AI › 인공지능 개요 › 기호주의 AI

퍼지 이론Fuzzy Theory

원소가 집합에 속하는 정도를 0 과 1 사이 값으로 다루는 퍼지 집합 위에서, 「조금 높다」 같은 말로 적은 규칙을 계산해 숫자 하나의 결론을 내는 이론이다.

1요약

  1. 퍼지 이론은 Zadeh(1965)의 퍼지 집합에서 출발해 「높다 · 조금」 같은 말을 소속 함수로 0 ~ 1 정도로 바꾸고 IF-THEN 규칙을 min · max 로 계산하는 기호주의 AI 가운데 하나로, 그 위에서 퍼지 제어기와 퍼지 추론 시스템(Mamdani · Takagi-Sugeno 형)이 돈다.
  2. 경계 값 하나로 가르는 규칙은 경계 근처에서 출력이 뛴다 — 숙련 운전원의 정지 규칙을 퍼지 제어로 옮긴 열차 자동 정지 연구는 PID 보다 브레이크 노치 변경을 절반으로 줄이고 정지 오차 ±10 cm 를 얻었다(Yasunobu 외 2002 5.2절).
  3. 「퍼지 제어기가 이상하게 움직인다」는 소속 함수 · 규칙 표 · 비퍼지화 셋으로 가른다 — 경계에서 출력이 뛰면 소속 함수가 겹치지 않고, 한쪽에 머물면 규칙 표에 빈칸이 있으며, 끝 값에 못 가면 무게중심 비퍼지화의 한계다.

2등장 배경

고전 집합에서 원소는 속하거나(1) 속하지 않거나(0) 둘뿐이라 「1 보다 훨씬 큰 수」 같은 부류를 집합으로 적을 수 없었다. 1965년 Zadeh 는 소속 정도를 [0, 1] 구간 값으로 주는 퍼지 집합을 내고 합집합 = max · 교집합 = min · 여집합 = 1 − μ 를 정의했다(Zadeh 1965). 1975년에는 값이 「젊다 · 아주 젊다」 같은 낱말인 언어 변수로 근사 추론을 정리했다(Zadeh 1975).

같은 1975년 Mamdani · Assilian 은 운전원이 말로 적은 규칙을 그대로 제어기로 옮겨 증기 기관 · 보일러 실험에 썼다(Mamdani · Assilian 1975). 1985년 Takagi · Sugeno 는 규칙 결론을 입력의 1차식으로 두는 모델을 냈고(Takagi · Sugeno 1985), 열차 자동 운전 연구는 브레이크 감속이 ±30 % 흔들리는 조건에서 숙련 운전원의 정지 규칙을 퍼지로 옮겼다(Yasunobu 외 2002 2절).

1993년 Jang 의 ANFIS 는 소속 함수 모수를 신경망 학습으로 맞춰 «규칙은 사람이, 모양은 데이터가» 정하는 길을 열었다(Jang 1993). 2000년 8월 IEC 61131-7 은 PLC 에서 퍼지 제어를 적는 프로그래밍 언어를 국제 표준으로 정했다(IEC 61131-7) — 지금도 규칙을 사람이 읽고 고쳐야 하는 제어 · 판정에 남아 있다.

3쉽게 이해하기 — 샤워기 손잡이 맞추기

아침에 샤워기 앞에 선 지우는 물줄기에 손등을 대 보고 「조금 차갑고, 점점 따뜻해지는 중」이라고 느낀다. 머릿속에는 «차가우면 더 돌린다»와 «데워지는 중이면 기다린다» 두 경험 규칙이 함께 떠오른다. 지우는 두 규칙을 섞어 손잡이를 아주 조금만 돌리고, 몇 초 뒤 다시 손등을 대 본다.

