีบทบาทสำคัญในการอนุมานคือแนวคิดของต้นแบบ ซึ่งเป็นคำย่อของรูปแบบต้นแบบ อย่างไม่เป็นทางการ ต้นแบบของวัตถุคือบทสรุปที่เป็นนามธรรม โดยเฉพาะอย่างยิ่ง ต้นแบบคือการแสดงออกเชิงสัญลักษณ์ซึ่งกำหนดโครงสร้างความหมายเชิงลึกของวัตถุ เช่น ข้อเสนอ คำถาม คำสั่ง แนวคิด สถานการณ์ หรือระบบของวัตถุดังกล่าว ต่อไปนี้ ความสนใจของเราจะมุ่งเน้นไปที่ต้นแบบของประพจน์ โดยที่ PF(p) แสดงถึงต้นแบบของ p นามธรรมมีระดับเช่นเดียวกับการสรุป ด้วยเหตุนี้ วัตถุอาจมีต้นแบบได้หลายแบบ ในทางกลับกัน วัตถุจำนวนมากอาจมีต้นแบบเดียวกัน วัตถุดังกล่าวกล่าวได้ว่าเทียบเท่ากับโปรโตฟอร์ม หรือเรียกสั้น ๆ ว่าเทียบเท่ากับ PF ชุดของต้นแบบของประพจน์ที่สามารถคาดเดาได้ทั้งหมดใน NL ร่วมกับกฎที่ควบคุมการแพร่กระจายของข้อจำกัดทั่วไป ก่อให้เกิดสิ่งที่เรียกว่า Protoform Language (PFL) (ดู
ตัวอย่าง
โมนิก้ายังเด็ก→อายุ(โมนิก้า) ยังเด็ก→A(B) คือ C
โดยที่ Age หมายถึง A, Monika ถึง B (เป็นอินสแตนซ์) และ Young ถึง C (เป็นนามธรรม)
โมนิก้าอายุน้อยกว่าแพท→(A(B), A(C)) คือ R มาก
โดยที่อายุหมายถึง A, Monika หมายถึง B, Pat หมายถึง C และ “อายุน้อยกว่ามาก” หมายถึง R
ระยะทางระหว่างนิวยอร์กและบอสตันคือประมาณ 200 ไมล์→ A (B, C) คือ R
โดยที่ระยะทางหมายถึง A, นิวยอร์กถึง B, บอสตันถึง C และ “ประมาณ 200 ไมล์” ถึง D
โดยปกติแล้ว Robert จะกลับมาจากที่ทำงานเวลาประมาณ 18.00 น.→Prob{A คือ B} คือ C
โดยที่ “Time(Robert.returnsfrom.work)” หมายถึง A, “ประมาณ 18.00 น.” ถึง B และโดยปกติจะหมายถึง C
แครอลอาศัยอยู่ในเมืองเล็กๆ ใกล้ซานฟรานซิสโก→A(B(C)) คือ (D และ E)
โดยที่ “เมืองเล็ก” หมายถึง E, “เมืองใกล้ SF” ถึง D, Carol ถึง C, ที่พักอาศัยถึง B และที่ตั้งถึง A
ชาวสวีเดนส่วนใหญ่สูง→1/n ΣCount(G[A] คือ R) คือ Q
โดยที่ส่วนใหญ่หมายถึง Q, ชาวสวีเดนหมายถึง G, สูงหมายถึง R และส่วนสูงหมายถึง A
อีกตัวอย่างหนึ่ง: อลันมีอาการปวดหลังอย่างรุนแรง เขาไปพบแพทย์ แพทย์บอกว่ามีสองทางเลือก: (1) ไม่ทำอะไรเลย; และ (2) ทำการผ่าตัด ในกรณีของการผ่าตัด มีความเป็นไปได้ 2 ทาง คือ (ก) การผ่าตัดสำเร็จ ซึ่งในกรณีนี้ อลันจะปราศจากความเจ็บปวด; และ (ข) การผ่าตัดไม่ประสบผลสำเร็จ ในกรณีนี้ อลันจะเป็นอัมพาตตั้งแต่คอลงมา (ดู
การหักตามแบบแผน:
กฎการหักเงินใน CTPM โดยพื้นฐานแล้วคือกฎที่ควบคุมการแพร่กระจายข้อจำกัด ใน CTPM กฎดังกล่าวจะอยู่ใน Deduction Database (DDB) ฐานข้อมูลการหักเงินประกอบด้วยคอลเลกชันของโมดูลและโมดูลย่อยที่ควบคุมโดยตัวแทน ซึ่งแต่ละโมดูลประกอบด้วยกฎที่ดึงมาจากฟิลด์ต่างๆ และรูปแบบต่างๆ ของข้อจำกัดทั่วไป กฎทั่วไปมีส่วนที่เป็นสัญลักษณ์ซึ่งแสดงออกมาในรูปของต้นแบบ และส่วนการคำนวณซึ่งกำหนดการคำนวณที่ต้องดำเนินการเพื่อให้ได้ข้อสรุป
ดู
-
- ใน PNL การหัก = การแพร่กระจายข้อจำกัดทั่วไป
- PFL: ภาษาต้นแบบ
- DDB: ฐานข้อมูลการหัก=การรวบรวมกฎโปรโตคอลที่ควบคุมการแพร่กระจายข้อจำกัดทั่วไป
- WKDB: ฐานข้อมูลความรู้โลก (อิง PNL)
ดูเพิ่มเติม
(a) กฎการคำนวณของการอนุมาน:
สำหรับส่วนที่เป็นสัญลักษณ์ เรามี:
X คือ A
(X, Y) คือ B
Y คือ C
ในส่วนของการคำนวณเรามี:
มC-V)=สูงสุดคุณ(ม.อัน-คุณ) ∧μข-u, v-
(b) การตัดกัน/ผลิตภัณฑ์ syllogism:
สำหรับส่วนที่เป็นสัญลักษณ์เรามี:
Q1 A เป็น B's
Q2 (A & B) เป็น C's
Q3 A's เป็น (B&C)
สำหรับส่วนการคำนวณเรามี:
ถาม3 =ถาม1*ถาม2
โดยที่ Q1 และ Q2 เป็นปริมาณที่คลุมเครือA, B, C เป็นชุดฟัซซี่;* เป็นผลิตภัณฑ์ในเลขคณิตฟัซซี่
(ค) หลักการพื้นฐานในการขยาย:
สำหรับส่วนที่เป็นสัญลักษณ์เรามี:
x คือ
f(X) คือ B
สำหรับส่วนการคำนวณเรามี:
ม.ข-V)=สนับสนุนn(ม.อัน-คุณ-
ขึ้นอยู่กับ
วี=ฉ(ยู)
g คือฟังก์ชันหรือฟังก์ชันที่กำหนด A และ B เป็นเซตคลุมเครือ
(ง) หลักการขยาย:
นี่คือกฎหลักที่ควบคุมการแพร่กระจายข้อจำกัดที่เป็นไปได้
สำหรับส่วนที่เป็นสัญลักษณ์เรามี:
f(X) คือ A
ก(X) คือ B
สำหรับส่วนการคำนวณเรามี:
ม.ข-V)=สนับสนุนคุณ(ม.ข-ฟ-คุณ-
ขึ้นอยู่กับ
v = g (u)
บันทึก.หลักการส่วนขยายเป็นกฎการหักหลักในแง่ที่ว่ากฎการหักเงินอื่น ๆ อีกมากมายนั้นมาจากหลักการส่วนขยายตัวอย่างคือกฎต่อไปนี้
(e) กฎความน่าจะเป็นพื้นฐาน:
สำหรับส่วนที่เป็นสัญลักษณ์เรามี:
Prob (x คือ A) คือ B
prob (x คือ c) คือ d
สำหรับส่วนการคำนวณเรามี:
X เป็นตัวแปรสุ่มที่มีค่าจริงA, B, C และ D เป็นชุดฟัซซี่: R คือความหนาแน่นของความน่าจะเป็นของ x;และ u = {u}เพื่อให้ได้กฎนี้เราทราบว่า
ซึ่งเป็นข้อ จำกัด ทั่วไปของแบบฟอร์ม
f (r) คือ B
g (r) คือ D.
การใช้หลักการส่วนขยายกับนิพจน์เหล่านี้เราได้รับการแสดงออกสำหรับ D ซึ่งปรากฏในกฎความน่าจะเป็นพื้นฐาน
(f) กฎการแก้ไข bimodal:
กฎการแก้ไข bimodal เป็นกฎที่อยู่ในโมดูลความน่าจะเป็นของ DDBส่วนที่เป็นสัญลักษณ์และการคำนวณของกฎนี้คือ:
ส่วนสัญลักษณ์:
prob (x คือ ai) คือ pi
Prob (x คือ A) คือ Q
โดยที่ i = 1,.--, n
ชิ้นส่วนการคำนวณ:
ในกฎนี้ X เป็นตัวแปรสุ่มที่มีค่าจริงR คือความหนาแน่นของความน่าจะเป็นของ x;และคุณคือโดเมนของ x
หมายเหตุ: กฎความน่าจะเป็นเป็นกรณีพิเศษของกฎการแก้ไข bimodal
ค่าที่คาดหวังคืออะไร E (x) ของการกระจาย bimodal?คำตอบดังต่อไปนี้ผ่านการประยุกต์ใช้หลักการส่วนขยาย:
บันทึก.E (x) เป็นชุดย่อยที่คลุมเครือของ U.
(g) กฎการแก้ไขแบบฟัซซี่กราฟ:
กฎนี้เป็นกฎที่ใช้กันอย่างแพร่หลายในแอปพลิเคชันของตรรกะฟัซซี่เรามีฟังก์ชั่น y = f (x) ซึ่งแสดงเป็นกราฟฟัซซี่คำถามคืออะไรคือค่าของ y เมื่อ x คือ A?กฉัน, bฉันและ A เป็นชุดฟัซซี่
ส่วนที่เป็นสัญลักษณ์คือ:
x คือ
y = f (x)
f (x) isfg σฉันอันฉัน× Bฉัน
y คือ c
ส่วนการคำนวณคือ:
ค=สฉันม.ฉัน∧บีฉัน-
ที่ไหน มฉันคือระดับที่ A ตรงกับ Aฉัน
ม.ฉัน= ซุปคุณ(ม.อัน(คุณ) ∧μAI(คุณ))
เมื่อ A เป็นซิงเกิลตัน กฎนี้จะลดเป็น
X=ก
y = f (x)
f(X) isfg Σฉันอันฉัน×บีฉัน
ผม=1, . - - , n.
yรเจ (ก) เอ บี
ในรูปแบบนี้ กฎการประมาณค่าแบบฟัซซี่กราฟเกิดขึ้นพร้อมกับกฎ Mamdani ซึ่งเป็นกฎที่ใช้กันอย่างแพร่หลายในการควบคุมและการใช้งานที่เกี่ยวข้อง
ในข้างต้น เราได้สรุปกฎพื้นฐานบางประการใน DDB ซึ่งควบคุมการแพร่กระจายข้อจำกัดทั่วไป ตัวอย่างของกฎดังกล่าวมีดังต่อไปนี้
(a) หลักการขยายความน่าจะเป็น:
f(X) ไอเอสพี เอ
ก(X) isr ?B
(b) หลักการขยายคุณสมบัติตามลักษณะการใช้งาน:
f(X) ฉบับ A
ก(X) isr ?B
(c) กฎการแก้ไขฟัซซี่กราฟที่ผ่านการรับรองตามปกติ:
x คือ
y = f (x)
f (x) isfg σฉันถ้า x คือฉันจากนั้น y isu bฉัน
y isr? b
(ง) หลักการขยายแบบสองรูปแบบ:
X คือbm ρฉันpi \ ai
y = f (x)
y isr? b
(จ) Bimodal หลักการขยายแบบไบนารี:
X คือ R
ย'ส ส
Z=ฉ (X, Y)
Z คือ T
ในตัวอย่างนี้ bimodality หมายความว่า X และ Y มี modality ที่แตกต่างกัน และไบนารี่หมายความว่า f เป็นฟังก์ชันของตัวแปรสองตัว กรณีพิเศษที่น่าสนใจคือกรณีที่ X คือ R และ Y isp S
กฎการหักเงินที่อธิบายไว้โดยย่อข้างต้นมีวัตถุประสงค์เพื่อใช้เป็นตัวอย่าง:
(ก) ตัวอย่างโรเบิร์ต:
p: โดยปกติแล้วโรเบิร์ตกลับจากที่ทำงานเวลาประมาณ 18.00 น. ความน่าจะเป็นที่โรเบิร์ตจะถึงบ้านเวลาประมาณ 18.15 น. เป็นเท่าใด
ขั้นแรก เราจะค้นหาต้นแบบของข้อมูลและแบบสอบถาม
ปกติโรเบิร์ตกลับจากที่ทำงานเวลาประมาณ 18.00 น
→Prob(Time(Return(Robert)) คือ *18:00 น. โดยปกติ
ซึ่งอ่านในรูปแบบคำอธิบายประกอบ
→Prob(X/Time(Return(Robert)) คือ A/*18:00 น.) คือ D/ปกติ
ในทำนองเดียวกันสำหรับคำถามที่เรามี
Prob(Time(Return(Robert)) คือ ≤∘*18:15 pm) คือ ?D
ซึ่งอ่านในรูปแบบคำอธิบายประกอบ
→Prob(X/Time(Return(Robert)) คือ C/≤∘*18:15 pm) คือ D/ปกติ
เมื่อค้นหาฐานข้อมูลการหักเงิน เราพบว่ากฎความน่าจะเป็นพื้นฐานตรงกับต้นแบบของข้อมูลและแบบสอบถาม
พร็อพ (X คือ A) คือ B
Prob(X คือ C) คือ D
ที่ไหน
อินสแตนซ์ A, B, C และ D เราได้รับคำตอบจากการสืบค้น:
ความน่าจะเป็นที่โรเบิร์ตอยู่บ้านเวลาประมาณ 18:15 น. คือ D ที่ไหน:
(b) ปัญหาชาวสวีเดนสูง:
เราเริ่มต้นด้วยข้อมูล
P: ชาวสวีเดนส่วนใหญ่สูง
สมมติว่าคำถามคือ:
Q1: มีชาวสวีเดนสูงกี่คนที่ไม่สูง
Q2: มีกี่อันที่สั้น
Q3: ความสูงเฉลี่ยของชาวสวีเดนคืออะไร
ในการอภิปรายก่อนหน้านี้ของเราเกี่ยวกับตัวอย่างนี้เราพบว่า p แปลเป็นข้อ จำกัด ทั่วไปเกี่ยวกับฟังก์ชันความหนาแน่นนับ hดังนั้น:
เป็นส่วนใหญ่
ความน่าเชื่อถือของ Q1, Q2 และ Q3 อาจแสดงเป็น
เมื่อพิจารณาถึงไตรมาสที่ 1 เราทราบว่า
ม.ไม่รับ(u) = 1 - mสูง(คุณ)
เพราะเหตุนี้
ซึ่งอาจถูกเขียนใหม่เป็น
Q2 → 1-most
โดยที่ 1-most เล่นบทบาทของคำตรงกันข้ามของส่วนใหญ่
พิจารณา Q2 เราต้องคำนวณ
A:
ระบุว่า
เป็นส่วนใหญ่
การใช้หลักการขยายเรามาถึงคำตอบที่ต้องการในการสืบค้น:
ในทำนองเดียวกันสำหรับไตรมาสที่ 3 เรามีคำตอบ
ในฐานะที่เป็นภาพประกอบของการประยุกต์ใช้การหัก protoformal กับตัวอย่างของตัวอย่างนี้ให้พิจารณา:
P: ชาวสวีเดนส่วนใหญ่สูง
ถาม: ชาวสวีเดนมีกี่คนที่สั้น?
เราเริ่มต้นด้วย protoforms ของ p และ q (ดูตัวอย่างก่อนหน้า):
ชาวสวีเดนส่วนใหญ่สูง→1/n ΣCount(G[A is R]) คือ Q
? t สวีเดนสั้น→ 1/n σcount (g [a คือ 5]) คือ t,
ที่ไหน
ช-อัน]=สฉันชื่อฉัน/กฉัน, ฉัน=1,- - - , n.
