الفوركس على الانترنت Martil: نظام التداول المبني على المنطق المبهم

تطبيق المنطق الضبابي في التداول عن طريق MQL4.

المقدمة.

لا يمكن أن يتصور التداول في الوقت الحاضر دون أنظمة التداول الآلي عادة ما يسمى الخبراء المستشارين أو الروبوتات. ومعظمها، إن لم يكن كلها، تتميز باستراتيجية تجارية واضحة ومرنة ونظام إدارة الأموال. ميزتها الرئيسية هي خوارزمية جامدة باستثناء العامل البشري. ومع ذلك، فإن هذه الميزة هي أيضا عيب الرئيسي لأن الروبوتات التداول تفتقر إلى المرونة. بغض النظر عن ظروف السوق، مستشار خبير دائما تطبيق نفس استراتيجية التداول مع نفس المعايير تصنيفها بدقة. وبعبارة أخرى، فإن النظام يعمل دائما بشكل صارم: متوسط الاتجاه & غ؛ دخول السوق مع الكثير واحد، اتجاه قوي & غ؛ دخول السوق مع اثنين من الكثير. لا الانحرافات!

وخلافا للنظام الآلي، يعتقد التجار البشريون في فئات غامضة وقد يكون لديهم آراء مختلفة حول إشارات دخول السوق المشابهة. وغالبا ما تكون مشكوك فيها وتظل تسأل نفسها إذا كان الاتجاه معتدلا أو قويا. وحتى لو كان هذا الاتجاه كبيرا، هل هو قوي بما فيه الكفاية للدخول في اثنين من الكثير؟ هذه الفئات غامض يمكن التعامل معها من قبل المنطق غامض. المنطق الضبابي لا يضع حدودا صارمة بين الفئات. بدلا من ذلك، فإنه "يطمس" لهم جعل نظام التداول أكثر مرونة والجمع بين جامدة الروبوت التداول مع مرونة العقل البشري. تقدم المقالة أمثلة لتطبيق نظام المنطق الضبابي في التداول بواسطة MQL4.

وظائف العضوية.

قراءة المقال "مقدمة إلى المنطق الضبابي" لفهم المفاهيم العامة لنظرية المنطق غامض. أيضا، تعلم أساسيات مكتبة فوزينيت ل MQL4، لأنه يتم استخدامه لتنفيذ الأمثلة.

دعونا نصف وظائف العضوية المستخدمة في المقالة.

وظيفة عضوية الثلاثي.

كما يوحي اسمها، وهذا هو وظيفة عضوية على شكل مثلث. هذه هي وظيفة بسيطة وأكثر استخداما التي تحددها الصيغة التحليلية التالية:

ويستخدم عادة لتحديد الأنواع التالية من الشكوك: "متساوية تقريبا"، "متوسط القيمة"، "تقع ضمن النطاق"، "مماثلة للكائن"، "يشبه الكائن"، الخ. المعلمات وظيفة عضوية الثلاثي عادة ما تفسر على النحو التالي:

[a، c] - فاريابل رانج؛ ب - القيمة المتغيرة الأكثر احتمالا.

الشكل 1. وظيفة عضوية الثلاثي.

وظيفة عضوية شبه منحرف.

وظيفة العضوية على شكل شبه منحرف المعرفة بالصيغة التالية:

وتفسر معلمات وظيفة عضوية شبه منحرف على النحو التالي:

[a، d] - حاملة مجموعة غامضة، تقييم متشائم للمتغير؛ [b، c] - جوهر مجموعة غامض، تقييم متفائل للمتغير.

الشكل 2. وظيفة عضوية شبه منحرف.

وظيفة عضوية على شكل جرس.

وظيفة العضوية في شكل منحنى على شكل جرس متناظرة التي تحددها الصيغة:

وتفسر قيم المعلمات على النحو التالي:

أ - نسبة تركيز وظيفة العضوية؛ ب - نسبة انحدار وظيفة العضوية. ج - وظيفة العضوية أعلى نقطة تنسيق.

الشكل 3. وظيفة عضوية على شكل جرس.

وظيفة عضوية السيني.

يتم حساب الدالة باستخدام الصيغة التالية وتطبيقها عند تحديد وظائف العضوية رتيبة:

وينبغي تفسير معاييره على النحو التالي:

- نسبة انحدار وظيفة العضوية. с - وظيفة العضوية انعطاف تنسيق.

الشكل 4. وظيفة العضوية السيغمودية.

نموذج تنفيذ مؤشر عن طريق مكتبة فوزينيت ل MQL4.

الشكل 5. عملية أدكس وتنفذ تقسيم قوة الاتجاه.

هذه الفئات الثلاث المحددة بشكل صارم لها بعض العيوب التي تسببها منطقتها واضحة وصارمة التصنيف:

والعيب الأول هو الطبيعة الذاتية للتصنيف. في الواقع، لماذا اخترنا 30 و 50 و 70 كقيم حدودية؟ لماذا لم نختار 25، 50، و 75، أو غيرها؟ قد تؤثر هذه الآراء المختلفة بشكل كبير على عملية أدكس، بل قد تؤدي إلى نتائج متعارضة عكسيا. والمسألة الثانية هي المناطق الحدودية للفئات المختارة. على سبيل المثال، 50 هي الحدود بين ضعف ومتوسط الاتجاه. إذا طبقنا منطق صارم، علينا أن نعترف أن 48 و 49 لا تزال تنتمي إلى منطقة الاتجاه الضعيف، في حين أن 50 و 51 في منطقة الاتجاه المتوسط بالفعل. ولكن ماذا عن الانتقال من 49 إلى 50؟ في كلتا الحالتين (48-49 و49-50)، والفرق بين القيم يساوي واحد. ومع ذلك، لسبب ما، تعتبر الحالة الأخيرة انتقالا من فئة إلى أخرى.

لذلك، كيف يمكن للمنطق غامض حل هذه القضايا؟

كما سبق ذكره، المنطق الضبابي "بلورس" (فوززيس) الحدود المحددة. يتم تعيين القيم الحدودية لفئات محددة بشكل صارم لكلا الفئتين دفعة واحدة ولكن بدرجات متفاوتة من العضوية. قد يكون وصف العينة في هذه الحالة كما يلي: يمكن وصف الاتجاه الحالي بأنه ضعيف (30٪)، ولكن على الأرجح يمكن وصفه بأنه متوسط (70٪). ويصف المتداول البشري ذلك على النحو التالي: الاتجاه متوسط وليس ضعيفا. وأعتقد أن هذه هي الميزة الرئيسية للمنطق غامض. وهي مرنة ومتغيرة عند التعامل مع معايير محددة بشكل صارم. لقد قمت باختيار وظائف العضوية التالية لمثالنا مع مؤشر أدكس:

وظيفة عضوية شبه منحرف لضعف وصف مفهوم الاتجاه. وظيفة عضوية على شكل جرس لوصف مفهوم الاتجاه المتوسط. وظيفة السيني لوصف مفهوم الاتجاه القوي.