지우의 판단 퍼지 제어기 손 감각 조금 차갑다 퍼지화 경험 규칙 차가우면 더 규칙 베이스 마음 정하기 규칙 둘 섞기 추론 min · max 손 힘 정하기 살짝만 돌린다 비퍼지화 2 3 4 손잡이와 샤워 물 목표보다 얼마나 · 어느 쪽으로 제어 대상 · 측정 값 e · Δe 5 돌린 양 1 물을 느낌 대상 · 측정 값 정도(0 ~ 1) 규칙 · 추론 출력 사람 점선 테두리 = 퍼지 제어기 전체

그림 1 · 지우는 물을 느낌의 정도로 바꾸고, 함께 떠오른 경험 규칙을 섞어 손잡이를 돌릴 양 하나를 정한 뒤 다시 느껴 본다.

손 대 보기조금 차갑고 데워지는 중
정도 매기기차갑다와 적당하다에 함께 걸침
규칙 떠올리기맞는 규칙 여럿이 동시에
섞기약한 쪽만큼 믿고 겹쳐 합침
손잡이 돌리기섞은 덩어리의 가운데만큼
다시 대 보기몇 초 뒤 처음부터
비유 — 손 감각은 끊기지 않는다 실제 — 고전 집합과 퍼지 집합 경계선 하나(37 °C)로 가르기 36.9 °C → 차갑다 0 37.0 °C → 적당 1 지우의 손 감각으로 재기 36.9 °C 적당 0.63 37.0 °C 적당 0.67 0.1 °C 차이에 경계선 0 → 1 · 손 감각 0.63 → 0.67 소속도 μ 1 0 퍼지 0.67 고전 1 35 37 38 40 물 온도 °C 고전 집합 적당 = 37 ~ 40 °C 만 1 퍼지 집합 적당 = 35 · 38 · 41 °C 삼각형 합집합 max · 교집합 min · 여집합 1 − μ

그림 2 · 경계선 하나로 가르면 0.1 °C 차이에 판정이 0 에서 1 로 뒤집히지만, 소속 함수로 재면 0.63 에서 0.67 로 조금만 바뀐다.

비유 속 역할실제 이름실제로 하는 일
손등 대 보기측정 · 퍼지화측정값 하나를 집합마다의 정도로 바꾼다
「조금 차갑다」언어 변수 · 퍼지 집합낱말 하나 = 소속 함수 하나(Zadeh 1975)
경험 규칙퍼지 규칙 베이스IF 오차 is 양 AND 변화 is 음 THEN 출력 is 영
약한 쪽만큼 믿기AND = min · 결론 자르기조건 정도 중 작은 값이 규칙 강도
규칙 겹쳐 합치기합성 = max잘린 결론 집합을 겹쳐 한 덩어리로
돌릴 양 하나비퍼지화(무게중심)덩어리를 숫자 하나로 바꿔 내보낸다
다시 대 보기제어 주기 · 되먹임다음 측정값으로 처음부터 다시 계산
지우 전체퍼지 제어기위 단계를 묶어 주기마다 돈다

⚠ 비유가 맞지 않는 곳: 지우는 기분에 따라 같은 물에도 손잡이를 다르게 돌리지만, 퍼지 제어기는 같은 입력에 언제나 같은 출력을 낸다. 또 지우는 하다 보면 감각이 늘지만, 퍼지 제어기는 ANFIS 처럼 따로 학습시키지 않으면 소속 함수가 바뀌지 않는다.

4구조 — 퍼지화 · 규칙 베이스 · 추론 · 비퍼지화

퍼지 추론 시스템 — Mamdani 형 기본 길 규칙 출처 전문가 말 · ANFIS 규칙 베이스 IF … THEN 규칙 표 숫자 입력 e · Δe 퍼지화 소속 함수 정도 0 ~ 1 추론 AND · 자르기 min 합성 max 비퍼지화 무게중심 집합 → 숫자 출력 Δu Takagi-Sugeno 형 — 결론 = 입력의 식 · 가중 평균 숫자 → 정도 → 집합 → 숫자 숫자 값 정도 표현 규칙 · 추론 출력 사람 · 학습 회색 선 = 규칙 읽기 · 점선 = TS 형 길

그림 3 · 숫자로 들어온 입력은 퍼지화에서 정도로, 추론에서 결론 집합으로, 비퍼지화에서 다시 숫자 하나로 돌아온다 — Takagi-Sugeno 형은 비퍼지화 없이 가중 평균으로 바로 나간다.