กฎการหักเงินที่ใช้บังคับในรูปแบบสัญลักษณ์คือ:
1/n Σ จำนวน (G[A คือ R]) คือ Q
1/n σcount (g [a is s]) คือ t
ส่วนการคำนวณของกฎจะแสดงเป็น
1/nอันฉันม.R-อันฉัน) เป็นถาม
1/nเอสเอ็มส-อันฉัน) เป็นT
ที่ไหน
ม.ต-V)=สนับสนุนคุณ, . - - ,ปีม.ถาม(สฉันม.R-อันฉัน-
ขึ้นอยู่กับ
V=สฉันม.ส-อันฉัน-
สิ่งที่เราเห็นคือการคำนวณคำตอบของคำถาม q ช่วยลดวิธีแก้ปัญหาของการแปรผัน ดังเช่นที่เคยเกิดขึ้นในการสนทนาก่อนหน้านี้ของตัวอย่างนี้ ซึ่งไม่ได้ใช้การหัก protoformal
ตัวอย่างข้างต้นเป็นเพียงตัวอย่างเบื้องต้นของการให้เหตุผลผ่านการใช้การเผยแพร่ข้อจำกัดทั่วไป สิ่งที่ควรสังเกตคือสายโซ่ของการให้เหตุผลในตัวอย่างเหล่านี้สั้นมาก โดยทั่วไปแล้ว สิ่งสำคัญที่ต้องตระหนักก็คือ ความสั้นของสายโซ่ของการให้เหตุผลเป็นคุณลักษณะภายในของกระบวนการให้เหตุผลซึ่งเกิดขึ้นในสภาพแวดล้อมของความไม่แน่ชัดและความไม่แน่นอนในสาระสำคัญ . สิ่งนี้บอกเป็นนัยก็คือ ในสภาพแวดล้อมดังกล่าว ข้อสรุปที่มาถึงจุดสิ้นสุดของห่วงโซ่การให้เหตุผลอันยาวนานมีแนวโน้มที่จะว่างเปล่าหรือมีเหตุผลที่น่าสงสัย
หลักการหักลดหย่อน (ขยายเวลา):
ตัวอย่างเกือบทั้งหมดที่เกี่ยวข้องกับการคำนวณคำตอบของคำถามถือเป็นหลักการพื้นฐานที่อาจเรียกว่าหลักการนิรนัย หลักการนี้เกี่ยวข้องอย่างใกล้ชิดกับหลักการขยายตรรกศาสตร์คลุมเครือ
สมมติว่าเรามีฐานข้อมูล D และตัวแปรฐานข้อมูล X1, - - , Xn กับคุณฉันเป็นค่าทั่วไปของ Xฉัน, (i=1, . . . , น)
สมมติว่า Q เป็นคำถามที่กำหนดและคำตอบของ Q, ANS (Q) เป็นฟังก์ชันของไฟล์
ตอบ (ถาม-ก(คุณ1---คุณn), u = (u1---คุณn-
ฉันไม่ทราบค่าที่แน่นอนของ uฉัน-ข้อมูลของฉันเกี่ยวกับคุณฉัน, I(u1, . . . , un) เป็นข้อจำกัดทั่วไปเกี่ยวกับ uฉัน- ข้อจำกัดถูกกำหนดโดยฟังก์ชันคะแนนทดสอบ
TS-คุณ-ฟ-คุณ1---คุณn-
ณ จุดนี้ ปัญหาอยู่ที่การแพร่กระจายข้อจำกัดจาก ts(u) ถึง g(u) เมื่อใช้หลักการขยาย เราจะนำไปสู่ฟังก์ชันสมาชิกของคำตอบของ q โดยเฉพาะอย่างยิ่ง
ม.ตอบ(คิว)-V)=สนับสนุนคุณ-TS-คุณ-
ขึ้นอยู่กับ
วี=ก-คุณ-
โดยสรุป นี่คือสาระสำคัญของหลักการหักลดหย่อน เพื่อเป็นตัวอย่างง่ายๆ ขอให้เราพิจารณาตัวอย่างที่เราได้พิจารณาไปแล้วก่อนหน้านี้. สมมติว่า q: ชาวสวีเดนมีความสูงเฉลี่ยเท่าใด สมมติว่า D ประกอบด้วยข้อมูลเกี่ยวกับความสูงของประชากรชาวสวีเดน, ชาวสวีเดน1- - - ,สวีเดนnโดยส่วนสูงของชาวสวีเดน i คือ hฉัน, ผม=1, . - - , n. ดังนั้น ความสูงเฉลี่ยจึงอาจแสดงเป็น
อเว(ชม.) = (1/n) (ชม1---+hn-
ตอนนี้ฉันไม่รู้จัก Hฉัน-สิ่งที่ฉันได้รับคือ Datum D: ชาวสวีเดนส่วนใหญ่สูงข้อมูลนี้ จำกัด Hฉัน- คะแนนทดสอบของข้อจำกัดนี้คือ
TS-ชม.) = mที่สุด((1/n) (สสูง-ชม.ฉัน-
ชม.-ชม.1- - - , ชมn-
ข้อจำกัดทั่วไปเกี่ยวกับเงื่อนไขทำให้เกิดข้อจำกัดทั่วไปใน Ave(h) ดังนั้น:
ม.อเว(ซ)-V)=sup (μที่สุด((1/ใน) (Σฉันม.สูง-ชม.ฉัน-
ชม.=(ชม1- - - , ชมn) ขึ้นอยู่กับ:
V=((1/n) (สฉันชม.ฉัน-
ตัวอย่างเครื่องมือค้นหาเพิ่มเติม:
ลองพิจารณาแบบสอบถามเครื่องมือค้นหาที่ต้องการอายุบุคคลตัวอย่างเช่นคำถามคือ:“ อายุของแมรี่คืออะไร”หรือ“ แมรี่อายุเท่าไหร่”หรือ“ อายุของแมรี่คืออะไร”
เทมเพลต:
คำถามนี้สามารถสแกนหรือแยกวิเคราะห์เพื่อแยกส่วนประกอบของมันเช่น (ตัวอย่าง) ในรูปแบบหรือรูปแบบการจดชวเลขต่อไปนี้:“ Mary/Age?”การแยกวิเคราะห์ทำได้โดยใช้เทมเพลตจำนวนมากเพื่อรับรู้ถึงรูปแบบหรือไวยากรณ์สำหรับภาษาที่เฉพาะเจาะจง (เช่นภาษาอังกฤษแบบอเมริกัน), ภาษา, หัวข้อ (เช่นหัวข้อการเมือง) หรือวิธีการและประเภทของการพูด (เช่นเขียนตรงข้ามกับการพูดข้อมูลหรือคำถาม)เทมเพลตจะถูกจัดเก็บและออกแบบโดยนักภาษาศาสตร์หรือผู้เชี่ยวชาญในฐานข้อมูลพิเศษล่วงหน้าเพื่อให้สามารถแยกประโยคลงในส่วนประกอบของมันโดยอัตโนมัติในภายหลังและแยกคำและข้อมูลที่เกี่ยวข้องและสำคัญระดับของการจับคู่กับเทมเพลตที่เฉพาะเจาะจง (เช่นสำหรับไวยากรณ์ภาษาอังกฤษ) เพื่อค้นหา (ตัวอย่าง) หัวเรื่องและคำกริยาในประโยคนั้นทำโดยฟังก์ชั่นสมาชิกฟัซซี่และแนวคิดฟัซซี่อื่น ๆ ที่อธิบายไว้ที่อื่นในการเปิดเผยนี้
ตัวอย่างหนึ่งของเทมเพลตคือสัญลักษณ์ “?” ที่ท้ายประโยคภาษาอังกฤษ “มักจะ” หมายถึงประโยคประเภท “คำถาม” (แนวคิดเรื่อง "ปกติ" (หรือแนวคิดที่คล้ายกัน) ได้รับการกล่าวถึงในที่อื่นในการเปิดเผยนี้)
สำหรับประโยคประเภทคำถาม เราสามารถมีเทมเพลตต่อไปนี้ (เป็นตัวอย่างง่ายๆ) สำหรับคำถาม “How old is Mary?”:
(อายุเท่าไหร่?/กริยา (เป็น)/คำนาม (ชื่อบุคคล))
ลดความซับซ้อนเป็น: (อายุเท่าไร/ชื่อบุคคล)
หรือเทียบเท่า สามารถใช้เทมเพลตนี้: (อายุ/ชื่อบุคคล)
หรือเทียบเท่ากัน สามารถใช้เทมเพลตนี้: (Mary K. Jones/human/Age?)
สำหรับประโยคปกติที่ว่า “Mary is 40 years old” เราจะมีเทมเพลตดังต่อไปนี้: (คำนาม (ชื่อบุคคล)/กริยา (to be)/หมายเลข/ปี/อายุ)
การใช้คีย์เวิร์ดหรือคำที่ติดธง (เช่น การใช้กริยา “เป็น”) ที่ทำให้:
(อายุ/จำนวน/ปีของบุคคล)
หรือเทียบเท่ากัน สามารถรับเทมเพลตนี้: (Mary K. Jones/Age/40/years)
หรือเทียบเท่ากัน สามารถรับเทมเพลตนี้: (Mary K. Jones/Age/40 years)
แน่นอนว่าตัวเลือกเทมเพลตและไวยากรณ์อื่นๆ อีกมากมายยังใช้ได้ผลที่นี่ ตราบใดที่คำจำกัดความและเทมเพลตมีความสอดคล้องและความกระชับ เพื่อลดขนาดและรับคุณสมบัติทั่วไปสำหรับการประมวลผลแบบแบตช์ การค้นหาที่เร็วขึ้น การดึงข้อมูลที่รวดเร็วยิ่งขึ้น การนำเสนอข้อมูลที่ดีขึ้น และการจัดเก็บข้อมูลที่มีประสิทธิภาพมากขึ้น ข้อดีของเทมเพลตคือทำให้การแปลระหว่างภาษามนุษย์ต่างๆ (หรือการแปลระหว่างคำพูดและคำสั่งคอมพิวเตอร์) ง่ายขึ้นมาก เนื่องจากมีแนวโน้มที่จะนำเฉพาะข้อมูลที่จำเป็นเท่านั้น (เปลือยเปล่า) โดยไม่มีคำเพิ่มเติม ตามลำดับที่กำหนดไว้ล่วงหน้าหรือ เพื่อการเข้าถึง ค้นหา และเปรียบเทียบที่รวดเร็วและมีประสิทธิภาพ
การกำจัดความคลุมเครือ:
ก่อนอื่น มีความคลุมเครือตามที่แมรี่เรากำลังพูดถึง หากการสนทนาหรือบริบทก่อนหน้าของการสนทนาทำให้ชัดเจนว่าเรากำลังพูดถึงแมรี่หรือบุคคลใดบุคคลหนึ่ง เช่น "แมรี่ โจนส์" การค้นหาไม่จำเป็นต้องทราบอายุของทุกคนที่มีชื่อหรือชื่อเล่นนั้น สามารถค้นหาได้ และการค้นหาจะจำกัด (ในขอบเขต) อายุของแมรี่ โจนส์เท่านั้น แน่นอนว่าหากมีบุคคลที่ชื่อ “แมรี่ โจนส์” มากกว่าหนึ่งคน จะต้องค้นหาตัวระบุอื่นๆ หรือพารามิเตอร์ที่แตกต่าง เช่น ชื่อกลาง ชื่อกลางของเธอ อายุ หมายเลขประกันสังคม ที่อยู่ ชื่อบิดา ชื่อสามี ชื่อเพื่อนบ้าน ชื่อเพื่อน วันที่สำเร็จการศึกษาระดับมัธยมปลาย ชื่อโรงเรียนมัธยมปลาย ชื่อเล่น รูปภาพ แท็กบนรูปภาพ ตัวอย่างเสียง แผนภูมิลายนิ้วมือ ไบโอเมตริกซ์อื่นๆ หรือหมายเลขประจำตัวพนักงาน เพื่อลบความคลุมเครือ หากเป็นไปได้
ข้อมูลอื่นจากความรู้พื้นฐานตามบริบทหรือภูมิหลังก็คือ แมรี่เป็นมนุษย์ ไม่ใช่ชื่อของสัตว์เลี้ยงหรือตุ๊กตา ในกรณีนี้ การค้นหาจะถูกเบี่ยงเบนไปยังโดเมนอื่นในการกำหนดอายุ (เช่น สำหรับสัตว์เลี้ยงหรือตุ๊กตา) ตอนนี้ สมมติว่าในตัวอย่างนี้ บริบทของการสนทนาหรือความรู้พื้นฐาน (ฐานข้อมูล) เป็นตัวกำหนดหรือบ่งชี้ว่า Mary เป็นชื่อของบุคคล และยิ่งไปกว่านั้น เรากำลังพูดถึง Mary K. Jones โดยเฉพาะ ดังนั้น คำถามจึงกลายเป็น: “เมย์ เค. โจนส์/มนุษย์/อายุ?”
นอกจากนี้ สำหรับมนุษย์ เราสามารถแยกแยะชื่อผู้ชายจากชื่อผู้หญิงได้สำหรับชื่อส่วนใหญ่ ซึ่งจัดเก็บไว้ในฐานข้อมูลชื่อผู้หญิงและผู้ชาย (หรือมนุษย์) ที่สอดคล้องกัน ดังนั้น เราจะมีคำถามต่อไปนี้: “Mary K. Jones/มนุษย์/หญิง/อายุ?” นี่เป็นคำถามทั่วไปที่เรามีเทมเพลตในฐานข้อมูลเทมเพลตสำหรับคำถามประเภทนี้: “มนุษย์/หญิง/อายุ?” หรือ “มนุษย์/อายุ?” ตอนนี้เรามาพิจารณาเทมเพลต “มนุษย์/หญิง/อายุ?” สำหรับตัวอย่างนี้ สำหรับเทมเพลตคำถาม “มนุษย์/หญิง/อายุ” ของเรา เราจะมีข้อมูลที่เกี่ยวข้องและคำถามที่เกี่ยวข้อง ซึ่งเชื่อมโยงกับเทมเพลตดังกล่าว ซึ่งออกแบบหรือป้อนข้อมูลก่อนหน้านี้โดยมนุษย์ ผู้ใช้ชุมชน บริษัทเครื่องมือค้นหา หรือคอมพิวเตอร์ (โดยอัตโนมัติ ขึ้นอยู่กับ ผลลัพธ์ก่อนหน้าและการฝึกอบรมหรือการเรียนรู้จากการเชื่อมโยงในอดีตในสถานการณ์หรือความสัมพันธ์ที่คล้ายคลึงกัน) ลงในเทมเพลตฐานข้อมูลเชิงสัมพันธ์
ความเกี่ยวข้องและความน่าเชื่อถือของแหล่งข้อมูล (หรือตัวข้อมูลเอง) ถูกกล่าวถึงในที่อื่นในการเปิดเผยการประดิษฐ์นี้ โดยใช้ระบบคลุมเครือ (และตัวเลข Z) ดังนั้นเราจะไม่ทำซ้ำสูตรเหล่านั้นที่นี่อีก
คำถามที่เกี่ยวข้อง:
ตัวอย่างคำถามที่เกี่ยวข้องแสดงไว้ด้านล่าง สิ่งเหล่านี้เชื่อมโยงกับเทมเพลต “มนุษย์/หญิง/อายุ?” โดยนักภาษาศาสตร์ หรือเครื่องจักร/คอมพิวเตอร์ที่ได้รับการฝึกอบรมเพื่อจุดประสงค์นี้ โดยใช้โครงข่ายประสาทเทียมและระบบลอจิกคลุมเครือ ก่อตัวเป็นฐานข้อมูลเชิงสัมพันธ์ที่ขยายขนาดขึ้นตามประสบการณ์และเวลา/การฝึกอบรม ด้วยตนเอง อัตโนมัติ หรือทั้งสองอย่าง
-
- “ลูกของบุคคลนั้นอายุเท่าไหร่” หรือ “ลูกคนโตของบุคคลนั้นอายุเท่าไหร่” (เพราะโดยปกติแล้วจะมีลูกอยู่ในช่วงอายุหนึ่งๆ สำหรับมนุษย์เพศหญิง (ตามมาตรฐานปัจจุบัน) (อาศัยอยู่ในสหรัฐอเมริกา) สำหรับเด็กที่ไม่รับเลี้ยงบุตรบุญธรรม อายุของแม่มักจะอยู่ในช่วงอายุ 18 ถึง 45 ปี โดยมีสมาชิกภาพ มีลักษณะไม่เรียบ เป็นรูปสี่เหลี่ยมคางหมูไม่มากก็น้อย ดังนั้น อายุของเด็กที่โตที่สุดจึงเป็นคำถามหรือข้อมูลที่เกี่ยวข้องมาก)
- “บุคคลนั้นสำเร็จการศึกษาระดับมัธยมปลาย (หรือวิทยาลัย) ในปีใด?” (เพราะโดยปกติแล้วผู้คนในสหรัฐอเมริกาจะสำเร็จการศึกษาระดับมัธยมปลายในช่วงอายุ 17-19 ปี โดยมีฟังก์ชันสมาชิกที่เกี่ยวข้อง)
- “บุคคลนั้นซื้อบ้านเมื่อใด (หรือบ้านหลังแรกของเขาหรือเธอ)?” (เนื่องจากผู้หญิงในสหรัฐอเมริกา (หรือภูมิภาคต่างๆ ของสหรัฐอเมริกา หรือในบางเมือง หรือในกลุ่มรายได้หรือประเภทงานที่กำหนด) ซื้อบ้านหลังแรกเมื่ออายุประมาณหนึ่ง เช่น ช่วงอายุประมาณ 25-35 ปี พร้อมด้วยฟังก์ชันการเป็นสมาชิกที่สอดคล้องกัน)
- “เพื่อนที่ดีที่สุดของบุคคลนั้นอายุเท่าไหร่” (เนื่องจาก “โดยทั่วไป” แต่ละคนมีอายุราวๆ กับเพื่อนที่ดีที่สุดของเธอ/ของเขา โดยมีหน้าที่เป็นสมาชิกที่สอดคล้องกัน) (โปรดทราบว่าแนวคิดเรื่อง “โดยทั่วไป” (หรือแนวคิดที่คล้ายกัน) ได้รับการกล่าวถึงในที่อื่นในการเปิดเผยนี้ )
- “สัตว์เลี้ยงของคนๆ นี้อายุเท่าไหร่” (เพราะโดยปกติแล้ว สัตว์เลี้ยงของคนๆ หนึ่งจะอายุน้อยกว่าตัวเขาเอง โดยมีฟังก์ชันการเป็นสมาชิกที่สอดคล้องกัน)
- “พ่อแม่ของบุคคลนั้นอายุเท่าไหร่” (เพราะโดยปกติแล้ว คนๆ หนึ่งจะมีอายุน้อยกว่าพ่อแม่ประมาณ 20 ถึง 45 ปี โดยมีฟังก์ชันการเป็นสมาชิกที่สอดคล้องกัน)
เมื่อนำคำถามทั้งหมดข้างต้นมารวมกัน (และคำตอบหรือข้อมูลที่คล้ายกัน) เราจะสามารถประมาณอายุของบุคคลนั้นได้ดี โดยใช้แนวคิดที่ไม่ชัดเจนซึ่งแสดงในการเปิดเผยนี้ นอกจากนี้ เมื่อใช้ระบบการให้คะแนนความเกี่ยวข้อง เราสามารถกรองและค้นหาคำถามที่เกี่ยวข้องทั้งหมดหรือมากที่สุดได้ คำถามที่เกี่ยวข้องแต่ละข้อสามารถอ้างอิงไปยังคำถามหรือข้อมูลที่เกี่ยวข้องอื่น ๆ ในลักษณะเป็นน้ำตกและลูกโซ่ นำมาหรือแนะนำคำถามและข้อมูลเพิ่มเติมสำหรับผู้ใช้ ประวัติของผู้ใช้หรือประวัติของผู้ใช้หรือประวัติของคำถามที่คล้ายกันหรือเดียวกันสามารถจัดเก็บไว้ในฐานข้อมูลเชิงสัมพันธ์บางส่วนที่มีการให้คะแนนความเกี่ยวข้อง สำหรับการกรองและการใช้งานในอนาคต ตามเกณฑ์ ระบบมีการปรับตัวและไดนามิก รวมถึงมีโหมดการเรียนรู้/ฝึกอบรม เพราะเมื่อเวลาผ่านไป ด้วยประสบการณ์และประวัติที่มากขึ้น ฐานข้อมูลจะมีความแม่นยำและมีขนาดใหญ่ขึ้น เพื่อให้พอดีหรือค้นหาคำถามหรือข้อมูลที่เกี่ยวข้องได้ดีขึ้นและเร็วขึ้น .