ويمكن وصف الأنظمة الأكثر تعقيدا التي تحتوي على العديد من الفئات باستخدام وظائف أخرى متوفرة في مكتبة فوزينيت. حاليا، تحتوي المكتبة على أكثر من اثني عشر وظيفة. يوضح الشكل التوضيحي لمثالنا أدناه:

الشكل 6. وصف الاتجاه باستخدام المنطق الغامض.

كما نستطيع أن نرى، الرسم البياني الآن لديه مجالات يضم اثنين من فئات الاتجاه في وقت واحد. الاتجاه في المنطقة 50-60 ضعيف ومتوسط، في حين أن 60-70 هو متوسط وقوي. وهكذا، فقد حددنا مصطلح محدد بمهام العضوية المحددة سلفا للفئات الثلاث. الآن بعد أن لدينا مدخلات أدكس وصفها من قبل وظائف العضوية، يجب أن نحدد ما نعتبره قيمة الانتاج والنتيجة ديفوزيفيكاتيون، فضلا عن اختيار خوارزمية منطقية غامض الإخراج.

على سبيل المثال، لقد اخترت نسبة خطر الودائع نسبة إلى متغير قوة الاتجاه غامض المحدد في البداية. وبعبارة أخرى، كلما كان الاتجاه أقوى، كلما ارتفعت نسبة المخاطر والودائع المطبقة في التداول. لقد اخترت مامداني كخوارزمية الإخراج المنطقي.

كما هو الحال مع قوة الاتجاه، دعونا نقدم ثلاث فئات متميزة وفقا لدرجة المخاطر:

خطر منخفض - 2-4٪ من الودائع. خطر طبيعي (عادي) - 4-5٪. عالية المخاطر (عالية) - من 5 إلى الحد الأقصى لقيمة 10٪ من الودائع.

الآن، دعونا نحدد فئات المخاطر باستخدام وظائف العضوية:

شبه منحرف - لانخفاض المخاطر. الثلاثي - للمخاطر العادية. سيغمود - لارتفاع المخاطر.

ونتيجة لذلك، نحصل على الوصف البياني التالي عن طريق منطق غامض:

الشكل 7. وصف درجة من المخاطر عن طريق المنطق الغامض.

دعونا تنفيذ البيانات الموضحة باستخدام مكتبة فوزينيت ل MQL4:

لقد وضعت مؤشر رسم بياني بسيط تصور درجة درجة الخطر / قوة الاتجاه (الأخضر - الاتجاه الصاعد، الأحمر - الاتجاه الهبوطي). يعرض ارتفاع البارات الرسم البياني قيمة عددية لدرجة الخطر في قوة اتجاه مختلفة ضمن الحدود الموصوفة أعلاه. لنفحص الرمز بالتفصيل.

أولا، دعونا تحديد اثنين من المخازن المؤقتة لتطبيق الرسوم البيانية، وكذلك لونها ونطاقها في المحور الرأسي من صفر إلى أعلى خطر محدد من 10٪.

بعد ذلك، قم بتوصيل المكتبة لإنشاء أنظمة وفقا لخوارزمية مامداني وإضافة متغيرات لتصور كمية من القضبان بدءا من صفر واحد وفترة أدكس المعدلة.

عند التهيئة، يجب أن نضع المؤشر ليكون في شكل رسم بياني.

في التعليمات البرمجية الرئيسية، نحدد القراءات الأساسية لمؤشر أدكس. r المتغير لإيجاد الفرق بين الاتجاهين الاتجاه الاتجاهين + دي و - DI. وعلاوة على ذلك، فإننا نقدم مرشح وجود الاتجاه كالفرق بين المطلق + دي وقيم - DI فوق 10 وقوة الاتجاه الرئيسي فوق 30 (الحد الأدنى من اتجاه ضعيف). بعد ذلك، دعونا تحديد اتجاه الاتجاه استنادا إلى علامة المتغير r ومكان مامداني () وظيفة إلى قيمة محددة سلفا.

وصف وظيفة مامداني:

1. دعونا إنشاء نظام جديد من نظام منطق غامض مامداني من نوع * فسريسك.

2. إضافة المتغير * فسترند إليه مع اسم الاتجاه المحدد والقيم الدنيا والقصوى من 30 و 100.

3 - وبعد ذلك، ينبغي أن نضيف المصطلحات الغامضة المبينة أعلاه (الشكل 6) مع وظائف العضوية المختارة لكل فئة.

4. تمرير الخطوات 2-3 لقيمة الإخراج: إنشاء * ففريسك متغير اسمه المخاطر والحد الأدنى والحد الأقصى من المخاطر قيم 2٪ و 10٪.

5. الآن، دعونا خلق مجموعة من ثلاث قواعد غامضة تمثل نظامنا:

وإذا كان الاتجاه ضعيفا، فإن الخطر منخفض. وإذا كان الاتجاه متوسطا، فإن الخطر طبيعي. إذا كان هناك اتجاه قوي، فإن الخطر مرتفع.

6. دعونا نضيف قواعدنا في النظام:

7. إنشاء قوائم للمتغيرات الإدخال والإخراج وإضافة المدخلات v لتكون وسيطة الدالة مامداني. وهكذا، يتم تعيين كامل نظام المنطق غامض مع محددات الإدخال والإخراج غامض محددة لوظيفة مامداني كامل، في حين يتم استخدام قيمة مؤشر أدكس كمدخلات.

8. قيمة الدالة الناتجة هي ريس متغير يعتمد الرسم البياني على.

وفيما يلي نتائج تشغيل المؤشر المرئي:

الشكل 8. تشغيل المؤشر.

كما نستطيع أن نرى، ويظهر المؤشر وجود اتجاه باستخدام لون الرسم البياني، في حين أن ارتفاع شريط يظهر نسبة خطر الموصى بها من الودائع. وينشأ السؤال الواضح - ما هو الفرق إذا ما تم تنفيذ المؤشر بفواصل واضحة؟ للإجابة عليه، دعونا ننظر في القسم التالي في مزيد من التفاصيل (الشكل 9). يظهر السهم الأخضر شريط الرسم البياني، في حين يتم عرض قيمته العددية وقوة اتجاه أدكس إلى اليسار. كما هو محدد سابقا، فإن أدكس يتجاوز 70 هو اتجاه قوي يعني أن قيمة المخاطر يجب أن تتجاوز 5٪. كما نستطيع أن نرى بوضوح في الشكل 9، أدكس = 69.7923. وبالتالي، إذا طبقنا قواعد صارمة، فإن هذا لا يزال متوسط الاتجاه ويجب ألا تتجاوز المخاطر 5٪. ومع ذلك، فإنه يساوي 5.6406، أي أنه أعلى.

