TWI892663B - 具有模糊控制自動標記資料的閘道器、應用上述閘道器的人工智慧控制系統與人工智慧控制方法 - Google Patents

Abstract

一種具有模糊控制(Fuzzy Control)的閘道器，透過模糊控制可以融入專家知識自動地生成標記資料，採用模糊控制進行資料標記與整理有別於傳統標記方法，只要透過專家定義資料與邏輯，就可以設計出良好的資料標記與整理模型，比起傳統人工標記或條件式標記，在閘道器內就能快速與精準地自動標記資料，也不需要另外收集大量資料訓練AI模型才能進行自動標記。

Description

具有模糊控制自動標記資料的閘道器、應用上述閘道器的人工智慧控制系統與人工智慧控制方法

本發明與人工智慧控制系統有關，特別是指一種具有模糊控制自動標記資料的閘道器、應用上述閘道器的人工智慧控制系統與控制方法。

近來人工智慧(Artificial Intelligence,AI)出現了巨大且影響深遠的技術進展，隨著大資料和機器學習技術的不斷進步，人工智慧已經能夠處理大量複雜的資料分析和決策任務，不僅僅是模擬人類的思考模式、邏輯和行為表現，甚至朝著超越人類能力的方向發展。

想要建立與應用高品質且高效率的人工智慧，首先必須收集足夠的資料，並對其進行清洗、整理和標記，然後選擇合適的機器學習演算法與設計神經網路模型，再使用前述完成標記的資料對模型進行反覆訓練，經過不斷調整和優化模型，確保其產出結果在實際應用中能夠保持高性能，才能讓人工智慧以具有可靠性、安全性和可解釋性的落地實踐於各式各樣的應用領域。

面對目前大數據分析資料的需要，以及人工智慧的基礎來自於良好標記的資料，資料的前處理與專家標記為重要的工作，沒有標記或是錯誤標記的資料無法被機器學習模型理解，唯有具備高品質、標記過的資料，才能幫助機器學習模型準確理解和分類各種例如圖像、文字和影片等資料類型。

常見的資料標記方式為人工標記，但是人工標記資料的速度很慢，除了導致成本很高以外，還會有標記偏見與不一致的問題。雖然已經有利用AI自動標記資料試圖克服人工標記的缺點，卻又衍生出必須事先準備額外的AI模型，且還必須要依據應用領域選擇出特定的AI模型，才能良好地標記出高品質的資料。但是，上述傳統資料標記方式仍然不適合應用到例如製造工廠、民生產業等會持續產生出大量資料，而且需要高效率AI演算的場合。

因此，本發明提供一種主要應用在數位系統的閘道器，特別是整合了模糊控制(Fuzzy Control)進而達成自動標記資料的閘道器、應用上述閘道器的人工智慧控制系統以及人工智慧控制方法，透過閘道器的模糊控制可以將應用領域內的專家知識融入於控制系統，同時也透過模糊控制自動標記與生成入閘道器之資料後即可輸出含有標記完成的資料，採用模糊控制進行閘道器的資料標記與自動整理有別於傳統資料標記方法，只要透過專家知識的資料定義與邏輯定義，就可以設計出良好的資料標記與整理模型，本發明相較於傳統資料標記方式更加快速與精準。

為達成前揭目的，本發明提供的具模糊控制自動標記資料之閘道器係與複數個裝置對接並做資料傳輸，該閘道器包含一模糊邏輯控制單元與一通訊單元；該模糊邏輯控制單元執行一模糊理論並對該複數個裝置的一輸入資料進行分析以形成一輸出資料，該輸出資料包含該輸入資料，一標記且對應一專家知識規則庫的一模糊結論，該標記包含被定義的一類別與一數值；該通訊單元用以傳輸該輸出資料；根據上述技術特徵，本發明具有以下技術效果：