ในทำนองเดียวกัน สำหรับคำตอบหรือข้อมูลที่มีอยู่ เราสามารถค้นหาข้อมูลที่เกี่ยวข้องได้โดยใช้ฟังก์ชันการเป็นสมาชิกสำหรับระดับความเกี่ยวข้อง ตัวอย่างคำตอบหรือข้อมูลได้แก่:
-
- “อายุของลูกคนโต (หรือเด็ก) ของ Mary K. Jones คือ 15 ปี”
- “Mary K. Jones สำเร็จการศึกษาจากโรงเรียนมัธยมในปี 1989”
- “Mary K. Jones ซื้อบ้านหลังแรกของเธอเมื่อประมาณปี 1996”
- “เพื่อนที่ดีที่สุดของ Mary K. Jones น่าจะอายุ 35 ปี”
- “สุนัขของ Mary K. Jones อายุประมาณ 10 ปี”
- “แม่ของแมรี เค. โจนส์อายุประมาณ 70 ปี”
บางครั้ง เราทราบอายุของ Mary K. Jones โดยอ้อมผ่านข้อมูลเกี่ยวกับอายุของพ่อแม่ของเพื่อนสนิทของเธอ ซึ่งโดยทั่วไปมีความเกี่ยวข้องน้อยกว่าและมีความน่าเชื่อถือน้อยกว่า ในสายโซ่ของข้อมูลที่เชื่อมโยงกัน อย่างไรก็ตาม ในการเปิดเผยนี้ เราได้แสดงเครื่องมือในการรักษาและวิเคราะห์/ประมวลผลสถานการณ์และข้อมูลเหล่านั้นทั้งหมด โดยมีระดับความเกี่ยวข้องและความน่าเชื่อถือที่แตกต่างกัน โดยใช้แนวคิดที่ไม่ชัดเจน เช่น ฟังก์ชันการเป็นสมาชิกสำหรับพารามิเตอร์ที่เกี่ยวข้อง
โปรดทราบว่าในการค้นหาข้อมูลและคำถาม เราสามารถใช้เทมเพลตต่อไปนี้สำหรับประโยคต่อไปนี้ เป็นตัวอย่าง:
-
- “สุนัขของ Mary K. Jones อายุประมาณ 10 ปี” ถูกแปลงเป็นเทมเพลต: (สัตว์เลี้ยงของบุคคล/บุคคล/อายุของสัตว์เลี้ยง/ประมาณ/10 ปี) ซึ่งจัดเก็บไว้ในฐานข้อมูลเชิงสัมพันธ์ซึ่งสามารถสอบถาม เปรียบเทียบ รวบรวม แก้ไข รวม เปลี่ยนชื่อ จัดทำดัชนี หรือใหม่ สั่ง
- “สัตว์เลี้ยงของคนๆ นี้อายุเท่าไหร่” ถูกแปลงเป็นเทมเพลต: (สัตว์เลี้ยงของบุคคล/บุคคล/อายุของสัตว์เลี้ยง?) ซึ่งจัดเก็บไว้ในฐานข้อมูลเชิงสัมพันธ์หรือที่จัดเก็บเทมเพลต
อีกตัวอย่างหนึ่งของเครื่องมือค้นหาคือการสอบถามเกี่ยวกับบ้านของแมรี่: “บ้านของแมรี่ราคาเท่าไหร่?” เพื่อวิเคราะห์คำถามนี้ จะต้องปฏิบัติตามกระบวนการและระบบที่คล้ายกับที่กล่าวไว้ข้างต้น อย่างไรก็ตาม ในกรณีนี้ เรามีเทมเพลตที่กำหนดไว้ล่วงหน้าสำหรับลิงก์ไปยังเว็บไซต์ที่เกี่ยวข้องหรือที่เก็บข้อมูลของรัฐบาล ตัวอย่างเช่น สำหรับราคาบ้าน ราคาเฉลี่ยของบ้าน (แนวโน้ม) สำหรับสหรัฐอเมริกา เมือง ภูมิภาค เทศมณฑล และถนนหรือละแวกใกล้เคียงที่เฉพาะเจาะจงจะมีความเกี่ยวข้อง เช่นเดียวกับอัตราเงินเฟ้อ ดัชนีที่อยู่อาศัยที่รายงานโดย Wall Street Journal หรือ รัฐบาลสหรัฐฯ (เช่น ใบอนุญาตใหม่ที่ออกสำหรับไตรมาสที่แล้วหรือสินค้าคงคลังปัจจุบันของบ้านใหม่หรือบ้านเก่า) และขนาดและรายละเอียดบ้านของแมรี (เช่น จำนวนชั้น จำนวนโรงจอดรถ จำนวนห้องนอน อายุของบ้าน และตารางฟุตของที่ดินและพื้นที่อยู่อาศัย) รวมถึงกิจกรรมด้านอสังหาริมทรัพย์ล่าสุดในพื้นที่เดียวกันสำหรับบ้านที่มีขนาดใกล้เคียงกัน (จากคลังอสังหาริมทรัพย์หรือบันทึกของเทศมณฑลสำหรับธุรกรรมล่าสุด) ราคาขายก่อนหน้าของบ้านของแมรี่ (ถ้ามี) พร้อมวันที่ที่เกี่ยวข้อง ก็เป็นข้อมูลที่เกี่ยวข้องเช่นกัน
ดังนั้นเราจึงต้องการดัชนีและข้อมูลจากหนังสือพิมพ์ รัฐบาลสหรัฐฯ รัฐบาลท้องถิ่น บันทึกของเทศมณฑล และฐานข้อมูลอสังหาริมทรัพย์ ข้อมูลเหล่านี้มักจะพร้อมใช้งานทั้งทางตรงและทางอ้อมสำหรับเครื่องมือค้นหา (สมมติว่าข้อมูลเหล่านั้นไม่ได้รับการป้องกันด้วยรหัสผ่านหรือใช้ได้เฉพาะการสมัครรับข้อมูลเท่านั้น ซึ่งอาจต้องมีการแทรกแซงและการป้อนข้อมูลจากมนุษย์) ส่วนทางอ้อมอาจต้องการคำถามที่เหมาะสมหรือข้อมูลอื่นที่เกี่ยวข้อง (หรือข้อมูลตัวกลาง) เพื่อเชื่อมโยงกับคำตอบสุดท้าย ดังนั้นในช่วงเริ่มต้น ผู้เชี่ยวชาญด้านบุคลากรในด้านเศรษฐกิจและอสังหาริมทรัพย์จึงจำเป็นต้องออกแบบและตั้งค่าการเชื่อมโยงและความสัมพันธ์ (หรือสูตรทางคณิตศาสตร์และกฎคลุมเครือ หรือความสัมพันธ์ระหว่างพารามิเตอร์ต่างๆ) เป็นขั้นตอนการเริ่มต้น อย่างไรก็ตาม หากมีแนวคิดที่คล้ายกันอยู่แล้วในกฎและรูปแบบหรือเทมเพลต เครื่องจักรสามารถเริ่มต้นลิงก์การค้นหาใหม่และเติมความสัมพันธ์โดยอัตโนมัติ โดยไม่ต้องมีการแทรกแซงหรือป้อนข้อมูลจากมนุษย์ การอัปเดตลิงก์หรือการตอบกลับสามารถทำได้เป็นระยะโดยมนุษย์หรือผู้ใช้ หรือโดยอัตโนมัติโดยเครื่องจักร เช่น โดยการตอบกลับจากประวัติโดยใช้เครื่องการเรียนรู้ (เช่น การใช้โครงข่ายประสาทเทียม ได้รับการฝึกให้อัปเดตลิงก์หรือปรับปรุง ค่อยๆ ขึ้นอยู่กับคะแนนก่อนหน้าและผลงานที่ผ่านมา)
จากตัวอย่างข้างต้น ข้อมูลที่สำคัญที่สุดน่าจะเป็นที่อยู่ของบ้าน ระบบสำหรับตัวอย่างนี้แสดงอยู่ใน
ดังนั้น หลังจากค้นหาที่อยู่แล้ว เสิร์ชเอ็นจิ้นจะมุ่งเน้นไปที่ข้อมูลที่เกี่ยวข้องใดๆ ที่เกี่ยวข้องกับที่อยู่ที่พบ โดยเฉพาะอย่างยิ่งการกำหนดเป้าหมายไปยังเว็บไซต์ที่มุ่งเน้นและที่เก็บข้อมูลที่กำหนดไว้ล่วงหน้าซึ่งอาจมีข้อมูลที่เกี่ยวข้องและเชื่อถือได้ดังที่ได้กล่าวไว้ข้างต้น ในกรณีที่มีที่อยู่หลายแห่ง หากเราไม่สามารถแก้ไขที่อยู่จริงจากที่อยู่ที่เป็นไปได้หลายรายการได้ (หรือหากจริงๆ แล้วแมรี่อาจมีบ้านหลายหลัง) เราก็จะมีรายการที่อยู่ที่เป็นไปได้ (หลายรายการ) และราคาที่เกี่ยวข้องกัน โดยมีความมั่นใจ ( หรือความเชื่อมั่น) มูลค่าหรือฟังก์ชันการเป็นสมาชิก ที่เกี่ยวข้องกับแต่ละที่อยู่ที่พบ (และราคาที่สอดคล้องกัน) ส่วนประกอบของระบบเพิ่มเติมในตัวอย่างนี้จะถูกบันทึกไว้
อีกตัวอย่างหนึ่งของเครื่องมือค้นหาคือการสอบถามเกี่ยวกับราคารถยนต์: “Ford Mustang ปี 1991 วิ่งน้อยราคาเท่าไหร่?” หรือ "ฟอร์ด มัสแตง ปี 1991 (สภาพดี) มีมูลค่าเท่าไร" เพื่อวิเคราะห์คำถามนี้ จะต้องปฏิบัติตามกระบวนการและระบบที่คล้ายกับที่กล่าวไว้ข้างต้น อย่างไรก็ตาม ในกรณีนี้ นอกจากนี้ เรามีเทมเพลตที่กำหนดไว้ล่วงหน้าสำหรับลิงก์ไปยังเว็บไซต์ที่เกี่ยวข้องหรือที่เก็บข้อมูลเชิงพาณิชย์ (หรือมาตรฐาน) เช่น เว็บไซต์ E-Bay เว็บไซต์ประมูล ตัวแทนจำหน่ายรถยนต์มือสอง โฆษณารถยนต์ หรือหนังสือพิมพ์ เว็บไซต์, เว็บไซต์ของนักสะสมรถ, เว็บไซต์นิตยสารเกี่ยวกับรถยนต์, บล็อกเกี่ยวกับรถยนต์ที่เชื่อถือได้, เว็บไซต์ของผู้เชี่ยวชาญด้านรถยนต์ หรือ Blue Book คุณค่าสำหรับรถยนต์
นอกจากนี้ระยะทางในรถยนต์สภาพรถยนต์และรายละเอียดของรถก็มีความเกี่ยวข้องเช่นกันในกรณีนี้เรารู้ว่ารถมีระยะทางต่ำ (หรืออยู่ในสภาพดี) ซึ่งเป็นคำสั่งที่คลุมเครือโดยมีค่าสมาชิกและฟังก์ชั่นที่สอดคล้องกันเกี่ยวกับไมล์สะสม (และ/หรือเงื่อนไข) ของรถยนต์การวิเคราะห์ฟัซซี่ถูกกล่าวถึงที่อื่นในการเปิดเผยนี้เราไม่ทราบรายละเอียดที่แน่นอนของรถยนต์ตัวอย่างเช่นตัวเลือกหรือคุณสมบัติพิเศษในรถดังนั้นเราอาจได้รับช่วงของค่าสำหรับรถยนต์ (เพื่อรวมตัวเลือกหรือคุณสมบัติต่าง ๆ )
การอัปเดตข้อมูล:
ประวัติและผลลัพธ์ของคำถามเดียวกันหรือคล้ายกันที่ถามหรือค้นหาก่อนหน้านี้โดยผู้อื่นสามารถเก็บไว้ได้โดย บริษัท เครื่องมือค้นหา (หรืออื่น ๆ ) ในที่เก็บข้อมูลที่แตกต่างกันสำหรับการดึงข้อมูลอย่างรวดเร็วหรือการอัปเดตคำถามบางข้อมีคำตอบซึ่งขึ้นอยู่กับเวลาเช่นมูลค่าของดอลลาร์ที่เกี่ยวกับยูโรซึ่งเปลี่ยนแปลงทุกวันหรือทุกชั่วโมงคำตอบบางอย่างไม่เปลี่ยนแปลงมาก (หรือไม่เลย)ตัวอย่างเช่นเมืองหลวงของฝรั่งเศสคือปารีสและอาจไม่เปลี่ยนแปลงบ่อยนักหรือเร็ว ๆ นี้หรือ (2+2) เสมอ 4 (ในคณิตศาสตร์ทั่วไป)ดังนั้นหนึ่งสามารถแยกคำถามเหล่านี้ออกเป็นอย่างน้อย 7 หมวดหมู่ (ซึ่งเป็นแนวคิดที่คลุมเครือด้วยตัวเองโดยมีเปอร์เซ็นต์ที่ได้รับมอบหมายเป็นช่วงของตัวเลขที่คลุมเครือโดยประมาณ)นอกจากนี้ยังสามารถกำหนดเป็นช่วงที่คมชัดตัวอย่างหนึ่งคือ:
-
- สิ่งต่างๆที่ไม่เคยเปลี่ยนแปลง (ประมาณ 0%)
- สิ่งที่ไม่ค่อยเปลี่ยนแปลง (ประมาณร้อยละ 1-10)
- สิ่งที่ไม่ค่อยเปลี่ยนแปลง(ประมาณ 10-25 เปอร์เซ็นต์)
- สิ่งที่บางครั้งเปลี่ยนแปลงไป (ประมาณร้อยละ 25-75)
- สิ่งที่มักจะเปลี่ยนแปลง (ประมาณร้อยละ 75-90)
- สิ่งที่มักจะเปลี่ยนแปลง (ประมาณร้อยละ 90-99)
- สิ่งที่เปลี่ยนแปลงอยู่เสมอ (ประมาณร้อยละ 100)
การจำแนกประเภทข้างต้นแสดงอยู่ในระบบของ
ตัวอย่างเช่น ในรูปลักษณ์หนึ่ง เราสามารถจัดเก็บประวัติที่เกี่ยวข้องและคำตอบในอดีตไว้ในที่เก็บข้อมูลซึ่งมีวัตถุประสงค์ที่แตกต่างกัน เช่น "พื้นที่เก็บข้อมูลระยะยาว" หรือ "พื้นที่เก็บข้อมูลรายวัน" “พื้นที่เก็บข้อมูลรายวัน” ได้รับการอัปเดตเป็นประจำทุกวันหรือบ่อยครั้งมาก นอกจากนี้ คำตอบ "ระยะยาว" ที่ไม่น่าเชื่อถือ (ที่มีคะแนนต่ำหรือมูลค่าสมาชิกต่ำ ในแง่ของความน่าเชื่อถือ) จะยังคงถูกจัดเก็บไว้ใน "พื้นที่เก็บข้อมูลรายวัน" เนื่องจากอาจมีการเปลี่ยนแปลงหรืออัปเดตเร็วๆ นี้ ดังนั้น แนวคิดที่ไม่ชัดเจนจะกำหนดตำแหน่งที่เราใส่หรือเข้าถึงผลลัพธ์ก่อนหน้าหรือประวัติการค้นหาครั้งก่อนๆ นอกจากนี้ โดยทั่วไปแล้ว ทุกสิ่งเท่าเทียมกัน “พื้นที่เก็บข้อมูลรายวัน” จะเข้าถึงหรืออัปเดตได้เร็วกว่า เนื่องจากเครื่องมือค้นหาใช้บ่อยกว่า เป็นพื้นที่เก็บข้อมูลหรือฐานข้อมูลระยะสั้น
นอกจากนี้ ในฐานะโหมดออฟไลน์ เราสามารถประมวลผลเป็นชุดล่วงหน้าสำหรับการค้นหาที่คาดว่าจะเกิดขึ้นในอนาคตซึ่งเป็นเรื่องปกติหรือเป็นไปได้ โดยขึ้นอยู่กับระดับ “ความเป็นไปได้” บางอย่าง (ซึ่งเป็นค่าคลุมเครือในตัวเอง) เพื่อจัดเก็บข้อมูลไว้ในที่เก็บข้อมูลสำหรับ การเข้าถึงที่รวดเร็วในอนาคต โดยไม่มีความล่าช้าในการประมวลผลมากเกินไป (หรือไม่เลย) ที่เก็บจะถูกจัดประเภทตามหัวข้อที่มีข้อมูล (บนพื้นฐานชุดคลุมเครือ) ดู
นอกจากนี้ยังมีการมอบหมายแบบไดนามิกและการอัปเดตเกี่ยวกับตำแหน่งที่ข้อมูลถูกจัดเก็บ (หรือถูกเรียกคืน) เพื่อการเข้าถึงที่รวดเร็วยิ่งขึ้น เนื่องจากบางหัวข้อหรือหัวข้ออาจถูกค้นหาอย่างมากในช่วงเวลาที่กำหนดหรือเป็นการชั่วคราว (เช่น โดยทั่วไปแล้วจะมีการสืบค้นชื่อผู้สมัครทางการเมืองบ่อยมากก่อนการเลือกตั้ง และการค้นหาจะลดลงอย่างมากหลังการเลือกตั้ง) กลไกทำนาย (ซึ่งทำนายหรือจัดเก็บแนวโน้มหรือรูปแบบดังกล่าว) และกำหนดหรือกลไกหรือโมดูล (ซึ่งกำหนดหรือกำหนดตำแหน่งการจัดเก็บใหม่) ประเมินใหม่และกำหนดตำแหน่งพื้นที่เก็บข้อมูลอีกครั้งเป็นระยะสำหรับวิชาและหัวข้อต่างๆ เพื่อให้มีมากขึ้น มีประสิทธิภาพในการค้นหาและเข้าถึงข้อมูล การทำนาย การมอบหมายงาน และหัวข้อต่างๆ ล้วนมีพื้นฐานมาจากแนวคิดที่ไม่ชัดเจนและชุดที่ไม่ชัดเจน ดู
นอกจากนี้ พื้นที่เก็บข้อมูลบางแห่งยังถูกกำหนดให้เป็นพื้นที่เก็บข้อมูลตัวกลาง เช่น โครงสร้างแบบลำดับชั้นหรือการกำหนดค่าแบบต้นไม้ เพื่อให้เข้าถึงข้อมูลบางอย่างได้เร็วขึ้น อีกทางหนึ่งคือสามารถแบ่งข้อมูลและจัดเก็บเป็นส่วนๆ เพื่อการค้นหาหรือเข้าถึงที่รวดเร็วขึ้น โดยกระจายตามขนาดของไฟล์หรือวัตถุประสงค์ของไฟล์ ตัวอย่างเช่น ชื่อเรื่อง ข้อความ วิดีโอ และเสียงที่เกี่ยวข้องกับภาพยนตร์สามารถแยกและจัดเก็บแยกกันในฐานข้อมูล เซิร์ฟเวอร์ หรือพื้นที่เก็บข้อมูลแยกกัน โดยที่เฉพาะชื่อเรื่องจะถูกจัดเก็บไว้ในเซิร์ฟเวอร์เฉพาะเพื่อการเข้าถึงและค้นหาที่รวดเร็ว (ตามชื่อเรื่องเท่านั้น ). จากนั้น หลังจากการค้นหาชื่อเรื่องเสร็จสิ้น (โดยมีค่าใช้จ่ายต่ำ) และเลือกชื่อเรื่องที่เฉพาะเจาะจงแล้ว ชิ้นส่วนหรือส่วนประกอบของภาพยนตร์ก็สามารถดึงข้อมูลจากสถานที่ต่างๆ ได้ สำหรับแอปพลิเคชันเกี่ยวกับเสียง สิ่งนี้จะช่วยเพิ่มประสิทธิภาพของเครื่องมือค้นหา การจำแนกวัตถุประสงค์หรืองานเพื่อกำหนดพื้นที่เก็บข้อมูลต่างๆ (โดยตัวมันเอง) เป็นแนวคิดที่ไม่ชัดเจน โดยมีชุดคลุมเครือและฟังก์ชันการเป็นสมาชิก (สิ่งเหล่านี้ได้รับการแก้ไขในที่อื่นในการเปิดเผยนี้) ดู