요소역할값 · 모양근거
언어 변수입력 · 출력을 낱말로 나눔「음 · 영 · 양」 3개 ~ 7개Zadeh 1975
소속 함수숫자 하나 → 집합별 정도삼각형 · 사다리꼴 · 가우스 · μ ∈ [0, 1]Zadeh 1965
규칙 베이스조건 낱말 → 결론 낱말입력 n개 · 집합 k개면 칸 kⁿ개Mamdani · Assilian 1975
추론규칙 강도 · 결론 자르기 · 합침AND = min · OR = maxZadeh 1965
비퍼지화결론 집합 → 숫자 하나무게중심 · 최대값 평균Mamdani 형
TS 결론규칙마다 식 하나출력 = 규칙 강도 가중 평균Takagi · Sugeno 1985
모수 학습소속 함수 모양을 데이터로 맞춤신경망 역전파 + 최소 제곱Jang 1993

IT 맥락 — IT 쪽에서 퍼지 이론은 알고리즘 가운데 IT 법칙에 Production Rule · 신경망회로와 함께 놓이는 옛 규칙 기반 지능 모델이다. 규칙 기반 시스템으로 보면 전문가 시스템의 조건 판정을 참 · 거짓에서 0 ~ 1 로 넓힌 것이고, 제어 · 수학으로 보면 max · min · 1 − μ 집합 연산과 PLC 용 퍼지 제어 언어(IEC 61131-7)다.

🔑 퍼지 이론이 흐리게 만드는 것은 입력의 «판정»이지 출력이 아니다 — 같은 입력에는 언제나 같은 숫자 하나가 나온다.

5동작 — 히터 출력 보정 한 주기

사례는 설명용 가정 값으로 만든 온도 제어기 한 주기다. e = 목표 − 현재 온도(°C) · Δe = 한 주기 사이 e 의 변화 · 출력 Δu = 히터 출력 변경(%)이고, 계산은 numpy 2.4.3 으로 직접 실행했다(출력 축 −20 ~ +20 % 를 4,001점으로 나눔).

  1. 측정 — 목표보다 2 °C 낮고 그 차이가 한 주기에 0.5 °C 줄었으므로 e = +2 · Δe = −0.5 가 들어온다.
  2. 퍼지화 — e 의 삼각형 집합 영(−3 · 0 · +3)과 양(0 → +3 에서 1)에서 영 0.33 · 양 0.67, Δe 의 음(−1 에서 1 → 0)과 영(−1 · 0 · +1)에서 음 0.50 · 영 0.50 을 얻는다.
  3. 규칙 평가 — 3 × 3 = 9개 규칙 가운데 4개가 켜지고, 강도는 AND = min 으로 (영, 음) → 조금 감소 0.33 · (영, 영) → 유지 0.33 · (양, 음) → 유지 0.50 · (양, 영) → 조금 증가 0.50 이다.
  4. 자르기 — 각 결론 집합(조금 감소 −20 · −10 · 0 / 유지 −10 · 0 · +10 / 조금 증가 0 · +10 · +20)을 규칙 강도 높이에서 min 으로 자른다.
  5. 합성 — 잘린 집합을 max 로 겹치면 유지는 0.33 과 0.50 가운데 0.50 이 남고, 덩어리 하나가 −20 ~ +20 % 에 걸친다.
  6. 비퍼지화 — 덩어리의 무게중심을 구하면 Δu = +1.14 % 이고, 같은 규칙을 Takagi-Sugeno 형(결론 = 꼭짓점 값 하나)으로 두면 가중 평균 +1.00 % 다.
  7. 적용 · 다음 주기 — 히터 출력을 1.14 % 올리고, 다음 측정값으로 1 단계부터 다시 계산한다 — 오차가 줄고 있어 «조금만 더» 넣는 판단이다.
한 주기 계산 — 퍼지화 · 규칙 · 자르기 · 합성 · 무게중심 2 e(°C) — +2 → 영 0.33 · 양 0.67 Δe(°C / 주기) — −0.5 → 음 · 영 0.50 −3 0 +2 +3 −1 −0.5 0 +1 3 켜진 규칙 4개 — (영, 음) 0.33 · (영, 영) 0.33 · (양, 음) 0.50 · (양, 영) 0.50 무게중심 +1.14 % 4 5 6 −20 −10 0 +10 +20 Δu 히터 출력 변경(%) 음 영 양 출력 집합 5개 잘라 겹친 결론 출력 값