1.可以快速將專家知識設定於人工智慧控制系統。

2.本發明可以更精準與更趨近人類思維的邏輯。

3.本發明可以融合應用領域的專家知識，而且更精準地將資料進行警示、篩選外還具備自動標記與生成等功效。

4.在閘道器內即可針對資料進行有效的標記與整理，解決後續需要大量人力標記整理資料的問題。

根據本發明的目的提供一種人工智慧控制方法，包含首先執行一模糊理論並對複數感測器所取得的一輸入資料進行分析，接著形成一輸出資料，其中，該輸出資料包含該輸入資料，一標記且對應一專家知識規則庫的一模糊結論，該標記包含被定義的一類別與一數值；然後讓一人工智能模型分析該輸出資料形成一控制規則，接著傳送該控制規則至對應的複數個裝置。

有關本發明所提供的詳細構造或特點，將於後續的實施方式詳細說明中予以描述。然而，本領域技術人員應能瞭解，該詳細說明以及實施本發明所列舉的特定實施例，僅是用於說明而並非用以限制本發明的權利要求保護範圍。

10:輸入裝置

10a:輸入資料

10b:標記

15:輸出裝置

15a:輸出資料

20:閘道器

21:運算單元

22:記憶體單元

23:儲存單元

24:通訊單元

25:模糊邏輯控制元件

30:人工智能模型

圖1是本發明較佳實施例的示意圖。

圖2是本發明較佳實施例的另一示意圖。

圖3是本發明一實施態樣的示意圖。

為了詳細說明本發明之技術特徵及功效所在，茲列舉較佳實施例並配合下列圖式說明如後，本領域技術人員能瞭解本實施方式的說明用語屬於不限制技術應用領域的原則性上位式描述。再者，本發明主要特點為數位系統經常使用到的閘道器(Gateway)，閘道器是一種能夠在不同網路或協定之間進行資料交換的裝置，閘道器可以實現不同網路之間的互聯互通，也可以實現不同協定之間的轉換和適配。傳統的閘道器除了進行資料交換功能以外，部分具備有條件式警示與篩選功能，不足以應付目前大數據分析與人工智慧的需求。

請參閱圖1及圖2為本發明具有模糊控制自動標記資料的閘道器示意圖，閘道器包含輸入裝置10、輸出裝置15以及閘道器20。

閘道器20包含運算單元21、記憶體單元22、儲存單元23、通訊單元24以及模糊邏輯控制元件25，且彼此之間為電性連接。另外，若為運算能力可以負荷的前提，則運算單元21與模糊邏輯控制元件25可以是同一個單元，可以其中一個是軟體，另一個是硬體，也可以兩個都是硬體。

作為舉例說明，運算單元21可以是中央處理器(CPU)、圖形處理器(GPU)、神經網路處理器(NPU)、數位訊號處理器(DSP)、可程式邏輯閘陣列(FPGA)，亦不以此為限。記憶體單元22可以是隨機存取記憶體(RAM)、唯讀記憶體(ROM)、快閃記憶體(Flash)，亦不以此為限。儲存單元23可以是硬碟(HDD)、固態硬碟(SSD)、雲端儲存、網路附加儲存(NAS)，亦不以此為限。通訊單元24可以是網路介面卡(NIC)、無線網路介面卡(Wi-Fi)、藍牙、Zigbee、LoRaWAN，亦不以此為限。模糊邏輯控制元件25可以是模糊邏輯控制器(FLC)、模糊推理機(Fuzzy Logic Controller)、模糊知識庫(Fuzzy Knowledge Base)。

於本實施態樣中，閘道器20與複數個裝置對接並做資料傳輸，該些裝置包含輸入裝置10、輸出裝置15。作為示例，輸入裝置10包含電腦(PC)、可程式邏輯控制器(PLC)或感測器(sensor)，依據其功能產生一輸入資料10a，在一個具體的實施態樣中，輸入資料10a為感測資料。輸出裝置15包含電腦(PC)、資料庫(database)、儲存設備、或受控裝置，閘道器將輸入資料作資料處理後，通訊單元24根據輸出資料的類型傳送到不同的輸出裝置15。