ในรูปลักษณ์หนึ่ง เพื่อตอบคำถาม "บ้านของแมรีราคาเท่าไหร่" เราพยายามเริ่มจาก "แมรี่" ไปจนถึง "ราคาบ้านของเธอ (ของแมรี่)" แต่ในตอนแรกไม่มีใครรู้ว่าวิชาใดที่เกี่ยวข้องและเกี่ยวข้องกันอย่างไร เช่น ราคารถของเธอเกี่ยวข้องไหม หรือราคาบ้านพ่อของเธอเป็นข้อมูลที่เกี่ยวข้องหรือไม่? หรือที่อยู่ของบ้านพ่อของเธอเป็นข้อมูลที่เกี่ยวข้องหรือไม่? มีความเกี่ยวข้องอย่างไรและอยู่ในระดับใด? มีกฎทั่วไปหรือความสัมพันธ์ที่เชื่อมโยง 2 แนวคิดนี้หรือไม่? มีกฎหรือความสัมพันธ์เฉพาะใดๆ (สำหรับแมรี่เท่านั้น) ที่เชื่อมโยงแนวคิดทั้งสองนี้หรือไม่ หากเป็นเช่นนั้น กฎเกณฑ์หรือความสัมพันธ์ระหว่าง 2 แนวคิดนี้คืออะไร? เราควรค้นหาแนวคิดอื่น ๆ และยาวแค่ไหนหรือมีค่าใช้จ่ายเท่าไร? ตอนนี้เราตอบคำถามข้างต้นแล้ว
ค่าใช้จ่ายในการคำนวณโดยทั่วไปจะอยู่ในรูปของเวลาในการค้นหาและค่าใช้จ่ายในการคำนวณ เช่น การใช้พลัง CPU ทั้งหมดโดยเซิร์ฟเวอร์จำนวนมากหรือฟาร์มเซิร์ฟเวอร์ (เช่น การใช้หน่วย FLOPS (หรือ flops หรือ flop/s) สำหรับการดำเนินการจุดลอยตัวต่อวินาที เพื่อเป็นการวัดประสิทธิภาพของคอมพิวเตอร์) เพื่อพิสูจน์หรือวัดว่าเราไปได้ไกลแค่ไหน ควรค้นหาแนวคิดเป็นขีดจำกัดหรือเกณฑ์คลุมเครือ เพื่อหยุดหรือจำกัดการค้นหา โดยทั่วไป ยิ่งหัวเรื่องมีความเกี่ยวข้องมากขึ้น (ซึ่งเป็นพารามิเตอร์คลุมเครือด้วยตัวมันเอง) ยิ่งมีค่าใช้จ่ายหรือเวลาในการคำนวณมากขึ้นเท่านั้นที่สมเหตุสมผล อนุญาต หรือจัดสรรสำหรับการค้นหาหัวเรื่องหรือหัวข้อนั้น (เช่น เกณฑ์สำหรับระยะเวลาที่เราสามารถค้นหาหัวเรื่องนั้นได้คือ สูงกว่า)
โดยทั่วไปความเกี่ยวข้องไม่เป็นที่รู้จักตั้งแต่เริ่มต้น ดังนั้น ระบบจะคาดเดาสิ่งที่ดีที่สุดเท่าที่จะทำได้ และหากในระหว่างขั้นตอนการค้นหาได้รับการพิสูจน์เป็นอย่างอื่น ปัจจัยที่เกี่ยวข้องจะถูกปรับใหม่ตามนั้น (ขึ้นและลง ขึ้นอยู่กับการสังเกต ประสิทธิภาพ และความพึงพอใจของเป้าหมายหรือคะแนน บน รอบการค้นหาครั้งแรก) เช่น ระบบอาจคาดเดาบางวิชาที่อาจเกี่ยวข้องกับราคาบ้านของแมรี่บ้าง แต่ก็ไม่แน่ใจ ขึ้นอยู่กับฐานความรู้เริ่มต้นเฉพาะจาก Mary และฐานความรู้ทั่วไปจากจักรวาล (ข้อมูลอื่นๆ ทั้งหมดที่มีอยู่) ระบบจะจัดลำดับความสำคัญของการคาดเดาเหล่านั้นและกำหนดคะแนนบางส่วนให้กับวิชาที่เป็นไปได้เหล่านั้น (เพื่อกำหนดเวลาและจำกัดการคำนวณสัมพัทธ์หรือสัมบูรณ์ สำหรับวิชาหรือหัวข้อเหล่านั้น) โดยใช้กฎที่ไม่ชัดเจนสำหรับการให้คะแนนความเกี่ยวข้อง ตามที่อธิบายไว้ในที่อื่นในการเปิดเผยนี้
สมมติว่าในตัวอย่างนี้ตั้งค่า "ที่อยู่ของบ้านพ่อแมรี" ให้มีความเกี่ยวข้อง (โดยมีความเกี่ยวข้องในระดับสูง ซึ่งเป็นพารามิเตอร์ที่ไม่ชัดเจน) จากนั้นระบบจะพยายามก้าวไปข้างหน้าจากทั้งสองฝ่ายเพื่อเข้าหากัน วิธีการนี้คล้ายกับการขุดอุโมงค์บนภูเขาใหญ่จากทั้งสองฝั่งของภูเขา แต่ไม่มีข้อมูล GPS ที่แน่นอน พยายามไปให้ถึงอีกฝั่งพร้อมๆ กัน ขุดและก้าวไปข้างหน้าจากทั้งสองด้านโดยใช้การคาดเดาและความรู้ที่ดีที่สุด พร้อมสำหรับแนวทางการขุดที่ดีที่สุด (ซึ่งเหมือนกับการเดาความเกี่ยวข้องของขั้นตอนหรือหัวข้อถัดไปและเลือกหัวข้อที่เกี่ยวข้องมากที่สุดในห่วงโซ่ที่เกี่ยวข้องให้แม่นยำที่สุดด้วยความรู้ปัจจุบันที่เรามี จนถึงตอนนี้ เพื่อลดพลังการคำนวณที่จำเป็นเพื่อให้ได้ผลลัพธ์ (ไปยังอีกด้านหนึ่งของอุโมงค์)) เช่น ตอนนี้ เรามี “ที่อยู่ของบ้านพ่อแมรี” แล้วจึงอยากได้ “ราคาบ้านของแมรี” ในขั้นตอนถัดไป ถ้าเราถือว่า “ที่อยู่บ้านของแมรี่” เกี่ยวข้องกับบริบทของปัญหานี้ เราก็จะได้สถานการณ์ต่อไปนี้:
ตอนนี้เรามี "ที่อยู่ของบ้านของ Mary" แล้วจึงต้องการไปยัง "ที่อยู่ของบ้านพ่อของ Mary" ตอนนี้ เราดูกฎในจักรวาลแห่งการจัดเก็บกฎ และเราพบว่ามีความสัมพันธ์กันอย่างมาก (ซึ่งเป็นอีกพารามิเตอร์ที่ไม่ชัดเจน) ระหว่างที่อยู่ของบุคคลและพ่อแม่ของเธอ ในแง่ของความใกล้ชิดของที่อยู่ ถนน ย่านใกล้เคียง เมือง หรือรหัสไปรษณีย์ ตอนนี้เราสามารถเชื่อมต่อทั้งสองด้านได้แล้ว นั่นคือเราสามารถเชื่อมโยง “ที่อยู่บ้านของแมรี่” กับ “ที่อยู่ของบ้านพ่อของแมรี่” ได้ นั่นคือ จากที่อยู่ของพ่อของเธอ เราสามารถเลือกที่อยู่ที่ดีที่สุดสำหรับบ้านของเธอ จากตัวเลือกที่เป็นไปได้ทั้งหมดจนถึงตอนนี้ ซึ่ง "เหมาะสมที่สุด" กับที่อยู่ของพ่อของเธอ (โดยมีปัจจัยสหสัมพันธ์ที่สูงกว่า) ดังนั้น เราสามารถจำกัดหรือระบุที่อยู่ของเธอให้แคบลงได้ (หรือตัวเลือกที่อยู่ของเธอ)
นอกจากนี้ หากเรากำลังจัดการกับหัวข้อหรือวิชาตั้งแต่ 2 หัวข้อขึ้นไปพร้อมๆ กัน เราสามารถไปถึงที่อยู่ของเธอได้จาก 2 ทิศทางขึ้นไป ซึ่งจะช่วยเพิ่มความมั่นใจให้กับผลลัพธ์สุดท้าย (ที่อยู่ของเธอ) เช่น การใช้ “รายได้ของเธอ” เพื่อไปยัง “ที่อยู่ของเธอ” นอกเหนือจากที่กล่าวมาข้างต้น เราอาจจะมั่นใจมากขึ้นเกี่ยวกับที่อยู่ของเธอในตอนท้าย
ระบบที่อธิบายไว้ข้างต้นแสดงอยู่ใน
ในรูปลักษณ์หนึ่ง เพื่อตอบคำถาม “มารีย์อายุเท่าไหร่” เรากำลังมองหาคำตอบที่เกี่ยวข้อง (หรือข้อมูล วิชา หรือหัวข้อ) และคำถามที่เกี่ยวข้อง หากข้อมูลที่เกี่ยวข้องไม่ชัดเจนหรือไม่พร้อมใช้งาน เราสามารถสรุปและขยายขอบเขตของหัวข้อ เพื่อพยายามค้นหาหรือค้นหาหัวข้อใหม่ภายใต้ขอบเขตใหม่ที่ใหญ่ขึ้น ตัวอย่างเช่น เรามี: (แมรี่/อายุ?) ซึ่งสามารถสรุปได้กว้างขึ้นเป็น: (มนุษย์/อายุ?) ซึ่ง (ในทางกลับกัน) เกี่ยวข้องกับ (มนุษย์/ประเทศที่พำนัก) & (มนุษย์/ เพศ) & (คน/ประเภทงาน) ดังนั้นเราจึงเพิ่มทางเลือกในหัวข้อหรือหัวข้อที่เกี่ยวข้อง ได้แก่ "ประเทศที่พำนัก" "เพศ" และ "ประเภทของงาน" ซึ่งไม่ชัดเจนในตอนเริ่มต้นของการวิเคราะห์ ดังนั้นเราจึงสามารถติดตามโอกาสในการขายเหล่านั้นสำหรับหัวข้อสำหรับเครื่องมือค้นหา เพื่อค้นหาอายุที่เป็นไปได้ (หรือช่วงอายุ) สำหรับแมรี นี่แสดงไว้ใน
ในรูปลักษณ์หนึ่ง เราจะได้รับคำตอบโดยทำตามหลายเส้นทาง โดยเริ่มจากเทมเพลตคำถาม มุ่งไปสู่คำตอบที่เป็นไปได้ ในรูปลักษณ์หนึ่ง ผู้ใช้สามารถให้ผลป้อนกลับหรือให้คะแนนคำตอบหรือเส้นทางที่สำรวจ เพื่อการเลือกเส้นทางในอนาคตที่ดีขึ้น ดู
ในรูปลักษณ์หนึ่ง ความสัมพันธ์ยังคงเหมือนเดิม แต่ข้อมูลนำเข้าอาจเปลี่ยนแปลงตลอดเวลา ส่งผลให้เกิดผลลัพธ์แบบไดนามิก (เปลี่ยนแปลงตลอดเวลา) ตัวอย่างเช่น ผลิตภัณฑ์มวลรวมภายในประเทศ (GDP) ของประเทศและประชากรของประเทศ (ปัจจัยการผลิต) เปลี่ยนแปลงตลอดเวลา ดังนั้น GDP ต่อหัว (ผลผลิต) ก็เปลี่ยนแปลงอยู่ตลอดเวลา แต่ความสัมพันธ์ระหว่าง GDP ประชากรของประเทศ และ GDP ต่อหัวของประเทศ (ความสัมพันธ์ระหว่างปัจจัยการผลิตและผลผลิต) ไม่เคยเปลี่ยนแปลง ดังนั้น ความสัมพันธ์หรือพารามิเตอร์ที่คงที่จะถูกจัดเก็บไว้ในที่เก็บที่แตกต่างกัน (เทียบกับพารามิเตอร์ไดนามิก) และเข้าถึงได้โดยไม่ต้องอัปเดตหรือตรวจสอบใดๆ ในอนาคต ตัวอย่างเช่น สูตรสำหรับ GDP ต่อหัวจะเหมือนกันเสมอสำหรับประเทศเดียวกันหรือประเทศอื่นๆ และไม่จำเป็นต้องอัปเดตหรือตรวจสอบอีกครั้ง ทำให้เข้าถึงพารามิเตอร์หรือความสัมพันธ์นั้นได้รวดเร็วยิ่งขึ้นและมีค่าใช้จ่ายน้อยลงสำหรับเครื่องมือค้นหา . พารามิเตอร์ ความสัมพันธ์ คำจำกัดความ หรือหัวข้อที่ใช้กันมากที่สุดหรือใช้บ่อยที่สุดจะถูกจัดเก็บไว้ในที่เก็บแยกต่างหาก ซึ่งจะถูกจัดกลุ่มและจัดกลุ่มย่อยในคลาสและหมวดหมู่ต่างๆ ตามหัวข้อ ในรูปแบบโครงสร้างต้นไม้หรือลำดับชั้น เพื่อความรวดเร็วและง่ายขึ้น เข้าถึงได้โดยเครื่องมือค้นหา ในรูปลักษณ์หนึ่ง การจัดกลุ่มถูกกระทำบนพื้นฐานของคำจำกัดความและเซต/เซ็ตย่อยแบบคลุมเครือ ดู
ในรูปลักษณ์หนึ่ง ข้อมูลเดียวกันอาจมีการแสดงแทนต่างๆ ที่มีระดับของรายละเอียดที่แตกต่างกัน: L1, ล2- - - ลเอ็นโดยที่ L1<ล2- - - <ลเอ็นในแง่ของ "ระดับรายละเอียด" ดังนั้นเราจึงสามารถจัดเก็บไว้ในที่เก็บข้อมูลที่แตกต่างกันสำหรับการค้นหาที่แตกต่างกัน ค้นหาและเข้าถึง L1เร็วกว่าของ L มากn(ซึ่งมีรายละเอียดเพิ่มเติม)ขึ้นอยู่กับแอปพลิเคชันหากมีการพิจารณาว่าไม่จำเป็นต้องมีรายละเอียดของ Lเอ็นโดยสามารถเลือกเวอร์ชันที่มีรายละเอียดน้อยกว่า เช่น L1หรือล2- ตัวอย่างสำหรับสถานการณ์นี้คือ เมื่อรูปภาพถูกจัดเก็บด้วยความละเอียดที่แตกต่างกัน (ที่มีขนาดแตกต่างกัน) ในที่เก็บที่แตกต่างกัน หรืออีกตัวอย่างหนึ่งคือเมื่อมีการจัดเก็บตาราง (หรือสเปรดชีตหรือฐานข้อมูล) โดยที่ส่วนหรือคอลัมน์ต่างๆ ถูกซ่อนหรือปิดใช้งาน (และไม่ได้จัดเก็บไว้) เพื่อให้ตารางเวอร์ชันต่างๆ (ที่มีขนาดและรายละเอียดต่างกัน) ถูกจัดเก็บไว้ในที่ต่างกัน ตำแหน่งหรือที่เก็บข้อมูล และแต่ละเวอร์ชันของตารางอาจพอดีหรือรองรับผู้ใช้ แอปพลิเคชัน ความต้องการ การค้นหา หรือแบบสอบถามประเภทต่างๆ ระดับของรายละเอียดสามารถแสดง (โดยผู้ใช้) เป็นพารามิเตอร์ที่ไม่ชัดเจนสำหรับไฟล์ต้นฉบับหรือข้อมูล ดู
ในรูปลักษณ์หนึ่ง มีข้อมูล 2 ประเภท (คงที่และไดนามิก) ซึ่งให้ผลลัพธ์เดียวกัน ตัวอย่างเช่น สำหรับอายุของแมรี เราสามารถจัดเก็บข้อมูลเป็น “39 ปี” (ข้อมูลแบบไดนามิกซึ่งเปลี่ยนแปลงทุกปี) หรืออีกทางหนึ่ง เราสามารถจัดเก็บข้อมูลเดียวกันกับวันเกิดที่แน่นอนของเธอ เป็นข้อมูลที่เทียบเท่ากัน ซึ่งจะคงที่อยู่เสมอ (ไม่เปลี่ยนแปลง) วิธีหรือประเภทที่สอง (ข้อมูลคงที่) มีประโยชน์มากกว่าสำหรับการอ้างอิงในอนาคต เช่น เมื่อทราบวันที่ของวันนี้ วันเกิดจะมีประโยชน์เสมอ (และข้อมูลครบถ้วน) ในการคำนวณอายุของบุคคล ในขณะที่หมายเลขอายุหรือมูลค่า (จากจำนวนปีที่แล้วที่ไม่ทราบ) (โดยตัวมันเอง) มีมาก มีประโยชน์น้อยกว่า (และสมบูรณ์น้อยกว่าในการคำนวณอายุของบุคคล) ดังนั้น เราสามารถจัดเก็บข้อมูลคงที่แยกจากข้อมูลไดนามิกได้ เนื่องจากเข้าถึงได้แตกต่างกัน โดยมีลำดับความสำคัญ ความถี่ในการเข้าถึง และระดับของ “ประโยชน์” ที่แตกต่างกัน (ซึ่งสามารถแสดงได้ด้วยแนวคิดที่ไม่ชัดเจน) เพื่อเพิ่มประสิทธิภาพเครื่องมือค้นหา โดยเฉพาะ สำหรับการค้นหาหัวข้อที่คล้ายกันในอนาคต ดู
ชื่อหรือตำแหน่งที่คุ้นเคยหรือมีชื่อเสียง:
ในรูปลักษณ์หนึ่ง ชื่อและตำแหน่งที่มีชื่อเสียงจะถูกจัดเก็บและจัดทำดัชนีหรือจัดอันดับแยกกัน เพื่อการเข้าถึงที่รวดเร็วและมีประสิทธิภาพ เช่น หอไอเฟล คลินตัน (หมายถึงอดีตประธานาธิบดีคลินตันของสหรัฐอเมริกา) ปารีส (หมายถึงปารีส ฝรั่งเศส) หรือสหรัฐอเมริกา ประธาน. ชื่อและตำแหน่งที่มีชื่อเสียงมี 2 ประเภท ประเภทแรกมีตัวเลือกเดียวเท่านั้น โดยไม่มีความคลุมเครือ (เช่น หอไอเฟล) แต่ประเภทที่สองมีตัวเลือกมากกว่า 1 ตัวเลือก โดยมีความคลุมเครือในระดับหนึ่ง (หรือมูลค่าสมาชิก) ตัวอย่างเช่น เรามีเมืองมากกว่าหนึ่งเมืองในโลกที่เรียกว่าปารีส และปารีสก็เป็นชื่อของบุคคล เช่นเดียวกับชื่อของโรงแรมและคาสิโนในลาสเวกัส อย่างไรก็ตาม “ปารีส” โดยตัวมันเอง (โดยไม่มีบริบท) น่าจะหมายถึง “ปารีส เมืองหลวงในฝรั่งเศส” เป็นตัวเลือกแรกของเรา ตัวเลือกอื่นๆ สามารถจัดอันดับเป็นรายการได้ (โดยมีค่าสมาชิกบางส่วน) แต่การจัดอันดับสามารถเปลี่ยนแปลงได้ตามบริบท เช่น ประโยคก่อนหน้า ประวัติ ภูมิหลัง ผู้พูด ผู้ฟัง หรือตำแหน่งของการสนทนา นอกจากนี้ ในรูปลักษณ์หนึ่ง 1เซนต์และ 2ndประเภทต่างๆ จะถูกจัดเก็บและแสดงรายการแยกกัน เพื่อปรับปรุงกระบวนการ เพื่อการเข้าถึงเครื่องมือค้นหาที่มีประสิทธิภาพมากขึ้น ดู
ในรูปลักษณ์หนึ่ง ตำแหน่งบางตำแหน่งเป็นตัวยึดตำแหน่ง เช่น The President of the United States ซึ่งคาดว่าจะมีค่าที่แตกต่างกันทุกๆ สองสามปี ซึ่งควรได้รับการตรวจสอบและปรับปรุง ตามช่วงเวลานั้น เช่น ทุก 4 ปี เริ่มต้น จากปีการเลือกตั้งในสหรัฐอเมริกา ซึ่งหมายความว่าที่เก็บข้อมูลบางแห่งได้รับการติดแท็กและดำเนินการในลักษณะนั้น เพื่อประสิทธิภาพสูงสุด เช่น ความแม่นยำมากขึ้นและความถี่ในการอัปเดตข้อมูลน้อยลง (หรือพลังการประมวลผลหรือค่าใช้จ่ายที่จำเป็นน้อยลง) ดู