그림 4 · e = +2 · Δe = −0.5 가 집합 넷에 걸쳐 규칙 4개를 켜고, 잘라 겹친 결론 덩어리의 무게중심 +1.14 % 가 출력이 된다.

같은 규칙 뜻 · 다른 판정 — 출력 곡선(Δe = 0) +10 0 −10 Δu(%) e 1.4 → 1.6 경계 0 → +10 퍼지 +4.73 → +5.27 −3 −1.5 0 +1.5 +3 e 오차(°C) 경계 값 규칙(|e| ≥ 1.5 이면 ±10 %) 퍼지 규칙(같은 9개 · 무게중심) 굵은 테두리 = 경계 구간

그림 5 · 경계 값 규칙은 e = ±1.5 °C 에서 출력이 10 % 씩 뛰지만, 퍼지 규칙은 이웃 규칙이 함께 켜져 −10 ~ +10 % 를 끊김 없이 잇는다.

🔑 경계 값 규칙은 경계에서 출력을 뛰게 하고, 퍼지 규칙은 이웃 규칙 둘을 함께 켜서 그 사이를 잇는다 — 부드러움은 소속 함수가 «겹치는 구간»에서 나온다.

6비교 — 경계 값 규칙 · Mamdani · Takagi-Sugeno · PID · 확률 모델

방식불확실성을 보는 눈출력규칙 · 모델이 오는 곳강한 곳약한 곳
경계 값 규칙없음(참 · 거짓)계단사람이 경계 값을 정함단순 · 검증 쉬움경계에서 출력이 뜀(그림 5)
퍼지 Mamdani 형말의 모호함(소속도)결론 집합 → 무게중심사람 말 규칙규칙을 읽고 고치기 쉬움비퍼지화 계산 · 끝 값 미달
퍼지 Takagi-Sugeno 형말의 모호함(소속도)규칙별 식의 가중 평균데이터로 식 계수 식별계산이 가볍고 해석적결론이 식이라 말로 읽기 어려움
PID 제어따로 다루지 않음(오차 되먹임)오차의 비례 · 적분 · 미분 합대상 모델 · 이득 조정목표 궤적 추종(Yasunobu 외 2002 5.2절)비선형 · 여러 평가 지표
확률 모델(베이즈 등)일어날지 모름(빈도 · 믿음)사건 확률 · 기댓값데이터 · 사전 분포위험 · 신뢰 구간 계산「조금 높다」 같은 말 규칙 없음

분석사람이 말로 설명할 수 있는 운전 경험이 있고 비선형 · 여러 지표(승차감 · 정지 정확도)를 함께 봐야 하면 퍼지 Mamdani 형을, 같은 규칙을 가볍게 돌리거나 데이터로 계수를 맞추려면 Takagi-Sugeno 형을, 목표 궤적을 정확히 따라가는 일이면 PID 를 고른다. 근거는 열차 자동 정지 연구에서 퍼지 제어가 노치 변경을 절반으로 줄였지만 고정 목표 속도 추종은 PID 가 더 나았다는 결과다(Yasunobu 외 2002 5.2절).