模糊邏輯控制單元25被建構成用以執行一模糊理論，對輸入資料10a進行分析以形成輸出資料15a。

模糊理論是一種用於處理模糊資料的推論方法。它可以將模糊的輸入資料轉換為模糊的輸出資料。推論的過程通常包括以下幾個步驟：

1.將輸入資料模糊化，模糊化的定義需要根據具體的應用場景來確定。

2.模糊推論，根據模糊邏輯進行推論。

3.對推論結果進行解模糊化，即，將模糊推論的結果轉換為具體數值的過程。

於一個具體的實施態樣中，模糊邏輯是根據知識庫保存的規則(rules)和給予的事實推導出新的結論，即在"若x是A，則y是B"(A、B皆為模糊集合)的規則下，當有一個輸入(事實)“x是A”時，y應該如何推論出相對應之結果的處理方法。

在本較佳實施例的模糊化過程是以採用歸屬函數進行模糊化作為舉例，歸屬函數是函數值位於[0，1]區間內的函數，而作為舉例可包含三角形 歸屬函數、梯形歸屬函數、高斯函數歸屬函數、s函數歸屬函數，或是π函數歸屬函數。

該解模糊化過程可包含採用適應積分(Adaptive Integration,AI)、基本非模糊化分佈函數(basic defuzzification distributions,BADD)、面積平分法(BOA)、拘束決策解模糊(CDD)、面積中心法(center of area,COA)、重心法(center of gravity,COG)、延伸面積中心法(ECOA)、延伸量法(EQM)、模糊群集解模糊(FCD)、模糊平均(FM)、第一個最大隸屬度值(FOM)、廣義水平集解模糊(GLSD)、索引型重心法(ICOG)、影響值(IV)、最後一個最大隸屬度值(LOM)、平均最大隸屬度值(MeOM)、中間最大隸屬度值(MOM)、品質法(QM)、隨機選擇最大隸屬度值(RCOM)、半線性解模糊(SLIDE)或加權模糊均值(WFM)。因此，輸出資料15a包含模糊結論，該模糊結論是對應一專家知識規則庫，且依據應用領域定義出標記10b，該標記10b包含被定義的類別與數值。

採用前述模糊理論進行資料標記與整理時，只要透過專家的資料定義與邏輯定義，就可以設計出好的資料標記與整理模型，比起傳統人工標記或條件式標記來得快速與精準，也不需要另外收集大量資料訓練人工智能模型才能進行自動標記，因此輸出資料15a對於人工智能模型的運算負荷量較小，也能夠提高準確率，可以更精準與更趨近人類思維的邏輯。

本發明之閘道器的特點是可以廣泛應用在人工智慧控制系統，其包含前述的閘道器20、複數個裝置，以及一人工智能模型30。閘道器20從輸入裝置10接收輸入資料10a，將包含自動標記的輸出資料15a 傳送至人工智能模型30形成一控制規則，接著傳送控制規則至對應的輸出裝置15。

本發明於其中一實施態樣舉例了人工智慧控制方法，包含以下步驟：

步驟S10：執行一模糊理論並對複數感測器所取得的一感測資料(即輸入資料)進行分析形成一輸出資料，其中輸出資料包含輸入資料、一標記且對應一專家知識規則庫的一模糊結論，標記包含被定義的一類別與一數值。其中複數感測器與人工智能模型之間對接一閘道器，閘道器用以執行一模糊理論。