ในรูปลักษณ์หนึ่ง มีปัจจัยด้านความแม่นยำและปัจจัยความน่าเชื่อถือที่เกี่ยวข้องกับเครื่องมือค้นหา นอกเหนือจากปัจจัยด้านต้นทุนสำหรับพลังการประมวลผล (ที่ใช้จนถึงตอนนี้สำหรับเครื่องมือค้นหา) นั่นคือ มีเกณฑ์กำหนดว่าเราต้องการความแม่นยำเท่าใดสำหรับผลลัพธ์ (ซึ่งอาจเป็นพารามิเตอร์คลุมเครือเอง) ตัวอย่างเช่น เราอาจจำเป็นต้องค้นหา (และค้นหา) เส้นผ่านศูนย์กลางของโลกถึงความแม่นยำ 10 กม. (แทนที่จะเป็นความแม่นยำ 100 กม.) ดังนั้น โดยทั่วไปเราจึงต้องค้นหาเพิ่มเติมเพื่อให้ได้ความมั่นใจหรือความแม่นยำมากขนาดนั้น (โดยมีความน่าเชื่อถือเพียงพอ) (เช่น ความแม่นยำ 10 กม. (แทนที่จะเป็นความแม่นยำ 100 กม.)) อีกตัวอย่างหนึ่งคือการหาค่าของจำนวนจริง “e” ถึงความแม่นยำของจุดทศนิยม 5 จุด (แทนที่จะเป็น เช่น ความแม่นยำของจุดทศนิยม 2 จุด) นอกจากนี้ยังมีเกณฑ์กำหนดว่าเราต้องการใช้เวลาในการคำนวณหรือเงินจำนวนเท่าใดในการค้นหานี้ ซึ่งหมายความว่าเราต้องการคำตอบมากน้อยเพียงใด และเรายินดี (หรืออนุญาต) ใช้จ่ายในการค้นหานี้นานเท่าใด ดังนั้นความถูกต้อง ความน่าเชื่อถือ ความมั่นใจ และราคาจึงเป็นปัจจัยบางประการที่กำหนดขอบเขตและความลึกของการค้นหาแต่ละครั้ง ปัจจัยทั้งหมดเหล่านี้สามารถแสดงเป็นแนวคิดที่ไม่ชัดเจน ดังที่อธิบายไว้ในที่อื่นในการเปิดเผยนี้ ดู
ในรูปลักษณ์หนึ่ง การจัดเก็บผลลัพธ์หรือการคำนวณก่อนหน้า (หรือผลลัพธ์ขั้นกลาง) โดยเฉพาะอย่างยิ่งเมื่อได้รับการร้องขอหลายครั้งหรือบ่อยมากโดยผู้ใช้รายอื่นหรือผู้ใช้รายเดียวกัน จะเพิ่มประสิทธิภาพในการค้นหาคำหรือหัวข้อที่เหมือนกันหรือคล้ายกันในอนาคต คล้ายคลึงกัน วิธีที่มนุษย์ได้รับประสบการณ์ เรียนรู้ และจัดเก็บข้อมูลเพื่อความทรงจำในอนาคต การจัดเก็บและการจดจำข้อมูลก่อนหน้านี้ทำได้ในหลายขั้นตอน ขั้นแรก ข้อมูลจะถูกสแกนหรือแยกวิเคราะห์ (เช่น กิจกรรมวันเกิดของบุคคล) สำหรับพารามิเตอร์และลักษณะเฉพาะ (เช่น รูปร่างเค้ก รสชาติเค้ก เพลงวันเกิด หมวกสีสันสดใส ของขวัญจากเพื่อน และของขวัญที่ได้รับ) จากนั้นจะมีการแท็กหรือจัดทำดัชนีตามพารามิเตอร์และคุณลักษณะเหล่านั้น (เช่น เพลง เค้ก รสชาติ รูปร่าง หมวก ของขวัญ เพื่อน คน และอาหาร) จากนั้นจะถูกจัดเก็บตามแท็กหรือดัชนีในที่เก็บข้อมูลที่เหมาะสม พื้นที่เก็บข้อมูลมีหลายประเภท เช่น ทั้งในระยะสั้นและระยะยาว เช่น ความถี่ในการเข้าถึงหรือความเร็วในการเข้าถึงเพื่อเรียกค้น (หรือความเร็วในการเข้าถึงสำหรับการแก้ไขและอัปเดตข้อมูลที่จัดเก็บไว้แล้ว) ดังนั้นจึงมีโปรเซสเซอร์หรือคอนโทรลเลอร์ที่ทำให้การจำแนกประเภทนั้น (ซึ่งอาจคลุมเครือได้เช่นกัน) เพื่อการจัดเก็บที่เหมาะสม ดู
จากนั้นจะมีแท็กการเชื่อมโยงหรือตัวชี้ที่ชี้เรื่องไปยังเรื่องอื่นที่คล้ายคลึงกัน (เช่น มีระดับความคล้ายคลึงกัน ซึ่งแสดงเป็นแนวคิดที่ไม่ชัดเจนเช่นกัน) ตัวอย่างเช่น รสชาติของเค้ก (ที่เป็นเค้กช็อกโกแลต) เป็นสิ่งเตือนใจถึงหัวข้อหรือหัวข้ออื่นๆ เช่น “ช็อกโกแลต” หรือ “โกโก้ร้อน” ดังนั้น จึงชี้ไปที่ "ช็อกโกแลต" หรือ "โกโก้ร้อน" หรือทั้งสองอย่างพร้อมกับพอยน์เตอร์ ในรูปลักษณ์หนึ่ง พอยน์เตอร์เชื่อมโยงสามารถชี้ไปยังพอยน์เตอร์เรื่องอื่นๆ ดังที่ N เรียงกันหรือต่อเนื่องกันของพอยน์เตอร์แบบอนุกรม (หรือการรวมกันของอนุกรมและโครงแบบแบบขนาน) โดยที่ N เป็นจำนวนเต็มที่มากกว่าหรือเท่ากับหนึ่ง ในรูปลักษณ์หนึ่ง ส่วนเชื่อมต่อในสายโซ่มีความแข็งแกร่งที่แตกต่างกัน (ไม่สม่ำเสมอ) ซึ่งบ่งชี้ระดับความสัมพันธ์ที่ต่างกันระหว่างผู้รับการทดลองที่ถูกล่ามโซ่คู่หนึ่ง ในรูปลักษณ์หนึ่ง การรวมตัวอยู่ในหมู่ผู้รับการทดลอง M โดยที่ M มีขนาดใหญ่กว่า 2 เช่น 3 ผู้รับการทดลอง ซึ่งทั้งหมดเกี่ยวข้องกัน ดู
ในรูปลักษณ์หนึ่ง การเชื่อมโยงสามารถอยู่กับเหตุการณ์ เช่น “เค้กหล่นบนม่าน” ดังนั้นจึงชี้ไปที่วัตถุ “ม่าน” หรือ “รอยเปื้อน” (ซึ่งจะชี้ไปที่ “เครื่องหมายวงกลม” และ “วงกลม”) วิธีหนึ่งในการจำคือเก็บลิงค์หรือปลายลิงค์ (หรือพอยน์เตอร์หรือหัวเรื่องปลายแหลม) แล้วตามสายโซ่หรือลิงค์ย้อนกลับหรือไปข้างหน้าเพื่อให้ได้ผลลัพธ์จากด้านใดด้านหนึ่งหรือแม้กระทั่งเริ่มจากตรงกลางของสายโซ่แล้วดำเนินการต่อ ไปในทิศทางเดียวเพื่อกู้คืนหรือค้นหาวัตถุดั้งเดิม ดังนั้น แต่ละวัตถุสามารถกระตุ้นอีกวัตถุหนึ่งผ่านลำดับลูกโซ่ ดู
ในรูปลักษณ์หนึ่ง สำหรับการจัดเก็บระยะยาว สิ่งหนึ่งใส่ข้อมูลหรือสายโซ่ของการเชื่อมโยงโดยรวม (หรือแบ่งออกเป็นส่วนประกอบหรือบางส่วน หรือแม้แต่สุ่มตัวอย่าง เช่น เรื่องอื่น ๆ ทุกรายการในสายโซ่ เพื่อจัดเก็บข้อมูลน้อยลงในฐานะที่จัดเก็บข้อมูลที่สูญเสีย เพื่อประหยัดพื้นที่จัดเก็บข้อมูล) ลงในพื้นที่เก็บข้อมูลระยะยาว (สำหรับการเข้าถึงที่ไม่บ่อยหรือการเข้าถึงที่ไม่ใกล้ในอนาคต) โปรดทราบว่าสำหรับการเรียกคืนข้อมูลที่เสียหายหรือพื้นที่จัดเก็บข้อมูลที่สูญหาย เราต้องใช้พลังในการประมวลผลเพื่อสร้างลิงก์ที่สูญหายขึ้นใหม่ในภายหลัง (โดยการเชื่อมโยงพอยน์เตอร์) เพื่อประกอบปริศนาจิ๊กซอว์อีกครั้งให้เป็นห่วงโซ่ดั้งเดิม ดู
ในรูปลักษณ์หนึ่ง เมื่อแยกวิเคราะห์ประโยคโดยใช้วิธีการของเราที่อธิบายไว้ที่นี่ในการเปิดเผยนี้ เพื่อค้นหาความหมายที่แม่นยำยิ่งขึ้น ท่ามกลางความหมายที่เป็นไปได้ โดยเฉพาะอย่างยิ่งในบริบทที่จำเพาะ เราสามารถจำกัดตัวเลือกหรือเป้าหมายให้แคบลงโดยรวมประโยคได้ เนื่องจาก ความเป็นไปได้ที่คำสองคำขึ้นไปที่อยู่ติดกันจะมีความหมายสอดคล้องกันหรือการตีความที่สอดคล้องกันจะกำจัดความเป็นไปได้ส่วนใหญ่ในเบื้องต้นสำหรับคำเดียว เมื่อนำเสนอเป็นลำดับของคำในลำดับเฉพาะ (หรือชุดตัวชี้ระหว่างคำ)
โปรดทราบว่าสมองของมนุษย์นำข้อมูลและความทรงจำมาเป็นรูปแบบที่เข้ารหัสของการทำงานของระบบประสาท
ในรูปลักษณ์หนึ่ง ระบบ (ของการประดิษฐ์ของเรา) จัดเก็บข้อมูลสำหรับเครื่องมือค้นหาของเราไว้ในที่เก็บหน่วยความจำแบบกระจาย ในรูปลักษณ์หนึ่ง ส่วนเชื่อมต่อหรือพอยน์เตอร์ระหว่างผู้รับการทดลองจะถูกลบออกโดยระบบ ถ้าพอยน์เตอร์หรือจุดเชื่อมต่อไม่ได้ใช้เป็นเวลานาน เพื่อรีไซเคิลหน่วยความจำที่ปล่อยออกมา ตามที่มีอยู่ สำหรับการใช้งานในอนาคต ตัวอย่างเช่น เป็นระยะๆ ระบบจะตรวจสอบลิงก์ที่ไม่ได้ใช้ซึ่งไม่ได้ใช้งานเป็นเวลานาน (ตัวแปรที่ไม่ชัดเจน) เพื่อปล่อยตำแหน่งหน่วยความจำ (และทำลายลิงก์หรือตัวชี้) หากมี
ในรูปลักษณ์หนึ่ง ส่วนเชื่อมต่อหรือพอยน์เตอร์ระหว่างผู้รับการทดลองมีน้ำหนักที่หลากหลาย นั่นคือลิงก์มีความแข็งแกร่งไม่เท่ากัน หรือการเชื่อมโยงระหว่างสองวิชาไม่ใช่ไบนารี (เช่น "เชื่อมโยง" หรือ "ไม่เชื่อมโยง") ตัวอย่างเช่น ความแรงของลิงก์สามารถแสดงเป็นจำนวนจริงระหว่าง 0 ถึง 1 ยิ่งค่าของความแรงของลิงก์สูงเท่าใด ความสัมพันธ์ก็ยิ่งมีมากขึ้น (หรือมีความสอดคล้องกันมากขึ้น) ระหว่างทั้งสองวิชา การเชื่อมโยงความแรงที่เปลี่ยนแปลงได้ระหว่างสองวิชายังสามารถแสดงออกมาในโดเมนคลุมเครือ เช่น ลิงก์ที่แรงมาก ลิงก์ที่รัดกุม ลิงก์ขนาดกลาง และลิงก์ที่อ่อนแอ ดังที่แสดงใน
ในรูปลักษณ์หนึ่ง ไซต์เครือข่ายสังคมออนไลน์ให้ผลป้อนกลับของผู้ใช้และการเชื่อมต่อระหว่างผู้ใช้เป็นการบ่งชี้แนวโน้มหรือรูปแบบของสังคม กลุ่ม หรือบุคคล ที่เกี่ยวข้องกับหัวข้อที่แตกต่างกัน เช่น รสนิยมในดนตรี ทิศทางทางการตลาด หรือความคิดเห็นทางการเมือง . ดังนั้นจึงเป็นฐานข้อมูลที่ดีสำหรับการขุดข้อมูล หัวข้อที่ทวีต (บนโมดูลตรวจสอบปริมาณการใช้ฟีดของทวีตเตอร์) ยังสามารถศึกษาและจำแนกเพื่อค้นหารูปแบบและดึงข้อมูลเพื่อวัตถุประสงค์ทางการตลาดและการเมือง เช่น ว่าใครจะได้เป็นประธานาธิบดีคนต่อไปของสหรัฐอเมริกา เช่น โดยการนับหรือรับ ความถี่ของชื่อหรือหัวเรื่องในเวลาที่กำหนด ดู
ในรูปลักษณ์หนึ่ง เราสามารถใช้เครื่องมือค้นหาเพื่อคาดการณ์ราคาตั๋วเครื่องบินสำหรับวันหยุดพักผ่อนถัดไปในเดือนหน้า หรือค้นหาราคาหรือตัวเลือกที่ดีที่สุดในปัจจุบัน (หรือแผนการเดินทางที่ดีที่สุด) โดยพิจารณาจากข้อจำกัดการเดินทางหรือกฎเกณฑ์ที่เรากำหนด ในรูปลักษณ์หนึ่ง ยังสามารถใช้เครื่องมือค้นหาเพื่อค้นหาเส้นทางที่ดีที่สุดในการขับรถกลับบ้านจากสนามบิน โดยพิจารณากฎและเงื่อนไข พร้อมด้วยข้อจำกัดด้านการจราจรหรือปริมาณน้ำมันที่เรามี เพื่อลดเวลาในการขับขี่ (ตามตัวอย่าง) ในรูปลักษณ์หนึ่ง ราคาของหุ้นของบริษัทหรือกลุ่มหุ้นโดยเฉลี่ยจะถูกคาดการณ์ไว้สำหรับเดือนหน้า หรือมูลค่าหุ้นที่ดีที่สุดจะถูกแยกออกจากหลายๆ บริษัท ตามกฎและข้อจำกัดเกี่ยวกับผลิตภัณฑ์และอุตสาหกรรมของตน โดยใช้การวิเคราะห์แบบคลุมเครือ อธิบายไว้ในที่อื่นในการเปิดเผยนี้ ดู
ในรูปลักษณ์หนึ่ง โปรแกรมค้นหาแสดงแหล่งที่มาของข้อมูลสำหรับผู้ใช้ เช่น “Wall Street Journal” เป็นมูลค่าเพิ่มสำหรับผลการค้นหาซึ่งมาพร้อมกับความน่าเชื่อถือของแหล่งที่มา เช่น เป็นพารามิเตอร์คลุมเครือ ในรูปลักษณ์หนึ่ง โปรแกรมค้นหามุ่งเน้นไปที่เว็บไซต์เพื่อส่งคืนผลลัพธ์เฉพาะบุคคล โดยอิงจากพฤติกรรมการเรียกดูก่อนหน้าของผู้ใช้ ในรูปลักษณ์หนึ่ง ผู้ใช้ป้อนข้อมูลส่วนตัวเพื่อปรับแต่งผลการค้นหาหรือช่วยให้เครื่องมือค้นหาไปในทิศทางที่ถูกต้องหรือเกี่ยวข้องมากขึ้น โดยคำนึงถึงความชอบ รสนิยม หรือพารามิเตอร์ของผู้ใช้ ตัวอย่างเช่น เมื่อรู้ว่าผู้ใช้อาศัยอยู่ในซานฟรานซิสโกหรือพื้นที่ใกล้เคียง (ในแคลิฟอร์เนีย สหรัฐอเมริกา) (ในฐานะที่อยู่ที่อาศัยอยู่ของเธอ โดยผู้ใช้ป้อนข้อมูลผ่านโมดูลอินเทอร์เฟซผู้ใช้) การค้นหา "ทีมฟุตบอล" จะทำให้ "The San Francisco 49 ers” (ซึ่งเป็นทีมอเมริกันฟุตบอลอาชีพที่ตั้งอยู่ในซานฟรานซิสโก รัฐแคลิฟอร์เนีย) และผลลัพธ์นี้มีอันดับหรือคะแนนที่สูงกว่าทีมอเมริกันฟุตบอลอีกทีมในเมืองอื่น และผลลัพธ์นี้ยังมีอันดับหรือคะแนนที่สูงกว่าด้วย กว่าทีมฟุตบอลในซานฟรานซิสโก แคลิฟอร์เนีย (เพราะว่า "ฟุตบอล" (โดยทั่วไปในสหรัฐอเมริกา) หมายถึง "อเมริกันฟุตบอล" ไม่ใช่ "ฟุตบอล") ซึ่งหมายความว่าความหมายของคำต่างๆ ได้รับการชี้แจงและกำหนดตามบริบทและข้อมูลความเป็นมา เช่น ข้อมูลของผู้ใช้หรือความชอบ เช่น ที่อยู่ รหัสไปรษณีย์ ชาติพันธุ์ ศาสนา น้ำหนัก ส่วนสูง อายุ เพศ งาน รายได้ ความเกี่ยวข้องทางการเมือง ปริญญาวิทยาลัย ความชอบด้านอาหาร ข้อมูลด้านสุขภาพ สถานะการแต่งงาน ประเภทของรถยนต์ หรือสิ่งที่คล้ายกัน ดู
ในทำนองเดียวกัน ในรูปลักษณ์หนึ่ง การสืบค้นก่อนหน้านี้ช่วยปรับแต่งผลลัพธ์การค้นหาสำหรับการสืบค้นในอนาคต ปัจจัยอื่นๆ อาจเป็นจำนวนครั้งหรือความถี่ที่ผู้ใช้ (เช่น) ค้นหาอาหารหรือข้อมูลโภชนาการ และระยะเวลาที่ผู้ใช้อยู่ในเว็บไซต์ที่เกี่ยวข้องกับอาหาร ความสนใจในวิชาที่เกี่ยวข้องกับอาหารทำให้ "อาหาร" เป็นหัวข้อที่เกี่ยวข้องมากขึ้นสำหรับผู้ใช้นั้นในอนาคต เพื่อเป็นปัจจัยในการพิจารณาความเกี่ยวข้องของวิชาอื่นๆ ในการค้นหา ในรูปลักษณ์หนึ่ง ผู้ใช้ยอมให้โปรแกรมค้นหาติดตามการใช้งานและนิสัยหรือรูปแบบของเธอ จากโมดูลอินพุตของผู้ใช้ เช่น ผ่านเมนูบนหน้าจอ สำหรับการตั้งค่าระดับความเป็นส่วนตัว ซึ่งสามารถเป็นพารามิเตอร์คลุมเครืออีกตัวหนึ่งได้เช่นกัน ดู
