机构名称：
¥ 1.0
我们对个体表现感兴趣的情况。在我们对个体表现感兴趣的情况下，我们希望将失败概率降至最低，我们希望物体与期望轨迹的偏差尽可能小——因为正是这种偏差导致了失败。模糊控制中出现这种偏差的可能原因之一是模糊控制基于使用“与”和“或”运算结合原始专家的置信度，而原始估计仅提供一些不确定性。就像专家无法提供所需控制的确切值一样——这就是为什么首先需要模糊技术——专家也无法用确切的数字来描述他/她对某个陈述的置信度。如果我们强迫专家这样做——许多系统都是这样做的——当再次询问相同的陈述时，专家会提供略有不同的数字。这些变化会影响“与”和“或”运算的结果——从而影响最终的控制。与所需控制的任何过大偏差都可能是灾难性的。因此，为了安全起见，我们要确保最坏的偏差尽可能小。让我们用精确的术语描述这种情况。设 δ > 0 表示专家提供程度的准确度。这意味着同一位专家可以对同一句话 A 的置信度提供估计值 a 和 a ′，它们是 δ 接近的，即 | a − a ′ | ≤ δ 。类似地，对于另一个语句 B ，专家可以提供估计值 b 和 b ′，使得 | b − b ′ | ≤ δ 。由于这种不确定性，我们可以得到不同的值 f & ( a , b ) 和 f & ( a ′ , b ′ )，即我们有一个非零差值 | f & ( a , b ) − f & ( a ′ , b ′ ) |。最坏的情况是这种差异最大。它的特点是价值
推荐引用推荐引用 Cohen, Kelly；Bokati, Laxman；Ceberio, Martine；Kosheleva, Olga；以及 Kreinovich, Vladik，“为什么可解释人工智能中使用模糊技术？可解释人工智能中使用哪些模糊技术？” (2021)。部门技术报告 (CS)。1553。https://scholarworks.utep.edu/cs_techrep/1553
主要关键词
相关文件推荐