步驟S20：接著，令一人工智能模型分析輸出資料形成一控制規則，接著傳送控制規則至對應的複數個裝置。

於一個具體的實施態樣中，請參閱圖3繪示前述的控制方法應用冷氣馬達控制。在模糊邏輯的推論過程中，模糊化的條件如下：

1.當室外溫度10℃~20℃為低，體感溫度10℃~20℃為低，冷氣馬達轉速1000rpm~2000rpm為低。

2.當室外溫度20℃~27℃為中，體感溫度20℃~27℃為中，冷氣馬達轉速2000rpm~3000rpm為中。

3.當室外溫度27℃~40℃為高，體感溫度27℃~40℃為高，冷氣馬達轉速3000rpm~4000rpm為高

本較佳實施例之模糊邏輯的條件如下：

1.若室外溫度為低，體感溫度為低，馬達轉速應該為低。

2.若室外溫度為中，體感溫度為低，馬達轉速應該為低。

3.若室外溫度為高，體感溫度為低，馬達轉速應該為中。

4.若室外溫度為低，體感溫度為中，馬達轉速應該為低。

5.若室外溫度為中，體感溫度為中，馬達轉速應該為中。

6.若室外溫度為高，體感溫度為中，馬達轉速應該為高。

7.若室外溫度為低，體感溫度為高，馬達轉速應該為中。

8.若室外溫度為中，體感溫度為高，馬達轉速應該為高。

9.若室外溫度為高，體感溫度為高，馬達轉速應該為高。

再如以下為本發明應用於穩定控制半導體雷射功率的舉例說明，其模糊邏輯推論過程的模糊化條件如下表：

對應上述另一舉例說明之模糊邏輯的規則如下：

1.若功率誤差值E為”負向大”且功率誤差變化值EC為”負向大”，則修正功率誤差補償值U為”正大大”。

2.若功率誤差值E為”負向大”且功率誤差變化值EC為”負向小”，則修正功率誤差補償值U為”正大小”。

3.若功率誤差值E為”負向大”且功率誤差變化值EC為”正向小”，則修正功率誤差補償值U為”正中大”。

4.若功率誤差值E為”負向大”且功率誤差變化值EC為”正向大”，則修正功率誤差補償值U為”正中小”。

5.若功率誤差值E為”負向中”且功率誤差變化值EC為”負向大”，則修正功率誤差補償值U為”正大小”。

6.若功率誤差值E為”負向中”且功率誤差變化值EC為”負向小”，則修正功率誤差補償值U為”正中大”。

7.若功率誤差值E為”負向中”且功率誤差變化值EC為”正向小”，則修正功率誤差補償值U為”正中小”。

8.若功率誤差值E為”負向中”且功率誤差變化值EC為”正向大”，則修正功率誤差補償值U為”正中小”。

9.若功率誤差值E為”負向小”且功率誤差變化值EC為”負向大”，則修正功率誤差補償值U為”正中大”。

10.若功率誤差值E為”負向小”且功率誤差變化值EC為”負向小”，則修正功率誤差補償值U為”正中小”。

11.若功率誤差值E為”負向小”且功率誤差變化值EC為”正向小”，則修正功率誤差補償值U為”正小小”。

12.若功率誤差值E為”負向小”且功率誤差變化值EC為”正向大”，則修正功率誤差補償值U為”負小大”。

13.若功率誤差值E為”無”且功率誤差變化值EC為”負向大”，則修正功率誤差補償值U為”正小大”。

14.若功率誤差值E為”無”且功率誤差變化值EC為”負向小”，則修正功率誤差補償值U為”無”。

15.若功率誤差值E為”無”且功率誤差變化值EC為”正向小”，則修正功率誤差補償值U為”無”。

16.若功率誤差值E為”無”且功率誤差變化值EC為”正向大”，則修正功率誤差補償值U為”負小大”。

17.若功率誤差值E為”正向小”且功率誤差變化值EC為”負向大”，則修正功率誤差補償值U為”正小小”。

18.若功率誤差值E為”正向小”且功率誤差變化值EC為”負向小”，則修正功率誤差補償值U為”正小小”。

19.若功率誤差值E為”正向小”且功率誤差變化值EC為”正向小”，則修正功率誤差補償值U為”負小小”。

20.若功率誤差值E為”正向小”且功率誤差變化值EC為”正向大”，則修正功率誤差補償值U為”負中大”。

21.若功率誤差值E為”正向中”且功率誤差變化值EC為”負向大”，則修正功率誤差補償值U為”負中小”。

22.若功率誤差值E為”正向中”且功率誤差變化值EC為”負向小”，則修正功率誤差補償值U為”負小大”。