الشكل 9. عرض الاختلافات بين المنطق غامض والمنطق.

هنا يمكننا أن نرى المنطق غامض في العمل. وقد عرفت أنه على الرغم من أن القيمة أقل من 70، فإن الاتجاه في المنطقة قوي نوعا ما من المتوسط. يمكننا أن نرى هذا بأنفسنا من خلال فحص الشكل 6. عندما تظهر قيمة محور X 69.7923، وظيفة العضوية لاتجاه قوي أعلى من متوسط وظيفة الاتجاه. لذلك، عرض نظامنا قيمة المخاطر التي تتجاوز 5٪ تقترب من منطقة الحدود بين اتجاه قوي ومتوسط بطريقة أكثر مرونة بالمقارنة مع نظام منطق صارم.

نموذج تنفيذ مستشار خبير عن طريق مكتبة فوزينيت ل MQL4.

هنا أريد أن تظهر الفرق في عملية مستشار الخبراء في حالة وجود شروط محددة بوضوح وعناصر المنطق غامض. لجعل المقارنة على أسس جيدة قدر الإمكان، قررت استخدام مستشار الخبراء من مقالتي الأخرى "أفكار التداول على أساس اتجاه الأسعار وسرعة الحركة"، الذي يصف بالتفصيل فكرة الروبوت التداول. من أجل تجنب التكرار المفرط، وسوف تستخدم هذا إي كأساس مع التغييرات التالية:

ويستند منطق منطقة العد على فكرة استمرار حركة الأسعار. يتم وصف معلمات الحركة بالمؤشرات التالية: رسي (مؤشر السرعة) و أس (مؤشر التسارع). وتقدر السرعة والتسارع من خلال فهرسة نطاقات قيمة هذه المؤشرات. الآن، دعونا تطبيق نظرية مجموعة غامض إلى قيم مؤشر القوة النسبية. ونتيجة لذلك، يتم استخدام قيم مؤشر القوة النسبية كمدخلات، في حين أن الإخراج هو مؤشر سرعة غامض قد لا يحتوي على قيم صحيحة فقط، مثل 1-4، ولكن أيضا 1.3 أو 3.85. في المقابل، يتم استخدام قيمة الفهرس غامض كإدخال لنظام آخر، الذي الإخراج هو قيمة الربح. وهكذا، لا يزال الربح لا يزال سليما في منطقة العد الأولية.

الفكرة وراء الاتصال بسيطة. إذا مؤشر القوة النسبية و أس هي المعلمات الحركة، ثم كلما ارتفعت سرعة، وارتفاع استمرار الحركة، وبالتالي فمن المعقول أن تضع أكبر ربح. إذا كانت سرعة الحركة منخفضة، يجب تعيين الربح المستهدف بشكل أكثر إحكاما حتى لا يتم تشغيله في حالة تراجع أو عكس الاتجاه. ويبين الشكل 10 مخططا بيانيا لفهم أكثر وضوحا لتطبيق المنطق الضبابي في منطقة العد.

الشكل 10. تطبيق المنطق الغامض في منطقة العد.

كما هو الحال مع المؤشر، دعونا نصف وظائف العضوية لكلا النموذجين غامض. الأول هو نموذج غامض لحساب مؤشر القوة النسبية حيث المدخلات هي قيمة المؤشر. دعنا نقسم القيم الضرورية إلى ثلاث فئات:

ضعيف . وتحدد الفئة الأولى الاتجاه الضعيف. رسي: 60-70. معدل . وتحدد الفئة الثانية متوسط الاتجاه. رسي: 70-80. قوي . أما الفئة الثالثة فتتعلق باتجاه قوي. رسي: 80-85.

دعونا نحدد وظيفة العضوية لوصف الفئات المحددة:

ضعيف . وظيفة السيني مع نسبة المنحدر من -0.75 ونقطة انعطاف 67.5. معدل . وظيفة غاوس مع أقصى إحداثيات من 72.5 ونسبة تركيز 2.2. قوي . وظيفة غاوس مع أقصى إحداثيات من 80 ونسبة تركيز 1.4.

العرض البصري هو كما يلي:

الشكل 11. استخدام وظائف العضوية لوصف فئات قيم مؤشر القوة النسبية.

خرج هذا النموذج الغامض هو مؤشر رسي. وتستخدم الفئات التالية ووظائف العضوية لوصفها:

منخفض. مؤشر منخفض، نطاق 1-2. وظيفة العضوية هي السيني واحد مع المنحدر من -11 ونقطة انعطاف من 1.5. عادي . متوسط المؤشر، المدى 2-3. وظيفة العضوية هي غاوس واحدة مع أقصى نقطة من 2 ونسبة تركيز 0.3. متوسط . مؤشر مرتفع، نطاق 3-4. وظيفة العضوية هي السيني واحد مع المنحدر من 6 ونقطة انعطاف 3.

ونتيجة لذلك، نحصل على التصور التالي:

الشكل 12. استخدام وظائف العضوية لوصف فئات قيم مؤشر القوة النسبية.

بعد ذلك، دعونا وصف النموذج غامض الثاني من الشكل 10 - غامض أخذ الربح حساب نموذج. وقد وصفت مدخلات النموذج بالفعل بأنها مخرجات النموذج الأول (مؤشر رسي غامض). يتم استخدام قيمة الربح أخذ كمخرجات هنا. دعونا نحدد فئات موجزة لذلك:

الحد الأدنى. الحد الأدنى تأخذ فئة الربح في حدود 30-40. معدل. متوسط الربح في فئة 40-60. القصوى. فئة الربح المرتفعة ضمن نطاق 60-70.

الآن، دعونا نجعل الوصف باستخدام وظائف العضوية:

الحد الأدنى. وظيفة العضوية هي السيني واحد مع المنحدر -0.8 ونقطة انعطاف من 37.5. معدل. وظيفة العضوية هي وظيفة غاوسية مع أقصى إحداثيات 50 ونسبة تركيز 3. ماكسيمال. وظيفة العضوية هي السيني واحد مع المنحدر من 0.8 ونقطة انعطاف من 62.5.