ในศูนย์รวมหนึ่งเครื่องมือค้นหาติดตามเพลงหนังสือภาพยนตร์และวิดีโอที่ผู้ใช้ดาวน์โหลดซื้อค่าเช่าฟังดูหรือดูในศูนย์รวมหนึ่งเครื่องมือค้นหาจะติดตามอีเมลของผู้ใช้และรูปแบบที่เกี่ยวข้องกับอีเมลหรือ SMS เช่นผู้รับ, ส่งบ่อยแค่ไหนเวลาที่ส่งหรือรับวันใดไฟล์แนบไฟล์ใด ๆอีเมล (ประเภทไฟล์เช่น JPEG หรือ PDF) ขนาดของไฟล์ไฟล์แนบหรืออีเมลหรือสิ่งที่คล้ายกันพารามิเตอร์ข้างต้นทั้งหมดที่ระบุองศาหรือคุณภาพยังสามารถแสดงเป็นพารามิเตอร์ฟัซซี่ในศูนย์รวมหนึ่งเครื่องมือค้นหามีผู้ใช้อินเทอร์เฟซหรือ GUI (อินเทอร์เฟซผู้ใช้กราฟิก) สำหรับอินพุตของผู้ใช้ด้วยการปรับสเกลหรือแถบเลื่อนลูกบิดหรือตัวเลือกดู
ในศูนย์รวมหนึ่งเครื่องมือค้นหาหรือตัวแทนซอฟต์แวร์/บอทจะเข้าไปในรายชื่ออีเมลหรือรายชื่อเพื่อนและค้นหาว่าใครอาจเป็นเช่นภาษาจีนจากลายเซ็นทางวัฒนธรรมหรือชื่อหรือนามสกุลหรือแท็กหรือข้อมูลอื่น ๆ เกี่ยวกับบุคคลนั้นเพื่อเดาต้นกำเนิดของบุคคลนั้นเพื่อรวบรวมคนเหล่านั้นทั้งหมดโดยอัตโนมัติภายใต้ชื่อกลุ่มเดียว (ซึ่งสามารถติดแท็กด้วยตนเองได้) โดยที่มันสามารถใช้รายการที่รวบรวมเพื่อเชิญเพื่อนเหล่านั้นทั้งหมดโดยอัตโนมัติสำหรับปาร์ตี้ปีใหม่จีนโดยวันที่ปฏิทินทริกเกอร์โดยอัตโนมัติหนึ่งสัปดาห์ก่อนงานตัวอย่างหรือส่งอีเมลไปยังทุกคนเพื่อแสดงความยินดี/ส่งความปรารถนาดีสำหรับปีใหม่จีนหรือทำจดหมายเสียงหรือทำกริ๊งหรือสโลแกนหรือเพลงหรือบทกวีหรือข้อความสั้น ๆ โดยเสียงข้อความวิดีโอมัลติมีเดียวิดีโอภาพหรือสิ่งที่คล้ายกัน
ในศูนย์รวมหนึ่งเครื่องมือค้นหาเชื่อมต่อกับโมดูลสำหรับการควบคุมโฆษณาคูปองส่วนลดของขวัญหรือตัวกรองสำหรับเว็บไซต์ (เช่นตัวกรองการลบเว็บไซต์เฉพาะสำหรับเด็กจากผลการค้นหา)ในศูนย์รวมหนึ่งเครื่องมือค้นหาจะให้รางวัลแก่ผู้ใช้ในคะแนนสำหรับส่วนลดสำหรับการซื้อหรือคูปองเพื่อแลกกับการให้ความเป็นส่วนตัวบางอย่างสำหรับข้อมูลส่วนบุคคลโดยผู้ใช้ในศูนย์รวมหนึ่งเครื่องมือค้นหาเป็นเอ็นจิ้นหรือโมดูลที่ปรับแต่งด้วยตนเองซึ่งสามารถฝังอยู่บนเว็บไซต์ในศูนย์รวมหนึ่งเครื่องมือค้นหาช่วยโฆษณาที่กำหนดเป้าหมายผู้ใช้ตามข้อมูลส่วนบุคคลเช่นวันเกิดเช่นคำแนะนำของขวัญหรือสถิติหรือการขับเคลื่อนด้วยไบโอเมตริกซ์เช่นความสูงของผู้ใช้หรือเปอร์เซ็นต์รายได้ของผู้ใช้ค่าเฉลี่ยของชาติหรือค่ามัธยฐานดู
ในรูปลักษณ์หนึ่ง ผู้ใช้ระบุจุดประสงค์ของเธอในการค้นหา เช่น ทางการแพทย์ ธุรกิจ ส่วนบุคคล หรือสิ่งที่คล้ายกัน ตัวอย่างเช่น การค้นหาโรงแรมจะให้ผลลัพธ์ที่แตกต่างกันสำหรับการเดินทางเพื่อธุรกิจ (ใกล้ศูนย์การประชุมหรือตัวเมือง) เทียบกับการเดินทางพักผ่อน (ใกล้ชายหาดหรือสวนสนุก) นอกจากนี้ เช่น การระบุบุคคลที่มาด้วยสามารถแก้ไขผลการค้นหาได้ ตัวอย่างเช่น การให้เด็กอยู่กับผู้ใช้ในระหว่างทริปวันหยุดจะเอียงหรือเน้นผลการค้นหาไปยังวันหยุดพักผ่อน โรงแรม หรือการล่องเรือที่ปรับให้เหมาะกับครอบครัวและเด็ก (เหมาะสำหรับครอบครัวหรือมุ่งเน้น) ซึ่งสามารถดึงข้อมูลมาจากแท็กหรือ คะแนนที่ทางโรงแรมจัดหาให้หรือเว็บไซต์ของโรงแรม เช่น เมตาแท็กหรือข้อมูลเมตา หรือจากแท็กหรือคะแนนที่ผู้ใช้รายอื่นให้มา หรือจากข้อความแสดงความคิดเห็นหรือข้อเสนอแนะโดยผู้ใช้รายอื่นเกี่ยวกับประสบการณ์ของพวกเขากับโรงแรมนั้น ดู
ในรูปลักษณ์หนึ่ง ผู้ใช้ถามคำถาม และอันดับแรกเครื่องมือค้นหาจะกำหนดภาษาของคำถาม (เช่น โดยการแยกประโยคหรือคำถาม) หรือให้ผู้ใช้เองระบุข้อมูลเกี่ยวกับภาษานั้น เช่น ภาษาฝรั่งเศส การค้นหาสามารถเน้นไปที่เว็บไซต์ที่เป็นภาษาฝรั่งเศส (เช่น การใช้ข้อมูลเมตาหรือแฟล็กจากเว็บไซต์) หรือค้นหาเว็บไซต์ใดๆ ขึ้นอยู่กับการตั้งค่าของผู้ใช้หรือค่าเริ่มต้นสำหรับเครื่องมือค้นหา ในรูปลักษณ์หนึ่ง การค้นหาอยู่ในรูปแบบต่อไปนี้หนึ่งรูปแบบหรือมากกว่า (และผลลัพธ์การค้นหายังอยู่ในรูปแบบต่อไปนี้หนึ่งรูปแบบหรือมากกว่านั้นด้วย) ข้อความ เว็บไซต์ ลิงก์ อีเมล วีดิทัศน์ รูปภาพ ภาพวาดลายเส้น ภาพวาด ดาวเทียม รูปภาพ, รูปภาพจากกล้อง, รูปภาพ, รูปภาพมนุษย์, เพลง, บล็อก, HTML, PDF, เสียง, มัลติมีเดีย, ภาพยนตร์, ฐานข้อมูล, สเปรดชีต, ข้อมูลที่มีโครงสร้าง, สไลด์หรือสิ่งที่คล้ายกัน (หรือหลายอย่างรวมกันข้างต้น) ตามการตั้งค่าของผู้ใช้หรือ ค่าเริ่มต้น. ดู
ในรูปลักษณ์หนึ่ง เครื่องมือค้นหาจะไม่มีการสืบค้น กล่าวคือ ไม่มีคำถามใดๆ เลย แต่เครื่องมือค้นหาจะจัดเตรียมหรือแนะนำหัวข้อหรือหัวข้อบางหัวข้อโดยอัตโนมัติ sua sponte ขึ้นอยู่กับประวัติและการตั้งค่าของผู้ใช้หรือคำติชมของผู้ใช้คนก่อน ในรูปลักษณ์หนึ่ง การแท็ก การให้คะแนน และคำติชมยังสามารถมาจากเพื่อน เครือข่ายสังคม ผู้ใช้อื่น ผู้ใช้ที่คล้ายกัน สมาชิกคลับ หรือเพื่อนร่วมงาน เช่น การใช้บุ๊กมาร์ก ลิงก์ และการค้นหาที่ใช้ร่วมกัน นำเสนอ แสดง หรือ ส่งต่อไปยังผู้อื่น ในรูปลักษณ์หนึ่ง มีโมดูลไบโอเมตริกหรือความปลอดภัยที่เกี่ยวข้องกับแวดวงเพื่อนหรือเครือข่ายโซเชียล เพื่อปกป้องข้อมูลที่แบ่งปัน จากการเข้าถึงหรือการแฮ็กโดยไม่ได้รับอนุญาตหรือฟรี ดู
ในรูปลักษณ์หนึ่ง โปรแกรมค้นหาและการแยกวิเคราะห์และการประมวลผลภาษาธรรมชาติที่สอดคล้องกันได้รับการปรับให้เหมาะกับการใช้งานหรืออุตสาหกรรมเฉพาะ เช่น โทรคมนาคม การซื้อขายหุ้น เศรษฐกิจ การวินิจฉัยทางการแพทย์ ทรัพย์สินทางปัญญา (ทรัพย์สินทางปัญญา) สิทธิบัตร หรือการวิเคราะห์การเรียกร้องหรือการประเมินมูลค่า บริษัท การประเมินมูลค่า ความรู้ทางการแพทย์ และอื่นๆ ตัวอย่างเช่น คำย่อและคำจำนวนมากมีความหมายเฉพาะเจาะจงมากในเทคโนโลยี บริบท หรืออุตสาหกรรมเฉพาะ ซึ่งอาจแตกต่างกันมากในบริบทหรือสภาพแวดล้อมอื่นๆ ทำให้เกิดความไม่แน่นอนหรือผลการค้นหาที่ทำให้เกิดความเข้าใจผิด การสร้างหรือการตีความภาษา ตัวอย่างเช่น "IP" หมายถึง "โปรโตคอลอินเทอร์เน็ต" ในอุตสาหกรรมโทรคมนาคม แต่หมายถึง "ทรัพย์สินทางปัญญา" ในธุรกิจที่เกี่ยวข้องกับสิทธิบัตร เพื่อลดผลกระทบเชิงลบเหล่านั้น ผู้ใช้จะระบุอุตสาหกรรมตั้งแต่ต้น โมดูลสามารถได้รับการฝึกอบรมสำหรับอุตสาหกรรมต่างๆ และสามารถจำหน่ายแยกกันหรือเข้าถึงได้เป็นบริการสำหรับอุตสาหกรรมเฉพาะ ดู
ในรูปลักษณ์หนึ่ง โดยใช้กฎทั่วไปสำหรับไวยากรณ์และไวยากรณ์สำหรับภาษาเฉพาะสำหรับโครงสร้างประโยค (และข้อยกเว้นที่เกี่ยวข้องกับกฎเหล่านั้น) โปรแกรมค้นหาจะแยกวิเคราะห์และแยกประโยค (ตามที่อธิบายไว้ที่อื่นในการเปิดเผยนี้) และใช้พจนานุกรม (ในหมวดหมู่ที่แตกต่างกัน เช่น พจนานุกรมทางการแพทย์) และอรรถาภิธาน (หรือหนังสือวลีหรืออภิธานศัพท์หรือสำนวนหรือรายการวลีหรือภาษาถิ่น) เพื่อค้นหาหรือตีความความหมายของคำ วลี และประโยค เช่น เพื่อแปลงเป็นรหัส เทมเพลต ตัวย่อ รหัสเครื่อง คำแนะนำ ข้อความ สิ่งที่พิมพ์ออกมา เสียง เสียง การแปล สคริปต์ หรือคำสั่งคอมพิวเตอร์ เพื่อดำเนินการเพิ่มเติม หากจำเป็น ดู
ในรูปลักษณ์หนึ่ง โมดูลคำพ้องความหมาย โมดูลตรวจสอบการสะกด โมดูลคำตรงข้าม และรูปแบบหรือโมดูลคำที่เทียบเท่า ล้วนเป็นส่วนหนึ่งของเครื่องมือค้นหา เพื่อช่วยค้นหาคำและแนวคิดที่คล้ายกัน หรือแยกวิเคราะห์ประโยค ในรูปลักษณ์หนึ่ง สำหรับการวิเคราะห์ เครื่องมือค้นหาจะรวมโมดูลการสรุปและโมดูลการจัดกลุ่ม เพื่อจัดกลุ่มข้อมูลเป็นชุดสำหรับการวิเคราะห์อย่างเป็นระบบ เช่น ตามพื้นที่คุณลักษณะ N-มิติสำหรับส่วนประกอบของคำหรือวลี โดยยึดตามความเป็นไปได้ทั้งหมดสำหรับ ส่วนประกอบพื้นฐาน คำบางส่วน หรือตัวอักษรในภาษาที่กำหนด (เป็นพจนานุกรมสำหรับส่วนประกอบคำพื้นฐานที่เป็นไปได้ทั้งหมดในภาษาที่กำหนด พร้อมด้วยความเป็นไปได้ทั้งหมดที่เชื่อมโยงกับส่วนประกอบใกล้เคียงอื่น ๆ ซึ่งเก็บไว้ในฐานข้อมูลหรือฐานข้อมูลเชิงสัมพันธ์ และ สามารถอัปเดตและปรับปรุงโดยผู้ใช้เป็นระยะๆ เป็นการตอบรับ หรือโดยเครื่องจักรหรือโปรเซสเซอร์ โดยอัตโนมัติ ด้วยโมดูลการฝึกอบรม เช่น โครงข่ายประสาทเทียม)
ในรูปลักษณ์เดียว การบุ๊กมาร์กทางสังคม การแท็ก อันดับเพจ จำนวนผู้เยี่ยมชมต่อเดือน จำนวนผู้เยี่ยมชมที่ไม่ซ้ำต่อเดือน จำนวนผู้เยี่ยมชมซ้ำต่อเดือน จำนวนผู้เยี่ยมชมใหม่ต่อเดือน ความถี่และระยะเวลาของการเข้าชมเว็บไซต์ที่กำหนด หรือ หน้าเว็บ จำนวนความคิดเห็น “ชอบ” หรือ “ไม่ชอบ” สำหรับไซต์หรือหัวข้อจากผู้ใช้ และจำนวนลิงก์ที่ร้องขอจริงหรือมีอยู่สำหรับเว็บไซต์ เป็นจำนวนสัมบูรณ์หรือจำนวนสัมพันธ์ หรือเป็นอัตราการเปลี่ยนแปลง (อนุพันธ์อันดับหนึ่ง) ของพารามิเตอร์เป็นส่วนทั้งหมดของการวิเคราะห์เครื่องมือค้นหาเพื่อค้นหาผลลัพธ์การค้นหาที่เกี่ยวข้องมากขึ้นโดยคำนึงถึงผู้ใช้เฉพาะหรือผู้ใช้สาธารณะทั่วไป ในรูปลักษณ์หนึ่ง การแท็กและความคิดเห็นของผู้ใช้ถูกทำเป็นคำอธิบายประกอบในผลการค้นหาเป็นเลเยอร์พิเศษ ในรูปลักษณ์หนึ่ง สิ่งที่บุคคลอื่น ผู้ใช้ หรือเพื่อนทำถูกแสดงหรือแนะนำแก่ผู้ใช้ เช่น การกระทำที่ดำเนินการหรือเว็บไซต์ที่เยี่ยมชม หรือรายการที่ซื้อ
ในรูปลักษณ์หนึ่ง การค้นหาถูกทำให้เป็นส่วนตัวหรือปรับแต่งโดยใช้ตำแหน่งหรือบทบาทของบุคคลในองค์กร เช่น CEO ของบริษัท โดยมีพารามิเตอร์ที่กำหนดไว้ล่วงหน้าเป็น CEO ทั่วไป และสามารถกำหนดเพิ่มเติมตามบุคลิกภาพเฉพาะของ ซีอีโอด้วยตัวเอง ในลักษณะที่ซีอีโอคนใหม่ไม่จำเป็นต้องเปลี่ยนส่วนทั่วไปหรือพื้นฐานของโปรไฟล์ที่กำหนดไว้ล่วงหน้า ทำให้การเปลี่ยนผ่านสำหรับซีอีโอคนใหม่ราบรื่นขึ้นมาก โมเดลตามบทบาทสามารถรวมกับแนวคิดเรื่องความเป็นธรรมชาติ เพื่อให้สามารถกำหนดคลาสของบทบาทหรือตำแหน่งได้อย่างเป็นหมวดหมู่ (เพียงครั้งเดียวในวิธีที่มีประสิทธิภาพมาก) จากนั้นคลาสย่อยอาจมีคุณลักษณะ เงื่อนไข หรือข้อจำกัดเพิ่มเติม นอกเหนือจากคลาสที่เกี่ยวข้อง
ในรูปลักษณ์หนึ่ง การค้นหาสดจะดำเนินการโดยใช้ผู้เชี่ยวชาญที่เป็นมนุษย์เป็นผู้ช่วยเหลือ เพื่อนำทางการค้นหาในทิศทางทั่วไปโดยวลีอินพุตหรือคำติชม ในขอบเขตที่จำกัด โดยโต้ตอบกับเครื่องจักรหรือคอมพิวเตอร์ สิ่งนี้มีประโยชน์สำหรับสาขาใหม่ซึ่งมีข้อมูลสะสมในฐานข้อมูลไม่มากนัก และข้อมูลส่วนใหญ่อยู่ในหัวของผู้เชี่ยวชาญที่เป็นมนุษย์ในระยะเริ่มต้นนี้ นอกจากนี้ ฐานผู้ใช้และจำนวนข้อความค้นหาสามารถจัดการได้ (น้อยพอ) โดยมีผู้เชี่ยวชาญออนไลน์ไม่กี่คน สิ่งนี้ไม่สามารถปรับขนาดได้หรือคุ้มค่าสำหรับฐานผู้ใช้หรือฐานข้อมูลขนาดใหญ่ โดยมีคำถามมากเกินไปที่จะจัดการโดยการแทรกแซงของมนุษย์
การจดจำรูปแบบ:
ในรูปลักษณ์หนึ่ง รูปภาพจะถูกค้นหาด้วยสีหรือลวดลายหรือรูปร่างที่เฉพาะเจาะจง เช่น สำหรับบ้านหรือเสื้อผ้า เพื่อให้ตรงกับเป้าหมายหรือค้นหาสิ่งที่คล้ายกับเป้าหมาย โดยอิงตามคุณลักษณะที่กำหนดไว้ในพื้นที่คุณลักษณะ เช่น รูปแบบแถบ สี สีแดง วงกลม รูปแบบจุด รูปทรงสี่เหลี่ยมคางหมู หรือสิ่งที่คล้ายกัน เป็นโมดูลการจดจำรูปแบบ มองหาระดับความคล้ายคลึง เช่น เป็นพารามิเตอร์คลุมเครือ เพื่อให้ตัวแทนอสังหาริมทรัพย์ค้นหาฐานข้อมูลและขายบ้าน หรือสำหรับห้างสรรพสินค้าหรือเว็บร้านค้า ไซต์เพื่อขายเสื้อผ้าให้กับลูกค้าที่มีศักยภาพ นอกจากนี้ยังมีประโยชน์สำหรับการวิเคราะห์และจำแนกประเภทไซต์ Facebook® และอัลบั้มรูปภาพ เช่น สำหรับการจดจำใบหน้าหรือม่านตา เช่น เพื่อระบุ ติดตาม หรือจำแนกบุคคลหรือวัตถุ นอกจากนี้ยังมีประโยชน์สำหรับวัตถุประสงค์ด้านความปลอดภัยบนอินเทอร์เน็ตหรือโดยกล้องที่สนามบินหรืออาคารอีกด้วย
ในรูปลักษณ์หนึ่ง วิดีโอจะถูกค้นหาโดยใช้ภาพนิ่ง เวกเตอร์ภาพเคลื่อนไหว และเฟรมที่ต่างกัน เช่น เพื่อค้นหารถยนต์หรือใบหน้าในวิดีโอ เพื่อค้นหาความเร็วของรถจากตำแหน่งของรถในเฟรมที่ต่างกัน หรือ เพื่อจดจำบุคคลในวิดีโอ โดยใช้ใบหน้า ม่านตา หรือการจดจำดวงตา (หรือข้อมูลชีวภาพอื่นๆ) หรือติดตามวัตถุเป้าหมายในเฟรมวิดีโอเพื่อรับพารามิเตอร์การระบุตัวตนหรือคุณสมบัติอื่นๆ จากวิดีโอ นอกจากนี้ยังมีประโยชน์ในการวิเคราะห์และจำแนก YouTube หรือที่เก็บภาพยนตร์หรือมิวสิกวิดีโอ เช่น เพื่อค้นหาหรือติดตามผู้คน หัวข้อ วัตถุ หัวข้อ หรือเพลง