23.若功率誤差值E為”正向中”且功率誤差變化值EC為”正向小”，則修正功率誤差補償值U為”負中大”。

24.若功率誤差值E為”正向中”且功率誤差變化值EC為”正向大”，則修正功率誤差補償值U為”負大小”。

25.若功率誤差值E為”正向大”且功率誤差變化值EC為”負向大”，則修正功率誤差補償值U為”負中大”。

26.若功率誤差值E為”正向大”且功率誤差變化值EC為”負向小”，則修正功率誤差補償值U為”負中大”。

27.若功率誤差值E為”正向大”且功率誤差變化值EC為”正向小”，則修正功率誤差補償值U為”負大小”。

28.若功率誤差值E為”正向大”且功率誤差變化值EC為”正向大”，則修正功率誤差補償值U為”負大大”。

10:輸入裝置

15:輸出裝置

20:閘道器

21:運算單元

22:記憶體單元

23:儲存單元

24:通訊單元

25:模糊邏輯控制單元

Claims (7)

1. 一種具模糊控制自動標記資料之閘道器，與複數個裝置對接並做資料傳輸，該閘道器包含：一模糊邏輯控制單元，執行一模糊理論並對該複數個裝置的一輸入資料進行分析以形成一輸出資料，該輸出資料包含該輸入資料、一標記且對應一專家知識規則庫的一模糊結論，該標記包含被定義的一類別與一數值；以及一通訊單元，用以傳輸該輸出資料至一人工智能模型。
2. 如請求項1所述之閘道器，其中該模糊理論包含一模糊化過程，該模糊化過程採用歸屬函數進行模糊化。
3. 如請求項1所述之閘道器，其中該模糊理論包含一解模糊化過程，該解模糊化過程包含採用適應積分(adaptive integration ，AI)、基本非模糊化分佈函數(basic defuzzification distributions ，BADD)、面積平分法(BOA)、拘束決策解模糊(CDD)、面積中心法(center of area， COA)、重心法(center of gravity ，COG)、延伸面積中心法(ECOA)、延伸量法(EQM)、模糊群集解模糊(FCD)、模糊平均(FM)、第一個最大隸屬度值(FOM)、廣義水平集解模糊(GLSD)、索引型重心法(ICOG)、影響值(IV)、最後一個最大隸屬度值(LOM)、平均最大隸屬度值(MeOM)、中間最大隸屬度值(MOM)、品質法(QM)、隨機選擇最大隸屬度值(RCOM)、半線性解模糊(SLIDE)或加權模糊均值(WFM)。
4. 一種人工智慧控制系統，包含請求項1至3中任一所述的閘道器、複數個裝置，以及一人工智能模型，其中，該閘道器從該複數個裝置接收一輸入資料，將一輸出資料傳送至該人工智能模型形成一控制規則，接著傳送該控制規則至對應的該複數個裝置。
5. 一種人工智慧控制方法，包含：於一閘道器執行一模糊理論並對複數感測器所取得的一輸入資料進行分析，以形成一輸出資料，其中，該輸出資料包含該輸入資料、以及一標記且對應一專家知識規則庫的一模糊結論，該標記包含被定義的一類別與一數值；以及令一人工智能模型分析該輸出資料形成一控制規則，接著傳送該控制規則至對應的複數個裝置。
6. 如請求項5所述之控制方法，其中該專家知識規則庫包含一模糊理論，該模糊理論的模糊化過程是採用歸屬函數進行模糊化。
7. 如請求項5所述之控制方法，其中該專家知識規則庫包含一模糊理論，該模糊理論的解模糊化過程包含採用適應積分(AI，adaptive integration)、基本非模糊化分佈函數(BADD，basic defuzzification distributions)、面積平分法(BOA)、拘束決策解模糊(CDD)、面積中心法(COA，center of area)、重心法(COG，center of gravity)、延伸面積中心法(ECOA)、延伸量法(EQM)、模糊群集解模糊(FCD)、模糊平均(FM)、第一個最大隸屬度值(FOM)、廣義水平集解模糊(GLSD)、索引型重心法(ICOG)、影響值(IV)、最後一個最大隸屬度值(LOM)、平均最大隸屬度值(MeOM)、中間最大隸屬度值(MOM)、品質法(QM)、隨機選擇最大隸屬度值(RCOM)、半線性解模糊(SLIDE)或加權模糊均值(WFM)。