ويظهر التنفيذ الرسومي كما يلي:

الشكل 13. استخدام وظائف العضوية لوصف فئات قيم الربح.

الآن بعد أن تم تعريف جميع المعلمات، فقد حان الوقت لتنفيذ فكرة في الروبوت التداول. سنقوم بإضافة اثنين من نماذج غامض لحساب المتعاقبة من وقف الخسارة وجني الربح على أساس قراءات مؤشر القوة النسبية.

الآن، دعونا ندرس التغييرات الرئيسية التي تم إجراؤها على منطقة العد:

التغيير الأكثر أهمية هو تنفيذ النموذجين غامض كما mamdani_rsi وظائف mamdani_tp. وبالتالي فقد أزيلت عوامل وقف الخسارة وجني الأرباح. وتحسب الآن باستخدام المنطق غامض. إليك كيفية تنفيذ هذا الحساب:

إذا لم يكن هناك أوامر مفتوحة مع السحر إي، يستخدم النظام العمق_ ترند () و speed_ac () وظائف لتتبع المعلمات حركة السوق. يتم تنفيذ إدخال إذا كانت مطابقة شراء () أو بيع (). بعد ذلك، إذا تم استيفاء الشروط، يتم تعيين نتيجة التشغيل نموذج غامض إلى المعلمة مدم الذي يستخدم قيمة مؤشر القوة النسبية الحالي كإدخال ومؤشر غامض كإخراج. في المقابل، يتم استخدام قيمة الفهرس غامض كإدخال لنظام آخر، الذي الإخراج هو قيمة الربح تأخذ في نقاط. يتم تعيين قيمة الربح أخذ إلى متغير تكب.

يتم أخذ نسبة 0.43 على أساس الحد الأقصى لقيمة الربح من 70 نقطة، في حين أن الخسارة المناسبة توقف 30. في حالة نجاح فتح النظام، لدينا إي كما يظهر قيمة مؤشر القوة النسبية، الذي تم فتح النظام، وكذلك محسوبة وقف الخسارة وجني الربح المعلمات على أساس ذلك. ويتم ذلك فقط لاختبار الراحة.

ومن الضروري أيضا توضيح ما يلي:

في حالة وجود شرط بيع، يتم تعيين mamdani_rsi (100-رس) إلى مدم. ويتم ذلك لأن نطاقاتها وحدودها النسبية للقيم المتطرفة رسي (0 و 100) تنعكس. شرطان إضافيان: عند شراء رس & لوت؛ = 85 وبالمثل عند بيع رس & غ؛ = 15. ويتم ذلك لأنه عند إنشاء مؤشر رسي حساب مدخلات نموذج غامض، يتم تعيين الحدود إلى 60-85. وهكذا، فإن قيمة 15 اتضح أن تكون واحدة المتطرفة للبيع.

ويبين الشكل 14. مثال العملية إي كما نرى، يتم إعادة حساب قيم وقف الخسارة وقياس الربح في حالة اختلاف قيم مؤشر القوة النسبية.

الشكل 14. نتائج تشغيل المستشار الخبير.

استنتاج.

في هذه المقالة، قمنا بفحص عينة تنفيذ نظرية مجموعة غامض باستخدام مكتبة فوزينيت بواسطة MQL4. وقد أظهرنا أن النظم القائمة على المنطق الغامض أكثر مرونة عند التعامل مع قضايا الفئة الصارمة، مثل تصنيف الاتجاه أو التمايز بين المخاطر. وأوضح مستشار الخبراء كيف يقوم نظام مبني على المنطق المبتكر بتحليل قوة إشارة التداول أثناء تطبيق استراتيجية التداول الخاصة به وتحديد قيم وقف الخسارة المناسبة وقيم الربح. وأعتقد أن أنظمة التداول على أساس المنطق غامض هي قادرة على الجمع بين أفضل الصفات اللازمة للتجارة الناجحة - الانضباط الروبوت التداول ومرونة العقل البشري.

ترجمة من الروسية من قبل شركة ميتاكوتس سوفتوار Corp.

المنطق الضبابي في استراتيجيات التداول.

المقدمة.

يتساءل التجار في كثير من الأحيان عن كيفية تحسين نظام التداول أو إنشاء نظام جديد من خلال التعلم الآلي. على الرغم من وفرة المنشورات، لم يتم العثور على طريقة بسيطة وبديهية لإنشاء نماذج لا يمكن تقديرها تحليليا دون اللجوء إلى الحسابات بمساعدة الحاسوب. المنطق الضبابي هو نافذة على عالم التعلم الآلي. جنبا إلى جنب مع الخوارزميات الجينية، وأنها قادرة على توسيع قدرات خلق التعلم الذاتي أو أنظمة التداول سهلة الاستخدام. في الوقت نفسه، المنطق الغامض هو بديهية، لأنه يغلف المعلومات العددية هش في مصطلحات غامض (غير واضحة)، تماما كما يفعل شخص في عملية التفكير.

هنا مثال. من حيث المنطق هش، يتم تحديد سرعة السيارة المتحركة بواسطة أجهزة القياس: على سبيل المثال، 60 كم / ساعة. ولكن مراقب عارضة مع عدم وجود أجهزة القياس يمكن فقط تقدير تقريبا سرعة السيارة، والاعتماد على خبرته أو قاعدة المعرفة. على سبيل المثال، من المعروف أن السيارة يمكن أن تسير بسرعة، و "سريع" يعرف تقريبا كم 100 / ساعة وما فوق. ومن المعروف أيضا أن سيارة يمكن أن تذهب بطيئة، وهو 5-10 كم / ساعة. وأخيرا، يتم تقدير سرعة بصريا كمتوسط (حوالي 60km / ساعة) إذا زادت السيارة تقترب في حجم بمعدل معتدل. وهكذا، يمكن وصف 60 كم / ساعة بأربعة تعبيرات مختلفة:

متوسط السرعة؛ سرعة قريبة من المتوسط؛

هذه هي الطريقة التي يتم بها تغليف المعلومات في الوعي البشري، مما يسمح له بفهم المعلومات الضرورية فقط في اللحظة الراهنة، على سبيل المثال: "هل سيكون لدي الوقت لتشغيل عبر الطريق إذا كانت السيارة تتحرك ليست سريعة جدا؟". التفكير في كل شيء في وقت واحد وبتفصيل كبير من شأنه أن يجبر الشخص على إنفاق كميات هائلة من الوقت وموارد الطاقة قبل اتخاذ أي قرار محدد: تشغيل عبر الطريق أو السماح لتمرير السيارة. وفي الوقت نفسه، ستدرس الحالة الراهنة دراسة دقيقة، والتي قد لا تتكرر على نحو متكرر في المستقبل، ولن يكون لها سوى الخطوط العريضة المماثلة. في التعلم الآلي، وتسمى هذه الحالات الإفراط في الكتابة.