ในรูปลักษณ์หนึ่ง แทร็กวิดีโอและแทร็กเสียงจากภาพยนตร์สามารถถูกวิเคราะห์แยกกัน สำหรับการจดจำเสียงและวิดีโอต่างๆ เช่น การจำแนกลายเซ็นเสียงหรือลำดับของบันทึกย่อ การระบุเหตุการณ์หรือดนตรี หรือใช้การจดจำเสียงพูดหรือผู้พูด (ดังที่ อธิบายไว้ในที่อื่นในการเปิดเผยนี้) เพื่อค้นหาหรือจดจำบุคคลและแท็กหรือจำแนกแทร็กหรือภาพยนตร์ ในรูปลักษณ์หนึ่ง เอ็นจิ้นการจดจำหรือเครื่องมือค้นหาจากแทร็กที่แตกต่างกันจะถูกรวมหรือเปรียบเทียบกัน เพื่อให้ได้ผลลัพธ์ที่ดีขึ้น มีความมั่นใจมากขึ้น และเร็วขึ้น
ในรูปลักษณ์หนึ่ง แผนที่หรือแผนที่ถนนถูกสแกนและวิเคราะห์เพื่อให้ได้ (ตัวอย่าง) ข้อมูลทางภูมิศาสตร์หรือที่อยู่อาศัย เพื่อวัตถุประสงค์ทางพลเรือนหรือการทหาร เช่น สำหรับการค้นหาตลาดหรือการรวบรวมข่าวกรองธุรกิจ การทำเครื่องหมาย คำอธิบาย มาตราส่วน สัญลักษณ์ และชื่อบนแผนที่ได้รับการยอมรับโดย OCR หรือโมดูลการจดจำรูปแบบ เพื่อตีความแผนที่และค้นหาผู้คนและสถานที่ที่น่าสนใจ สำหรับภาพถ่ายดาวเทียม วัตถุจะต้องได้รับการยอมรับเป็นอันดับแรก (โดยวัตถุหรือโมดูลการจดจำรูปแบบ) ว่าคืออะไร จากนั้นจึงสามารถจัดหมวดหมู่หรือจำแนกประเภทได้ (ตามแท็กหรือธง) โดยมีความคิดเห็น ข้อความ หรือตัวระบุซ้อนทับหรือ แนบมากับไฟล์ภาพ การรู้จำวัตถุที่มีความเป็นไปได้ที่จะเลือกจะแสดงในระบบคลุมเครือ โดยมีค่าความเป็นสมาชิก เช่น การรับรู้วัตถุว่าเป็นรถบัสหรือรถบรรทุกในภาพดาวเทียม
ในรูปลักษณ์หนึ่ง วิกิพีเดียและสารานุกรมหรือไซต์ที่ให้ข้อมูลอื่น ๆ จะถูกอ้างอิงโดยเครื่องมือค้นหาเพื่อค้นหาในหัวข้อที่มี ในรูปลักษณ์หนึ่ง เครื่องมือค้นหาจัดหมวดหมู่ตามความถี่ที่เว็บไซต์ควรได้รับการตรวจทานหรือค้นหา โดยพิจารณาจากความถี่ที่ได้รับการอัปเดต (โดยเฉลี่ย) เว็บไซต์มีความเกี่ยวข้องเพียงใดสำหรับหัวข้อการค้นหาของเรา และแหล่งที่มาของความน่าเชื่อถือเป็นอย่างไร เว็บไซต์ ตัวอย่างเช่น ยิ่งมีการอัปเดตบ่อยครั้งและเว็บไซต์มีความเกี่ยวข้องและเชื่อถือได้มากขึ้น เครื่องมือค้นหาจะตรวจสอบเว็บไซต์เพื่อดูการอัปเดตและข้อมูลใหม่บ่อยขึ้น เพื่อค้นหาและแยกข้อมูล ในรูปลักษณ์หนึ่ง โปรแกรมค้นหาติดตามและวิเคราะห์ปริมาณการใช้เว็บไซต์ เพื่อหารูปแบบและข้อมูลเกี่ยวกับเว็บไซต์ รวมถึงการวิเคราะห์ความน่าเชื่อถือของเว็บไซต์
ในรูปลักษณ์หนึ่ง หน่วยของน้ำหนัก ความยาว และสิ่งที่คล้ายกันทั้งหมด พร้อมด้วยปัจจัยการแปลงที่สอดคล้องกันถูกจัดเก็บไว้ในฐานข้อมูล ตัวอย่างเช่น เพื่อแปลง “เมตร” เป็น “ฟุต” สำหรับหน่วยความยาว ค่าคงที่ทางกายภาพและสูตรหรือข้อเท็จจริงทางกายภาพ เคมี หรือทางคณิตศาสตร์ (เช่น ความสัมพันธ์หรือตัวเลข) เช่น ความเร็วแสงหรือสูตรสำหรับความเร็วในแง่ของระยะทางและเวลา จะถูกจัดเก็บไว้ในฐานข้อมูลหรือตารางที่เกี่ยวข้องเช่นกัน เพื่อความสะดวกและ เข้าถึงเครื่องมือค้นหาได้อย่างรวดเร็ว เช่น ด้วยโครงสร้างการจัดทำดัชนีแบบลำดับชั้นหรือฐานข้อมูลเชิงสัมพันธ์ หรืออีกทางหนึ่ง เครื่องมือค้นหาสามารถอ้างอิงถึงเว็บไซต์ที่เชื่อถือได้ซึ่งมีข้อมูลคล้ายกัน เพื่อค้นหาและดึงข้อมูล
ในรูปลักษณ์หนึ่ง ส่วนประกอบ (เช่น ข้อความ วิดีโอ และแทร็กเสียงในข้อมูลภาพยนตร์) จะถูกแยกและค้นหาแยกกันบนเครื่องมือค้นหาที่ปรับให้เหมาะสมและเฉพาะเจาะจงสำหรับรูปแบบของข้อมูลนั้น ดู
ในรูปลักษณ์หนึ่ง ระบบใช้แท็กหรือข้อคิดเห็นที่เขียนโดยผู้ใช้ต่างๆ หรือค้นหาและแยกวิเคราะห์ข้อคิดเห็นเหล่านั้นเพื่อแยกหรือแปลงเป็นแท็กแต่ละรายการ (ตัวอย่างหรือวิธีการแยกวิเคราะห์ประโยคหรือวลีระบุไว้ในส่วนอื่นของการเปิดเผยในปัจจุบัน) ด้วยวิธีนี้ การรวบรวมความรู้หรือสติปัญญาของผู้ใช้และผู้คนจำนวนมากจะรวมกันเพื่อค้นหาการจับคู่ที่ดีขึ้นหรือเร็วขึ้นสำหรับ การค้นหา ตัวอย่างหนึ่งคือรูปภาพที่ผู้ใช้แท็ก ซึ่งสามารถค้นหาได้ในฐานข้อมูลที่แตกต่างกัน เพื่อค้นหาความสอดคล้องหรือแนวโน้มของความสัมพันธ์ระหว่างชื่อหนึ่งและหลายรูปภาพ
ในรอบแรก โมดูลหรืออุปกรณ์ลักษณนามแบบคลุมเครือจะจัดประเภทหรือแยกรูปภาพต่างๆ ออกเป็นกลุ่มหรือกลุ่มในพื้นที่คุณลักษณะ N-มิติ ตัวอย่างเช่น ใช้คุณลักษณะและพารามิเตอร์ของใบหน้า หรือชีวมาตร เช่น ความยาวโดยประมาณของจมูก หรืออัตราส่วนความกว้างของจมูกต่อความยาวของจมูก (เป็นตัวเลขไร้มิติหรือพารามิเตอร์ที่ทำให้เป็นมาตรฐาน หรือคุณลักษณะอื่นๆ ที่เกี่ยวข้องกับม่านตาหรือการจดจำดวงตา สิ่งนี้สอดคล้องกับบุคคลหลายคนที่มีชื่อเหมือนกันทุกประการหรือคล้ายกัน โปรดทราบว่า "ชื่อที่คล้ายกัน" เป็นแนวคิดที่ไม่ชัดเจนโดยตัวมันเองมีค่าฟังก์ชันการเป็นสมาชิกของตัวเอง
ในรอบที่สองมันจะแยกความแตกต่างระหว่างหรือค้นหารูปภาพของบุคคลเดียวกันในยุคที่แตกต่างกันหรือในรูปแบบหรือการตั้งค่าที่แตกต่างกัน (เช่นแว่นตาสีเข้มหรือสวมหนวดเคราปลอมหรือหนวดจริงหรือสวมใส่ผ้าพันคอ) ซึ่งเป็นครั้งแรกการกรองผ่านหรือวัฏจักรอาจดูหรือจัดเป็นบุคคลอื่นวิธีหนึ่งในการค้นหาบุคคลที่เหมาะสมคือการใช้พารามิเตอร์ทางชีวภาพเช่นตาและจมูกว่า“ โดยปกติ” จะไม่เปลี่ยนแปลงตามอายุ“ มาก” สำหรับบุคคลเดียวกันโปรดทราบว่า“ โดยปกติ” และ“ มาก” ก็เป็นพารามิเตอร์และแนวคิดที่คลุมเครือด้วยตัวเองอีกวิธีหนึ่งคือการติดต่อของวันที่ที่รูปภาพถูกแท็กหรือโพสต์ซึ่งอาจสอดคล้องกับวันที่ของภาพต้นฉบับหรือเทียบเท่ากับอายุของบุคคลในภาพ (หรือปีที่ภาพถูกถ่ายหรือเดิมจับ)อีกวิธีหนึ่งคือความคิดเห็นหรือข้อความหรือแท็กโดยผู้ใช้ที่มาพร้อมกับรูปภาพซึ่งรวมความน่าจะเป็นหรือความสัมพันธ์สำหรับการระบุตัวตนของบุคคลดังกล่าวอีกวิธีหนึ่งคือการติดต่อของรายการเสื้อผ้า (หรือวัตถุที่แนบมารายการภายนอกบริบทสิ่งแวดล้อมหรือโดยรอบ) เช่นการสวมเสื้อเชิ้ตหรือ "ที่คล้ายกัน" หรือผูกคอใน 2 ภาพที่แตกต่างกันโปรดทราบว่า“ คล้ายกัน” เป็นพารามิเตอร์ฟัซซี่อื่นที่นี่
แม้กระทั่งทั่วไปคือการติดต่อของการตั้งค่าหรือลักษณะของบุคคลในฐานะคอลเลกชันหรือชุดพารามิเตอร์ตัวอย่างเช่นสำหรับคนที่อาศัยอยู่ใกล้ชายหาดในฟลอริดา (เช่นที่อยู่ไมอามี่บีชเป็นที่อยู่ที่อยู่อาศัย) ระบบคาดว่าจะมีความเป็นไปได้สูงที่จะแต่งตัวแบบสบาย ๆ ชุดว่ายน้ำแว่นตาดวงอาทิตย์และต้นไม้เขตร้อนที่ปรากฏในภาพดังนั้นคุณสมบัติเหล่านั้นที่ปรากฏในภาพ (เช่นการแต่งตัวแบบไม่เป็นทางการชุดว่ายน้ำแว่นตากันแดดและต้นไม้เขตร้อน) โปรดปรานหรือเพิ่มความน่าจะเป็นของบุคคลที่มีรหัสหรือที่อยู่ไมอามี (หรือบุคคลในวันหยุดใกล้ชายหาด) เพื่อระบุตัวตนจุดประสงค์ของบุคคลในภาพแทนที่จะเป็นคนที่มีที่อยู่อะแลสกา (หรือบุคคลที่ไม่มีนิสัยการเดินทางหรือประวัติศาสตร์ในพื้นที่เขตร้อนหรือชายหาด)
อีกตัวอย่างหนึ่งคือถ้าผู้หญิงมีรูปภาพมากมายที่มีชุดสีแดง (หรือเสื้อยืดลายหรือหมวกหรือออกแบบหรือออกแบบหรือออกแบบหรือลายเซ็นหรือรูปแบบหรือสไตล์หรือแบรนด์หรือเครื่องหมายการค้าหรือโลโก้หรือสัญลักษณ์เช่นเสื้อโปโลที่มีโลโก้ของมันในนั้น) ระบบสามารถสันนิษฐานได้ว่าบุคคลนั้นมีชุดสีแดงจำนวนมากหรือชอบสีแดงสำหรับชุดหรือรองเท้าหรือรถยนต์หรือการตั้งค่าสีแดงนั้นได้มาจากผู้ใช้เองหรืออินพุตของเพื่อนของเธอเช่นไฟล์การตั้งค่าหรือไฟล์ประวัติ (หรือขึ้นอยู่กับไฟล์งานนักสืบโดยบุคคลที่สามหรือโดยตัวแทนซอฟต์แวร์ที่ค้นหาทั่วอินเทอร์เน็ตสำหรับบุคคลส่วนตัวของบุคคลข้อมูลหรือโดยฐานข้อมูลการตลาดจากห้างสรรพสินค้าของ Macy ตามพฤติกรรมหรือการซื้อที่ผ่านมาเป็นประวัติไฟล์ของเธอ)ดังนั้นหากมีคนนั่งอยู่ในรถสีแดงหรือสวมรองเท้าสีแดงในรูปภาพหรือวิดีโอมันมีความน่าจะเป็นที่สูงกว่าที่จะเป็นบุคคลที่มีปัญหาขึ้นอยู่กับไฟล์ในอดีตหรือลักษณะเฉพาะของเธอเพื่อการระบุตัวตนหรือการรับรู้เช่นสำหรับการค้นหาผ่านอินเทอร์เน็ตหรือฐานข้อมูลเพื่อค้นหารูปภาพหรือวิดีโอทั้งหมดที่เกี่ยวข้องกับชื่อหรือบุคคล
การจดจำรูปแบบ สี บุคคล ใบหน้า โลโก้ และข้อความ รวมถึง OCR (การรู้จำอักขระด้วยแสง) โดยทั่วไปทำได้โดยการแยกภาพหรือวิดีโอออกเป็นชิ้น ๆ และส่วนประกอบ (รวมถึงเวกเตอร์การเคลื่อนไหวสำหรับวิดีโอ เพื่อติดตามวัตถุ ระหว่างเฟรมซึ่งเป็นความแตกต่างระหว่างเฟรมข้างเคียง) เพื่อค้นหาคุณลักษณะหรือวัตถุ และจากพารามิเตอร์ที่เกี่ยวข้องกับคุณลักษณะและวัตถุเหล่านั้น เช่น ความยาวหรืออัตราส่วนหรือมุมทางเรขาคณิต ระบบจะค้นหาหรือคาดเดาเอกลักษณ์ของคุณลักษณะหรือวัตถุเหล่านั้น ขึ้นอยู่กับปัจจัยความแน่นอนของเสียงหรือค่าความเป็นสมาชิก (ซึ่งเป็นพารามิเตอร์คลุมเครือ) สำหรับวัตถุที่มีภาพที่ถ่ายจากหลายมุม ข้อมูลจะมีประโยชน์มากกว่า เนื่องจากจะให้ข้อมูลเกี่ยวกับวัตถุ 3 มิติ (มิติ) หรือความลึกเพื่อการจดจำที่ดีขึ้น
สำหรับโมดูลการจดจำรูปแบบ เรามีระบบวิเคราะห์รูปภาพ เช่น ดังที่แสดงใน
ในรูปลักษณ์หนึ่ง จะใช้ฟังก์ชันการตัดสินใจหรือการแบ่งแยก (เวกเตอร์รูปแบบ N มิติ) เพื่อค้นหาความเป็นสมาชิกคลาสรูปแบบและขอบเขตการตัดสินใจแบบคลุมเครือระหว่างคลาสต่างๆ สำหรับการจับคู่ ในรูปลักษณ์หนึ่ง ระบบจะใช้ตัวแยกประเภทระยะทางขั้นต่ำ โดยแต่ละคลาสรูปแบบถูกแสดงด้วยต้นแบบหรือเวกเตอร์เฉลี่ยP-
P=(1/เอ็น) สXฉัน
โดยที่ N คือจำนวนเวกเตอร์รูปแบบ และXเป็นเวกเตอร์รูปแบบ จากนั้น ระยะทางแบบยุคลิดเพื่อกำหนดความใกล้ชิดถูกกำหนดเป็น D:
ด=∥XฉันP
ที่ไหน
เค=(เคตเค-0.5(มันเป็นบรรทัดฐานของยุคลิด)
การจับคู่สามารถทำได้โดยความสัมพันธ์ C เช่นกัน ระหว่าง A และ B ในอีกรูปลักษณ์หนึ่ง:
C-เอ็กซ์, ย)=สกสชม.อัน-ก.ซ-ข-ก-x, h-y-
ฟังก์ชั่นสหสัมพันธ์อาจถูกทำให้เป็นมาตรฐานสำหรับแอมพลิจูดโดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์ (เช่นสำหรับการเปลี่ยนแปลงขนาดหรือการหมุน)
ในศูนย์รวมหนึ่งจะใช้ตัวจําแนกทางสถิติที่เหมาะสมในศูนย์รวมหนึ่งใช้ตัวจําแนกเบย์เพื่อลดการสูญเสียเฉลี่ยทั้งหมด (เนื่องจากการตัดสินใจที่ไม่ถูกต้อง) เช่นสำหรับคนที่ใช้สำหรับคลาสรูปแบบเกาส์เซียนในศูนย์รวมหนึ่งจะใช้การรับรู้สำหรับคลาสรูปแบบ 2 รูปแบบในศูนย์รวมหนึ่งจะใช้กฎ Delta Square (LMS) น้อยที่สุดสำหรับการรับรู้การฝึกอบรมเพื่อลดข้อผิดพลาดระหว่างการตอบสนองจริงและการตอบสนองที่ต้องการ (สำหรับวัตถุประสงค์ในการฝึกอบรม)
ในศูนย์รวมหนึ่งจะใช้เครือข่ายระบบประสาทฟีดไปข้างหน้าหลายชั้นในศูนย์รวมหนึ่งการฝึกอบรมจะทำโดยการแพร่กระจายกลับโดยใช้ข้อผิดพลาดกำลังสองทั้งหมดระหว่างการตอบสนองจริงและการตอบสนองที่ต้องการสำหรับโหนดในเลเยอร์เอาต์พุตในศูนย์รวมหนึ่งพื้นผิวการตัดสินใจที่ประกอบด้วยไฮเปอร์เพลนที่ตัดกันจะถูกนำมาใช้โดยใช้เครือข่าย 3 ชั้น
ในศูนย์รวมหนึ่งสำหรับการจดจำรูปแบบระบบใช้วิธีการโครงสร้างเพื่อค้นหาความสัมพันธ์เชิงโครงสร้างและเชิงเรขาคณิตสำหรับรูปร่างรูปแบบโดยใช้ระดับความคล้ายคลึงกันซึ่งเกี่ยวข้องกับค่าสมาชิกซึ่งเป็นพารามิเตอร์ที่คลุมเครือในศูนย์รวมหนึ่งหมายเลขรูปร่างถูกกำหนดไว้สำหรับระดับความคล้ายคลึงกันในศูนย์รวมหนึ่งรหัสโซ่สี่ทิศทางใช้เพื่ออธิบายรูปร่างระยะห่างระหว่าง 2 รูปร่างจะแสดงเป็นผกผันของระดับความคล้ายคลึงกันดังนั้นสำหรับรูปร่างที่เหมือนกันระยะห่างระหว่างรูปร่างเป็นศูนย์และระดับของความคล้ายคลึงกันนั้นไม่มีที่สิ้นสุดในศูนย์รวมหนึ่งสำหรับรูปร่างระบบใช้แผนผังความคล้ายคลึงกันและเมทริกซ์ความคล้ายคลึงกันเพื่อประเมินระดับความคล้ายคลึงกันซึ่งสามารถแสดงเป็นฟังก์ชั่นสมาชิกซึ่งเป็นพารามิเตอร์ฟัซซี่