هذه المقالة لن تغوص في نظرية المنطق غامض. المعلومات حول هذا الموضوع متاحة على نطاق واسع على شبكة الإنترنت وعلى موقع MQL5. دعونا نبدأ مع الممارسة على الفور، والتي سيتم شرحها مع مقتطفات نظرية والحقائق الغريبة.

لبناء نموذج، يتم استخدام مكتبة ضبابي، وهي متاحة في حزمة محطة ميتاتريدر 5 القياسية.

والنتيجة ستكون مستشار الخبراء الجاهزة على أساس المنطق غامض، والتي يمكن اتخاذها كمثال لبناء أنظمة مخصصة.

إنشاء نموذج أولي لنظام التداول.

دعونا ننتقل إلى خلق منطق تيسي هش، والتي سيتم استخدامها كأساس في مزيد من البحث. ثم يمكن مقارنة نظامين متطابقين، حيث سيستعمل النظام الثاني المنطق الضبابي.

3 ستستخدم مؤشرات التذبذبات النسبية رسي مع فترات مختلفة كأساس:

دعونا صياغة ظروف واضحة من الإشارات وتحديدها في وظيفة:

بعد ذلك، دعونا نكتب جميع وظائف الخدمة الأخرى واختبار الخبير من بداية عام 2017 على اليورو مقابل الدولار الأميركي، والأطر الزمنية М15 و М5 (يتم إرفاق مدونة كاملة للخبير في نهاية المقال):

وعلى الرغم من أن الظروف الواضحة لمجموعات المؤشرات الثلاثة قد تم تحديدها وأن الظروف منطقية ومتسقة، فقد اتضح أن هذا النهج واضح جدا وغير مرن. في المتوسط، لا يفقد النظام ولا يكسب لمدة 8 أشهر. لجعله كسب، سيكون من الضروري أن تذهب من خلال العديد من تركيبات الشرط، وربما إضافة المزيد من مؤشرات التذبذب. ولكن ليس هناك الكثير من اليسار لتحسين، حيث يتم تعيين الظروف بدقة للغاية.

دعونا نحاول طمس الأفكار حول شروط لجعل هذا النظام التجاري مربحة باستخدام المنطق غامض.

خلق نموذج منطق غامض.

أولا، من الضروري تضمين مكتبة غامض. على وجه الدقة، واحدة من اثنين من النماذج المنطق غامض المتاحة - مامداني أو سوجينو. الفرق بينهما هو أن سوجينو تنتج نموذج خطي دون خلق متغير الإخراج في شكل مجموعة المصطلحات غامض، في حين يوفر مامداني هذا العنصر. وبما أن المقال مكتوب للتجار المبهمين، سيتم استخدام مامداني. ولكن هذا لا يعني أن نموذج سوجينو غير مناسب لبعض المهام المحددة: فمن الممكن دائما والضروري لتجربة الاعتماد على الفهم الأساسي للمنطق غامض.

يتم تضمين المكتبة، إشارة إلى الطبقة ممداني أعلن. هذا هو كل ما هو مطلوب للبدء.

الآن دعونا النظر في المراحل الرئيسية لبناء الاستدلال غامض. وتحتل مكانة مركزية في أنظمة النمذجة غامض. عملية الاستدلال غامض هو إجراء محدد أو خوارزمية للحصول على استنتاجات غامضة على أساس الافتراضات غامض باستخدام العمليات الأساسية للمنطق غامض.

هناك 7 مراحل بناء الاستدلال غامض.

تحديد بنية نظام الاستدلال الغامض.

ويتم تحديد عدد المدخلات والمخرجات، فضلا عن مهام العضوية في مرحلة التصميم. في حالتنا، سيكون هناك 4 المدخلات، 1 الناتج، ولكل منهم 3 وظائف العضوية.

تشكيل قاعدة قاعدة نظام الاستدلال غامض.

خلال عملية التنمية، ونحن إنشاء قواعد مخصصة للاستدلال غامض، استنادا إلى حكم الخبراء لدينا من نظام التداول.

وضع مراسلات بين القيمة العددية لمتغير المدخلات لنظام الاستدلال الغامض وقيمة وظيفة العضوية للمصطلح المقابل للمتغير اللغوي.

إجراء تحديد درجة الحقيقة من الشروط لكل قاعدة من نظام الاستدلال غامض.

عملية العثور على درجة الحقيقة من كل من المقترحات الأولية (الفقرات الفرعية) التي تشكل ما يترتب على ذلك من حبات من كل قواعد الإنتاج غامض.

عملية إيجاد وظيفة عضوية لكل متغير لغوي.

وتجدر الإشارة إلى أن النقطتين 1 و 2 تحتاجان فقط إلى القيام بهما، وأن النظامين الآخرين سيقومان بذلك دون تدخل. المهتمين في الخفايا من عملية منطق غامض في جميع المراحل يمكن العثور على مزيد من التفاصيل هنا.

تحديد بنية نظام الاستدلال الغامض.

دعونا نواصل إنشاء النموذج. تحديد كائنات من ثلاثة مدخلات وإخراج واحد، فضلا عن الأشياء المساعدة من القاموس لتسهيل العمل مع المنطق:

سيتم استخدام ثلاثة مؤشر القوة النسبية مع فترات مختلفة كمدخلات. منذ مؤشر القوة النسبية مذبذب هو دائما في حدود 0-100، فمن الضروري لخلق متغير لذلك مع نفس البعد. ولكن للراحة، سيتم تطبيع قيم المؤشر إلى مجموعة من 0-1. ضع في اعتبارك أنه يجب أن يكون للمتغير الذي تم إنشاؤه بعدا مساويا لبعد متجه الإدخال، أي أنه يجب أن يحتفظ بجميع القيم. يتم تعيين مجموعة من 0 إلى 1 في الإخراج كذلك.

وفقا للنقطة 1 من إنشاء المنطق الضبابي، فمن الضروري أيضا لتحديد وتكوين وظائف العضوية. سيتم ذلك في معالج الحدث أونينيت ():

الآن دعونا نرى ما هي وظيفة العضوية والغرض الذي تخدمه.

وقد تم إنشاء ثلاث مصطلحات لكل متغير (وإخراج واحد) المتغير: "شراء"، "محايدة"، "بيع"، ولكل منها وظيفة العضوية الخاصة بها. وبعبارة أخرى، يمكن الآن تقسيم قيم مذبذب إلى 3 مجموعات غامض، ويمكن تعيين كل مجموعة مجموعة من القيم باستخدام وظيفة العضوية. يتحدث في لغة المنطق غامض، تم إنشاء 4 مجموعات المدى، ولكل منها 3 المصطلحات. لتوضيح ما سبق، سنكتب نصا بسيطا يمكن استخدامه لتصور المصطلحات ووظائف عضويتها:

تشغيل النص البرمجي على المخطط:

وقد اختيرت وظائف العضوية هذه، لأن لديها معلمتان للإدخال يمكن تحسينهما فقط (وسيتم ذلك في وقت لاحق أثناء مرحلة اختبار النظام). كما أنها تصف المواقف المتطرفة والمركزية للنظام بشكل جيد. يمكنك تطبيق أي وظيفة عضوية من تلك المتوفرة في مكتبة ضبابي.

دعونا نعتمد قاعدة أن القيم المتطرفة للمذبذب تشير إلى تغيير قادم في اتجاهها، وبالتالي، عكس الاتجاه القادم. لذلك، فإن مذبذب تقترب من الصفر تلميحات في بداية محتملة للنمو. ويرافق حركة مذبذب إلى 0.5 علامة من خلال انخفاض تدريجي في CZ_ShapedMembership وظيفة أو مصطلح "منطقة شراء". وفي الوقت نفسه، فإن عدم اليقين في نورمالمبرشيبونكتيون من "المنطقة المحايدة" سوف تنمو، والتي يتم استبدالها في نهاية المطاف بزيادة في CS_ShapedMembershipFunction أو "منطقة بيع" كما تقترب مذبذب 1. يتم استخدام نفس المبدأ في جميع المدخلات والمخرجات، والتي تحقق إذا كانت قيم المؤشرات تنتمي إلى منطقة معينة ذات حدود غامضة.

ولا توجد قيود على عدد وظائف العضوية لكل متغير. يمكنك تعيين 5، 7، 15 وظائف بدلا من ثلاثة، ولكن، بطبيعة الحال، في حدود الحس السليم وباسم المنطق غامض.

تشكيل قاعدة قاعدة نظام الاستدلال غامض.

في هذه المرحلة، نضيف قاعدة المعرفة إلى النظام لاستخدامها عند اتخاذ القرارات غامض.

يجب إضافة شرط منطقي واحد على الأقل إلى قاعدة المعرفة: يعتبر غير مكتمل إذا لم يتم تضمين مصطلح واحد على الأقل في العمليات المنطقية. يمكن أن يكون هناك مبلغ غير محدد من الظروف المنطقية.

يحدد المثال المقدم 12 شرط منطقي، مما يؤثر على الاستدلال الغامض عند التقائه. وهكذا، فإن جميع المصطلحات تشارك في العمليات المنطقية. افتراضيا، يتم تعيين كافة العمليات المنطقية نفس معامل الوزن يساوي 1. لن يتم تغييرها في هذا المثال.

إذا كانت جميع المؤشرات 3 داخل منطقة غامض للشراء، إشارة شراء غامض سيكون الناتج. وينطبق الشيء نفسه على البيع وإشارات محايدة. (القواعد 1-3)

إذا 2 مؤشرات تظهر شراء ويظهر واحد بيع، فإن قيمة الانتاج تكون محايدة، وهذا هو، غير مؤكد. (القواعد 4-6)

إذا 2 مؤشرات تظهر شراء أو بيع، واحد محايد، ثم يتم شراء أو بيع يتم تعيين إلى قيمة الانتاج. (القواعد 7-12)

من الواضح أن هذا ليس البديل الوحيد لإنشاء قاعدة قاعدة، أنت حر في التجربة. هذه القاعدة قاعدة تأسست فقط على بلدي "خبير" الحكم ورؤية لكيفية النظام يجب أن تعمل.

الحصول على قيمة الانتاج هش بعد ديفوزيفيكاتيون.

ويبقى لحساب النموذج والحصول على النتيجة كقيمة من 0 إلى 1. وستشير القيم القريبة من 0 إلى إشارة شراء قوية، وتكون تلك القيم القريبة من 0.5 محايدة، والقيم القريبة من 1 تعني إشارة بيع قوية.

هذه الوظيفة يحصل على قيم ثلاثة مؤشرات تذبذب مؤشر القوة النسبية مع فترات مختلفة، تطبيعها إلى مجموعة من 0 إلى 1 (القيم يمكن تقسيمها ببساطة 100)، بتحديث القائمة مع كائنات القاموس غامض (أحدث قيم مؤشر)، يرسله إلى حسابات، ويخلق قائمة لمتغير الناتج ويأخذ النتيجة في متغير 'ريس'.

إضافة وظائف الخدمة وتحسين / اختبار النظام الناتج.

وبما أنه يجري النظر في تعلم الآلة أو على الأقل أساسياتها، سيتم نقل بعض المعلمات إلى المدخلات والأمثل.

المعلمات غاوسيان (وظيفة العضوية) ستخضع الأمثل في إخراج المنطق غامض. وسوف يكون مركزها على طول محور X تحولت (المعلمة غوسيتيون)، سيغما تغيرت (جرسها ضاقت وضغط، معلمة غسيغما). وهذا يعطي تحسين أفضل للنظام في حالة إشارات مؤشر القوة النسبية للشراء والبيع غير متماثلة.

بالإضافة إلى ذلك، تحسين ظروف فتح الصفقات: الحد الأدنى لقيمة إشارة محايدة والقيمة القصوى (لن يتم فتح مراكز جديدة في المدى بين هذه القيم، كما لم يتم تعريف إشارة).

وتظهر معالجة إشارة عند إخراج المنطق الضبابي في القائمة التالية:

وسيتم تنفيذ الحسابات على شريط جديد لتسريع مظاهرة. أنت حر في تخصيص المنطق في تقديرك، على سبيل المثال، التجارة في كل علامة ببساطة عن طريق إزالة الاختيار لشريط جديد.

إذا كان هناك مواقف مفتوحة والإشارة يتناقض مع الوضع الحالي أو لم يتم تعريفها، أغلق الموقف. إذا كان هناك شرط لفتح موقف معاكس، فتحه.

هذا النظام لا يستخدم وقف الخسارة، لأنه ليس انعكاسات التجارة، وإغلاق / إعادة فتح الصفقات يستند إلى إشارات.

يستخدم خبير الخبراء مكتبة MT4Orders لتسهيل العمل مع أوامر وجعل التعليمات البرمجية بسهولة للتحويل إلى MQL4.