ในรูปลักษณ์หนึ่ง สำหรับรูปร่าง ขอบเขตของบริเวณถูกเข้ารหัสเป็นสตริง โดยมีจำนวนของสัญลักษณ์ที่เข้ากันเพื่อบ่งชี้ระดับของความคล้ายคลึงกัน ในรูปลักษณ์หนึ่ง สำหรับรูปร่าง การประมาณรูปหลายเหลี่ยมถูกใช้เพื่อกำหนดคลาสอ็อบเจ็กต์ที่แตกต่างกัน ในรูปลักษณ์หนึ่ง วิธีการทางวากยสัมพันธ์ถูกใช้เพื่อจดจำรูปแบบ ระบบใช้ชุดของรูปแบบดั้งเดิม ชุดของกฎ (ไวยากรณ์) สำหรับการเชื่อมต่อระหว่างกัน และผู้จดจำที่มีโครงสร้างที่กำหนดโดยไวยากรณ์ ขอบเขตและออบเจ็กต์จะแสดงตามสตริงโดยใช้องค์ประกอบดั้งเดิม ไวยากรณ์คือชุดกฎของไวยากรณ์ซึ่งควบคุมการสร้างประโยคจากสัญลักษณ์ของตัวอักษร ชุดประโยคจะสร้างภาษาซึ่งแสดงถึงคลาสรูปแบบ
ในรูปลักษณ์หนึ่ง เราแสดงแทนไวยากรณ์สตริงเป็นทูเปิล 4 ตัว (A, B, C, D) สำหรับสตริง โดยมี เช่น A, B, C และ D แทนค่าที่ไม่ใช่เทอร์มินัล (ชุดของตัวแปร) , เทอร์มินัล (ชุดค่าคงที่), สัญลักษณ์เริ่มต้น และชุดกฎ ตามลำดับ จากนั้น วัตถุหรือรูปร่างสามารถแสดงได้ทางคณิตศาสตร์ โดยการแปลงเป็นโครงกระดูกของมันเป็นครั้งแรก (โดยใช้การประมวลผลภาพในระดับพิกเซล เช่น ทำให้ภาพบางลงเพื่อให้ได้รูปร่างของโครงสร้างเส้น) ตามด้วยการแสดงแบบดั้งเดิม (เช่น โครงสร้างพื้นฐาน หรือรูปทรงเรขาคณิตจากฐานข้อมูลมาแทนที่โครงกระดูก) ตามด้วยโครงสร้างที่สร้างจากไวยากรณ์สตริงปกติ (เพื่อให้มีลักษณะคล้ายกับรูปร่าง ภูมิภาค หรือรูปดั้งเดิม) ตัวรู้จำสตริงสามารถแสดงได้โดยใช้โหนดและตัวเชื่อมต่อลูกศรระหว่างโหนดในลักษณะกราฟิก คล้ายกับแผนภาพสถานะ
ในรูปลักษณ์หนึ่ง ไวยากรณ์สตริงสามารถขยายหรือทำให้เป็นลักษณะทั่วไปไปในไวยากรณ์แผนภูมิต้นไม้ สำหรับการจดจำทางวากยสัมพันธ์ของต้นไม้ โดยใช้ทูเพิล 5 ตัว (A, B, C, D, E) โดยที่ E เป็นตัวแทนฟังก์ชันการจัดอันดับเพื่อเป็นตัวแทน จำนวนผู้สืบทอดโดยตรงของโหนดที่มีป้ายกำกับซึ่งเป็นเทอร์มินัลในไวยากรณ์ อีกครั้ง วัตถุหรือรูปร่างสามารถแสดงได้ทางคณิตศาสตร์ โดยการแปลงเป็นโครงกระดูกของมันเป็นครั้งแรก (โดยใช้การประมวลผลภาพในระดับพิกเซล เช่น เพื่อทำให้ภาพบางลงเพื่อให้ได้รูปร่างของโครงสร้างเส้น) ตามด้วยการแสดงแบบดั้งเดิม โดยใช้ไวยากรณ์แบบต้นไม้ ให้มีลักษณะคล้ายรูปร่าง ภูมิภาค หรือรูปร่างดั้งเดิม การเลือกค่าพื้นฐานในกรณีนี้จะขึ้นอยู่กับค่าความเป็นสมาชิก และดังนั้นจึงเป็นพารามิเตอร์ที่ไม่ชัดเจน
สำหรับการรับรู้ ระบบจะเกี่ยวข้องกับฐานข้อมูลฐานความรู้ต่างๆ: ความรู้เชิงขั้นตอน (เช่น การเลือกพารามิเตอร์และขั้นตอน) ความรู้ด้านภาพ (เช่น มุมของแสง การสร้างเงาและเอฟเฟกต์ภาพอื่นๆ) และความรู้โลก (สำหรับความสัมพันธ์ระหว่างวัตถุ เช่น ในรูปภาพของรถยนต์ ระบบคาดว่าจะค้นหาหรือตรวจจับยางอย่างน้อยหนึ่งเส้นใต้ท้องรถ หากมองเห็นได้ในมุมมองนั้น) ซึ่งกำหนดความคาดหวังในภาพเพื่อการตรวจสอบความถูกต้อง ความสม่ำเสมอ และความแม่นยำที่สูงขึ้น เช่น ความรู้ระดับโลกที่ว่า “รถยนต์มักจะมียาง 4 เส้น” สามารถแสดงได้ดังนี้:
[ความเป็นเจ้าของ (รถยนต์, ยาง, 4) ปกติ]
หรือสามารถเขียนใหม่ได้เป็น:
กรรมสิทธิ์ (รถยนต์ ยาง อย่างน้อย 1)
หรืออาจแสดงเป็น: (“สำหรับรถยนต์ทั้งหมด” มียางเส้นเดียว):
ความเป็นเจ้าของ (∀ รถยนต์ ∃ยาง)
ข้อความเหล่านี้สามารถใช้ร่วมกับข้อความอื่นๆ ได้โดยใช้ตัวดำเนินการเชิงตรรกะหรือความสัมพันธ์ เช่น คำสั่ง AND, OR, NOT, XOR และ IF-THEN (กฎ) การใช้กฎและความสัมพันธ์ ระบบจะทำการอนุมานหรืออนุมาน โดยใช้โมดูลอนุมานหรือกลไกหรืออุปกรณ์อนุมาน โดยปกติแล้วคำนี้จะเพิ่มเลข Z เข้าไปในคำแถลงความรู้ของโลก ดังนั้น หากระบบตรวจพบวัตถุวงรีหรือทรงกลมในภาพใต้ตัวถังของวัตถุภาพโครงสร้างรถยนต์ นั่นอาจเป็นยางของรถยนต์ การตรวจจับยางสามารถแสดงตามค่าสมาชิกซึ่งเป็นพารามิเตอร์ที่ไม่ชัดเจน
ในรูปลักษณ์หนึ่ง มีการใช้เครือข่ายความหมาย โดยมีโหนดเป็นตัวแทนของวัตถุและลูกศรแสดงถึงความสัมพันธ์ระหว่างวัตถุ ตัวอย่างเช่น สำหรับตัวอย่างที่ให้ไว้ข้างต้นเกี่ยวกับ “รถยนต์ที่มียาง” โหนดหนึ่งคือ CAR และโหนดที่สองคือ TIRE โดยมีลูกศรเชื่อมต่อโหนด CAR กับโหนด TIRE ซึ่งแสดงถึงความสัมพันธ์ความเป็นเจ้าของระหว่าง 2 โหนด
อีกตัวอย่างหนึ่งคือการประยุกต์ใช้ตำแหน่งของวัตถุสองชิ้นโดยสัมพันธ์กัน ตัวอย่างเช่น สำหรับคำสั่ง "รถยนต์ที่อยู่เหนือยาง" โหนดหนึ่งคือ CAR และโหนดที่สองคือ TIRE โดยมีลูกศรเชื่อมต่อโหนด CAR กับโหนด TIRE ซึ่งแสดงถึงความสัมพันธ์ข้างต้น (ตำแหน่ง) ระหว่าง 2 โหนด เป็นตัวแทนของวัตถุ 2 ชิ้น CAR และ TIRE ความรู้เกี่ยวกับความเป็นไปได้ของการมีอยู่และตำแหน่งของยางในรูปของรถยนต์ ช่วยในการระบุวัตถุในภาพ (แม่นยำและเร็วขึ้น) นอกจากนี้ หากระบบได้รับข้อเท็จจริงหรือข้อความอื่นว่า "ยางมีขอบล้อรูปดาว" ดังนั้นหากตรวจพบวัตถุรูปดาวที่อยู่ตรงกลางวัตถุของ TIRE ในภาพรถยนต์ ดาวนั้น - วัตถุที่มีรูปทรงอาจเป็นขอบยางของรถ
ตัวอย่างข้างต้นใช้ได้กับลักษณะใบหน้าด้วย เช่น ม่านตา ใบหน้า หรือตัวตนของการจดจำบุคคล ซึ่งมีความสัมพันธ์ระหว่างขนาดสัมพัทธ์และตำแหน่งของส่วนประกอบต่างๆ ของดวงตาหรือใบหน้าของมนุษย์ ตัวอย่างข้างต้นยังใช้ได้กับการสะกดหรือการรู้จำคำ (เช่น OCR) และการจดจำเสียง ซึ่งมีความสัมพันธ์ระหว่างเสียงหรือตัวอักษรต่างๆ ที่ประกอบขึ้นเป็นคำหรือประโยค สำหรับไวยากรณ์และภาษาที่กำหนด เช่น ภาษาอังกฤษแบบอเมริกัน ในแง่ลำดับของตัวอักษรที่ประกอบเป็นคำหรือวลีหรือประโยคที่เป็นลายลักษณ์อักษร หรือลำดับของเสียงกัด หรือน้ำเสียง หรือตัวบันทึก หรือความถี่ที่ประกอบเป็นคำพูด หรือเสียง หรือประโยคคำพูด ดังนั้น จากทั้งหมดที่กล่าวมาข้างต้น จึงทราบความสัมพันธ์หรือตำแหน่งสัมพัทธ์ของวัตถุหรือคุณลักษณะหนึ่งที่เกี่ยวข้องกับอีกวัตถุหนึ่ง ซึ่งช่วยในการตรวจจับและการรับรู้ (หรือการตรวจสอบและยืนยัน) ของคุณลักษณะและรูปแบบทั้งหมดในรูปภาพหรือในสื่ออื่นใด .
ในตัวอย่างหนึ่ง หากความคิดเห็นหรือแท็กสำหรับรูปภาพอ้างถึง "4 รูปสุดท้าย"ไทยเดือนกรกฎาคม โดยมีคลินตันอยู่ในออฟฟิศ” หลังจากวิเคราะห์ แยกวิเคราะห์ และวิเคราะห์ข้อความ (ตามที่อธิบายไว้ในที่อื่นในการเปิดเผยนี้) สำหรับผู้ใช้ในสหรัฐอเมริกา (เฉพาะบริบทสำหรับผู้ใช้) วลี “4ไทยเดือนกรกฎาคม” และ “คลินตันในที่ทำงาน” น่าจะเป็นการอ้างอิงถึง “อดีตประธานาธิบดีบิล คลินตัน แห่งสหรัฐอเมริกา” (ขึ้นอยู่กับความสัมพันธ์ของคำหรือแนวความคิด หรือการรวมกันของคำ หรือลำดับของคำ คำในวลี) 4 ตัวสุดท้ายไทยของเดือนกรกฎาคมของการดำรงตำแหน่งประธานาธิบดีของประธานาธิบดีบิล คลินตัน (จากข้อเท็จจริงทางประวัติศาสตร์และฐานข้อมูลที่มีอยู่ในเครื่องมือค้นหา) คือวันที่ 4 กรกฎาคม พ.ศ. 2543 ดังนั้นรูปภาพจึงถูกแท็กด้วยข้อความที่อ้างถึงวันที่ 4 กรกฎาคม พ.ศ. 2543 มี วันที่ที่เกี่ยวข้องกับรูปภาพหรือชิ้นส่วนของข้อมูลมักจะช่วยในการค้นหาเจ้าของรูปภาพหรือเอกลักษณ์ของวัตถุในภาพหรือสิ่งต่าง ๆ ที่เกี่ยวข้องกับรูปภาพ (ขึ้นอยู่กับความสัมพันธ์ การเชื่อมโยง หรือความน่าจะเป็น) เช่น เอกลักษณ์ของรูปภาพหรือชิ้นส่วนของข้อมูล บุคคลในภาพ. โปรดทราบว่าวันที่ที่เกี่ยวข้องกับรูปภาพโดยทั่วไปอาจเป็นวันที่ที่มีหลายค่า ไม่ชัดเจน เป็นช่วง หรือวันที่โดยประมาณ
โปรดทราบว่าในตัวอย่างข้างต้น “คลินตัน” (แยกจากประโยคและแยกเป็นชื่อหรือนามสกุลที่เป็นไปได้) ได้ถูกจัดเก็บไว้ในฐานข้อมูลสำหรับชื่อหรือบุคคลที่มีชื่อเสียง โดยมีลำดับการจัดอันดับดังต่อไปนี้: (1) ประธานาธิบดีบิล คลินตัน (ในฐานะผู้สมัครที่น่าจะเป็นไปได้มากกว่า); (2) รัฐมนตรีต่างประเทศ ฮิลลารี คลินตัน; และอื่น ๆ หากไม่มีข้อมูลสนับสนุนอื่นๆ ระบบจะพยายามเลือกจากมากไปน้อย สำหรับตัวเลือกแรก (ประธานาธิบดีคลินตัน) “สำนักงาน” หมายถึง “ทำเนียบขาว” หรือ “ประธานาธิบดี” ในความเป็นจริง คำทั่วไปหรือคำทั่วไปในภาษาอาจมีความหมายเฉพาะหรือความหมายที่แตกต่างกัน เมื่อมีความเกี่ยวข้องกับคำ แนวคิด บริบท หรือสภาพแวดล้อมอื่น (เช่น การเมือง กับสาขาการแพทย์) ดังนั้น เมื่อบริบทถูกกำหนดหรือกำหนด (เช่น การเมืองหรือนักการเมือง) ฐานข้อมูลเฉพาะสำหรับบริบทเฉพาะนั้นจะถูกเปิดใช้งานหรืออ้างอิง แทนที่จะเป็นฐานข้อมูลทั่วไปหรือฐานข้อมูลทั่วไป เพื่อค้นหาความหมายที่แม่นยำยิ่งขึ้นหรือดีกว่าของ คำหรือวลี นี่แสดงไว้ใน
ในตัวอย่าง ชื่อหนึ่งมีความคล้ายคลึงกับอีกชื่อหนึ่งในการสะกดหรือเสียง ดังนั้นขณะพิมพ์หรือแปลงเสียงเป็นข้อความ การสะกดคำอาจออกมาแตกต่างออกไป นอกจากนี้ ชื่อในสคริปต์ที่แตกต่างกัน เช่น อารบิก เปอร์เซีย หรือจีน อาจลงเอยแตกต่างกันในระหว่างการแปลงเป็นสคริปต์หรือตัวอักษรภาษาอังกฤษหรือละติน ความไม่แน่นอนของเสียงหรือการสะกดคำนี้ถูกบันทึกไว้ในฐานข้อมูลสำหรับการเปลี่ยนแปลงของชื่อหรือคำ ผู้สมัครที่มีค่าสมาชิกที่แตกต่างกัน ซึ่งเป็นพารามิเตอร์คลุมเครือที่สุดเท่าที่จะเป็นไปได้ ฐานข้อมูลสามารถกรอกและแก้ไขโดยผู้ใช้ในชุมชนของผู้ใช้ อีกวิธีหนึ่งคือการเลือกใช้คำหรือเสียงบางส่วน เช่น เป็นข้อผิดพลาดหรือข้อผิดพลาดที่พบบ่อยที่สุด เช่น เพื่อค้นหาคำสุดท้ายด้วยการวิเคราะห์ความสัมพันธ์ เช่น ขึ้นอยู่กับการให้คะแนนชุดค่าผสม และการเพิ่มคะแนนสูงสุดของชุดค่าผสมสำหรับผู้สมัครทุกคน ในตัวอย่างนี้ คำที่รอพิจารณาบางส่วนจะถูกจัดเก็บแยกกัน
ตัวอย่างหนึ่งของข้อผิดพลาดทั่วไปคือจากระยะห่างของตัวอักษรบนแป้นพิมพ์ทั่วไป เช่น แป้นพิมพ์ Qwerty เช่น โดยมี R และ T อยู่ใกล้กัน ทำให้มีแนวโน้มที่บุคคลจะพิมพ์ R แทนที่จะเป็น T เช่น พิมพ์ RANK แทน TANK (หรือพิมพ์ TTANK แทน TANK) ในกรณีที่คำผิดมีความหมาย ตรวจตัวสะกดแล้วตรวจคำผิดอย่างเดียวไม่ได้ และจะหาได้จากการวิเคราะห์บริบทเท่านั้น เช่น วลี “ถังเก็บน้ำบนหลังคา” ให้เข้าใจโดย ระบบที่ว่าวลี “อันดับน้ำบนหลังคา” เป็นเพียงการพิมพ์ผิดหรือสะกดผิด เนื่องจากวลีที่สองไม่มีความหมายที่ถูกต้อง
เมื่อธงถูกยกขึ้นเกี่ยวกับความหมายที่ไม่เหมาะสมหรือการสะกดผิดในระบบการจดจำ หนึ่งในการทดสอบที่ระบบทำคือการลองและทดสอบคำหรือวลีที่คล้ายกันซึ่งมีเสียงหรือการสะกดคำคล้ายกัน เช่น การทดสอบปุ่มที่อยู่ใกล้เคียงบนแป้นพิมพ์เพื่อหาข้อผิดพลาดที่อาจเกิดขึ้น โดยแทนที่ด้วยคำที่น่าสงสัยเพื่อดูว่าผลลัพธ์ใดมีความหมายที่ถูกต้องหรือไม่ จากนั้น ระบบจะจัดอันดับผลลัพธ์ และจะทำเครื่องหมายผลลัพธ์ที่มีคะแนนสูงสุดในบริบทของวลีหรือประโยค สำหรับตัวเลือกที่เป็นไปได้สำหรับคำต้นฉบับ (ถูกต้อง)
เพื่อวิเคราะห์วลีหรือประโยค ในรูปลักษณ์หนึ่ง ระบบจะพิจารณาคำคุณศัพท์หรือคำที่เกี่ยวข้อง เช่น "ถังเก็บน้ำ" ตัวอย่างเช่น สำหรับ “ถัง” เมื่อใช้เป็นคำที่เทียบเท่ากับ “ภาชนะ” (ซึ่งสามารถแยกออกจากบริบท จากคำหรือย่อหน้าใกล้เคียง) ตามหลักตรรกะแล้ว มันสามารถเก็บวัตถุบางอย่างได้ โดยเฉพาะของเหลว เช่น ก๊าซ ของเหลว น้ำ ไนโตรเจน และไนโตรเจนเหลว ดังนั้นเราสามารถรวมพวกมันเข้าด้วยกันเป็นเทมเพลต:
[ของเหลว+แท็งก์]
หรือ:
[แทงค์ของ+ฟลูอิด]
หนึ่งสามารถจัดเก็บเทมเพลตเหล่านี้ (และข้อยกเว้นใด ๆ กับเทมเพลต) ในหลายฐานข้อมูลซึ่งสามารถจัดหมวดหมู่และแยกตามหัวข้อและการใช้งานของพวกเขาในโครงสร้างแบบลำดับชั้นหรือต้นไม้หรือพีระมิดที่มีคุณสมบัติการสืบทอดเช่นโหนดหลักและโหนดเด็ก.
สิ่งนี้สามารถทำได้ด้วยคำคุณศัพท์เช่น“ ใหญ่” ในวลี“ ถังขนาดใหญ่” ซึ่งแสดงเป็นเทมเพลต:
[Adjective+Tank]
ตอนนี้เมื่อเราสแกนประโยคหรือวลีเรากำลังใช้ (ค้นหา) เทมเพลตที่เก็บไว้หรือบันทึกไว้ล่วงหน้าในฐานข้อมูลหรือ storages เพื่อค้นหารูปแบบที่ได้รับคำสั่งโดยเทมเพลตเมื่อพบเทมเพลต (เพื่อให้ตรงกับรูปแบบของประโยคหรือวลีที่กำหนด) ระบบสามารถเข้าใจความหมายของส่วนของข้อความวลีหรือประโยคจากนั้นมันสามารถเข้าใจความหมายของประโยคหรือวลีทั้งหมดผ่านชุดค่าผสม