عملية الاختبار.

حدد أفضل نتيجة للتحسين:

مقارنة مع نتائج الاختبار من نموذج صارم:

وتؤدي العضوية الناتجة في الناتج، بعد التحسين (لا تزال المدخلات دون تغيير لأنها لم يتم تحسينها):

قبل التغييرات:

تحسين النظام مع نفس الإعدادات ولكن على الإطار الزمني M5:

مقارنة مع نتائج الاختبار من نموذج صارم:

وتؤدي العضوية الناتجة في الناتج، بعد التحسين (لا تزال المدخلات دون تغيير لأنها لم يتم تحسينها):

قبل التغييرات:

وفي كلتا الحالتين، تحولت منطقة غاوس (المنطقة المحايدة) نحو الشراء، ويسود عدد المراكز الطويلة على عدد المراكز القصيرة. وهذا يعني أن إشارات البيع والشراء اتضح أنها غير متناظرة في هذا الجزء الخاص من التاريخ، وهو أمر لا يمكن اكتشافه بدون هذه التجربة. ومن الممكن أن يكون النظام المكون من ثلاثة مؤشر القوة النسبية في منطقة ذروة البيع (المنطقة 1) أكثر من منطقة الشراء الزائد (المنطقة 0)، كما ساعدت الاستفادة المثلى من غوسي على التخلص من هذا الخلل. As for the crispest output, it is analytically hard to imagine why such an output configuration contributed to the improvement of the trading system results, because the process of defuzzification using the center of gravity method, in conjunction with all the mapping of inputs to fuzzy sets, is already a complex system by itself.

The system proved to be quite stable for 8 months, even though only 4 parameters were optimized. And they can easily be reduced to two (Gsigma and Gposition), since the remaining 2 had little impact on the result and are always in the vicinity of 0.5. This is assumed a satisfactory result for an experimental system, aimed at showing how the number of optimized parameters can be reduced by introducing an element of fuzzy logic into the trading system. In contrast, it would have been necessary to create numerous optimization criteria for strict rules, which would increase the complexity of system development and the number of optimized parameters.

It should also be noted that this is still a very crude example of building a trading system based on fuzzy logic, as it uses a primitive RSI-based strategy without even using stop losses. However, this should be sufficient to understand the applicability of fuzzy logic to creation of trading systems.

استنتاج.

Fuzzy logic allows for a quick creation of systems with fuzzy rules that are very simple to optimize. At the same time, the complex process of selecting the trading system parameters passes through genetic optimization, freeing the developer from the routine of searching for a trading strategy, developing and algorithmizing numerous rules of the trading system. Together with other machine learning methods (for example, neural networks), this approach allows achieving impressive results. It reduces the chance of overfitting and the dimension of the input data (3 RSI indicators with different periods narrowed down to a single signal, which describes the market situation more fully and more generalized than each indicator on its own).

If you still have troubles understanding how the fuzzy logic works, ask yourself how you think, what terms you operate and what rule bases your decision-making relies on.

Here is a reinforcement example. For instance, you have 3 wishes: go to a party, watch a movie at home or save the world. The term "watch a movie at home" has the greatest weight, because you are already at home and no further effort is necessary. Going to a party is viable if someone invites you and picks you up, but since it had not happened yet, the chances of going are average. And, finally, to save the world, you need to mobilize all your supernatural abilities, put on a superman costume and fight an alien monster. It is unlikely that you decide to do it today and not leave it until tomorrow, so the chances are slim.

The fuzzy inference will be something like this: I will most likely stay at home, and perhaps I will go to the party, but I am definitely not going to save the world today. After defuzzification, our chances could be evaluated on a scale of 0 to 10, where 0 is "stay at home", 5 is "go to the party", 10 is "fight a monster". Obviously, the crisp output would lie in the range of 0 to 3, i. e. you are most likely to stay at home. The same principle is used in the presented trading system: it compares the values of three indicators and uses logical conditions to determine the most preferable option at the current moment — buying, selling or doing nothing.

Possible ways to improve this example (for self-study):

Increasing the number of inputs and logical conditions. This increases the capacity of the system and makes it more adaptive to the market. Optimizing not only the output Gaussian, but also all membership functions of inputs and output. Optimizing the rule base. Optimization the weights of logical expressions. Creating a committee of several fuzzy models responsible for different aspects of the trading system. Using fuzzy inferences as predictors ("features") and/or target variables for neural networks.

If there is enough interest in the article, and I receive sufficient feedback, I could consider the possibility of writing a new article devoted to combination of fuzzy logic and a neural network.

Below are the source codes of the experts and a test script for the membership functions. For the expert to compile and work, it is necessary to download the MT4Orders library and the updated Fuzzy library.

ترجمة من الروسية من قبل شركة ميتاكوتس سوفتوار Corp.

Documentation.

This is machine translation.

To view all translated materals including this page, select Japan from the country navigator on the bottom of this page.

Back to English.

Translate This Page.

MathWorks Machine Translation.

The automated translation of this page is provided by a general purpose third party translator tool.

MathWorks does not warrant, and disclaims all liability for, the accuracy, suitability, or fitness for purpose of the translation.

What Is Fuzzy Logic?

Description of Fuzzy Logic.

In recent years, the number and variety of applications of fuzzy logic have increased significantly. The applications range from consumer products such as cameras, camcorders, washing machines, and microwave ovens to industrial process control, medical instrumentation, decision-support systems, and portfolio selection.

To understand why use of fuzzy logic has grown, you must first understand what is meant by fuzzy logic.

Fuzzy logic has two different meanings. In a narrow sense, fuzzy logic is a logical system, which is an extension of multivalued logic. However, in a wider sense fuzzy logic (FL) is almost synonymous with the theory of fuzzy sets, a theory which relates to classes of objects with unsharp boundaries in which membership is a matter of degree. In this perspective, fuzzy logic in its narrow sense is a branch of FL. Even in its more narrow definition, fuzzy logic differs both in concept and substance from traditional multivalued logical systems.

In Fuzzy Logic Toolbox™ software, fuzzy logic should be interpreted as FL, that is, fuzzy logic in its wide sense. The basic ideas underlying FL are explained in Foundations of Fuzzy Logic. What might be added is that the basic concept underlying FL is that of a linguistic variable, that is, a variable whose values are words rather than numbers. In effect, much of FL may be viewed as a methodology for computing with words rather than numbers. Although words are inherently less precise than numbers, their use is closer to human intuition. Furthermore, computing with words exploits the tolerance for imprecision and thereby lowers the cost of solution.

Another basic concept in FL, which plays a central role in most of its applications, is that of a fuzzy if-then rule or, simply, fuzzy rule. Although rule-based systems have a long history of use in Artificial Intelligence (AI), what is missing in such systems is a mechanism for dealing with fuzzy consequents and fuzzy antecedents. In fuzzy logic, this mechanism is provided by the calculus of fuzzy rules. The calculus of fuzzy rules serves as a basis for what might be called the Fuzzy Dependency and Command Language (FDCL). Although FDCL is not used explicitly in the toolbox, it is effectively one of its principal constituents. In most of the applications of fuzzy logic, a fuzzy logic solution is, in reality, a translation of a human solution into FDCL.

A trend that is growing in visibility relates to the use of fuzzy logic in combination with neurocomputing and genetic algorithms. More generally, fuzzy logic, neurocomputing, and genetic algorithms may be viewed as the principal constituents of what might be called soft computing. Unlike the traditional, hard computing, soft computing accommodates the imprecision of the real world. The guiding principle of soft computing is: Exploit the tolerance for imprecision, uncertainty, and partial truth to achieve tractability, robustness, and low solution cost. In the future, soft computing could play an increasingly important role in the conception and design of systems whose MIQ (Machine IQ) is much higher than that of systems designed by conventional methods.

Among various combinations of methodologies in soft computing, the one that has highest visibility at this juncture is that of fuzzy logic and neurocomputing, leading to neuro-fuzzy systems. Within fuzzy logic, such systems play a particularly important role in the induction of rules from observations. An effective method developed by Dr. Roger Jang for this purpose is called ANFIS (Adaptive Neuro-Fuzzy Inference System). This method is an important component of the toolbox.

Fuzzy logic is all about the relative importance of precision: How important is it to be exactly right when a rough answer will do?

You can use Fuzzy Logic Toolbox software with MATLAB ® technical computing software as a tool for solving problems with fuzzy logic. Fuzzy logic is a fascinating area of research because it does a good job of trading off between significance and precision—something that humans have been managing for a very long time.

In this sense, fuzzy logic is both old and new because, although the modern and methodical science of fuzzy logic is still young, the concepts of fuzzy logic relies on age-old skills of human reasoning.

Fuzzy logic is a convenient way to map an input space to an output space. Mapping input to output is the starting point for everything. Consider the following examples:

With information about how good your service was at a restaurant, a fuzzy logic system can tell you what the tip should be.

With your specification of how hot you want the water, a fuzzy logic system can adjust the faucet valve to the right setting.

With information about how far away the subject of your photograph is, a fuzzy logic system can focus the lens for you.

With information about how fast the car is going and how hard the motor is working, a fuzzy logic system can shift gears for you.

A graphical example of an input-output map is shown in the following figure.

To determine the appropriate amount of tip requires mapping inputs to the appropriate outputs. Between the input and the output, the preceding figure shows a black box that can contain any number of things: fuzzy systems, linear systems, expert systems, neural networks, differential equations, interpolated multidimensional lookup tables, or even a spiritual advisor, just to name a few of the possible options. Clearly the list could go on and on.

Of the dozens of ways to make the black box work, it turns out that fuzzy is often the very best way. Why should that be? As Lotfi Zadeh, who is considered to be the father of fuzzy logic, once remarked: “In almost every case you can build the same product without fuzzy logic, but fuzzy is faster and cheaper.”

Why Use Fuzzy Logic?

Here is a list of general observations about fuzzy logic:

Fuzzy logic is conceptually easy to understand.

The mathematical concepts behind fuzzy reasoning are very simple. Fuzzy logic is a more intuitive approach without the far-reaching complexity.

Fuzzy logic is flexible.

With any given system, it is easy to layer on more functionality without starting again from scratch.

Fuzzy logic is tolerant of imprecise data.

Everything is imprecise if you look closely enough, but more than that, most things are imprecise even on careful inspection. Fuzzy reasoning builds this understanding into the process rather than tacking it onto the end.

Fuzzy logic can model nonlinear functions of arbitrary complexity.

You can create a fuzzy system to match any set of input-output data. This process is made particularly easy by adaptive techniques like Adaptive Neuro-Fuzzy Inference Systems (ANFIS), which are available in Fuzzy Logic Toolbox software.

Fuzzy logic can be built on top of the experience of experts.

In direct contrast to neural networks, which take training data and generate opaque, impenetrable models, fuzzy logic lets you rely on the experience of people who already understand your system.

Fuzzy logic can be blended with conventional control techniques.

Fuzzy systems don't necessarily replace conventional control methods. In many cases fuzzy systems augment them and simplify their implementation.

Fuzzy logic is based on natural language.

The basis for fuzzy logic is the basis for human communication. This observation underpins many of the other statements about fuzzy logic. Because fuzzy logic is built on the structures of qualitative description used in everyday language, fuzzy logic is easy to use.

The last statement is perhaps the most important one and deserves more discussion. Natural language, which is used by ordinary people on a daily basis, has been shaped by thousands of years of human history to be convenient and efficient. Sentences written in ordinary language represent a triumph of efficient communication.

When Not to Use Fuzzy Logic.

Fuzzy logic is not a cure-all. When should you not use fuzzy logic? The safest statement is the first one made in this introduction: fuzzy logic is a convenient way to map an input space to an output space. If you find it's not convenient, try something else. If a simpler solution already exists, use it. Fuzzy logic is the codification of common sense — use common sense when you implement it and you will probably make the right decision. Many controllers, for example, do a fine job without using fuzzy logic. However, if you take the time to become familiar with fuzzy logic, you'll see it can be a very powerful tool for dealing quickly and efficiently with imprecision and nonlinearity.

What Can Fuzzy Logic Toolbox Software Do?

You can create and edit fuzzy inference systems with Fuzzy Logic Toolbox software. You can create these systems using graphical tools or command-line functions, or you can generate them automatically using either clustering or adaptive neuro-fuzzy techniques.

If you have access to Simulink ® software, you can easily test your fuzzy system in a block diagram simulation environment.

The toolbox also lets you run your own stand-alone C programs directly. This is made possible by a stand-alone Fuzzy Inference Engine that reads the fuzzy systems saved from a MATLAB session. You can customize the stand-alone engine to build fuzzy inference into your own code. All provided code is ANSI ® compliant.

Because of the integrated nature of the MATLAB environment, you can create your own tools to customize the toolbox or harness it with another toolbox, such as the Control System Toolbox™, Neural Network Toolbox™, or Optimization Toolbox™ البرمجيات.

الفوركس على الانترنت Martil

Wednesday 14 March 2018

نظام التداول المبني على المنطق المبهم

No comments:

Post a Comment