7실무 진단 — 퍼지 제어기 이상 동작의 단계 가르기

분석먼저 입력을 한 축씩 쓸어 출력 곡선(그림 5 꼴)을 그려 끊김 · 평탄 구간을 찾고(곡선), 그 구간에서 켜진 규칙과 강도를 기록한 다음(규칙 표), 마지막에 소속 함수 겹침과 비퍼지화 방식을 본다(집합). 퍼지 출력은 같은 입력에 같은 값이 나오는 결정적 계산이므로, 곡선을 먼저 그리면 «잡음»과 «설계 빈틈»이 갈린다.

#증상의심 원인단계확인 자료판정 기준(근거)
1특정 오차 값에서 출력이 계단처럼 뜀이웃 소속 함수가 겹치지 않음소속 함수입력 축 소속도 그림 · 겹침 구간어느 입력에서나 둘 이상 집합이 0 보다 커야 이어짐(Zadeh 1965 소속 함수 정의)
2어떤 입력 조합에서 출력이 0 에 붙음규칙 표 빈칸 · 켜진 규칙 없음규칙 표칸이 kⁿ개인 규칙 표 · 켜진 규칙 기록빈칸 0 · 모든 조합에 결론 1개(Mamdani · Assilian 1975)
3큰 오차에서도 출력이 끝 값에 못 감무게중심이 집합 끝에 닿지 않음비퍼지화최대 입력에서의 출력 · 방식삼각형 −20 · −20 · −10 하나만 1 이어도 무게중심 −16.7 %(원문 식 직접 계산)
4목표 근처에서 출력이 흔들림「영」 집합 폭이 너무 좁음소속 함수목표 근처 출력 곡선 기울기기울기가 대상 이득과 맞는지 단계 응답으로 확인
5입력을 하나 더하자 규칙이 손에 안 잡힘규칙 수 폭증규칙 표입력 수 · 집합 수입력 3개 × 집합 5개 = 칸 125개(kⁿ 직접 계산) · 학습(ANFIS)이나 계층 분리 검토(Jang 1993)

8시험 대비

출제 정보 정보관리(77회, 72회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 퍼지 집합 · 소속 함수 · 연산과 퍼지 추론 단계를 쓰는 정의 · 특징형, 그리고 고전 집합 · 확률 · Mamdani 와 Takagi-Sugeno 를 견주는 비교형이 나올 수 있다. 정의형도 퍼지화 → 규칙 평가 → 합성 → 비퍼지화를 숫자 한 벌로 따라가 보이면 답이 «용어 설명»을 넘는다.

답안 목차
  1. 개요 — 정의(Zadeh 1965) · 고전 집합과의 차이(0 · 1 ↔ [0, 1]) · 언어 변수(Zadeh 1975)
  2. 퍼지 집합 연산 — 합집합 max · 교집합 min · 여집합 1 − μ · 소속 함수 모양 세 가지
  3. 퍼지 추론 구조 — 그림 3 구조(퍼지화 · 규칙 베이스 · 추론 · 비퍼지화) + 요소 표
  4. 추론 절차 — 그림 4 사례 계산(e = +2 · Δe = −0.5 → 규칙 4개 → 무게중심 +1.14 %)
  5. 비교 — Mamdani ↔ Takagi-Sugeno · 퍼지 ↔ 확률 · 그림 5 경계 값 규칙과 출력 곡선
  6. 활용과 한계 — 열차 자동 정지(노치 변경 절반) · IEC 61131-7 · 규칙 수 kⁿ · ANFIS

꼭 쓸 키워드
퍼지 집합소속 함수언어 변수퍼지화비퍼지화무게중심MamdaniTakagi-SugenoANFISIEC 61131-7

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 경계 값 규칙과 퍼지 규칙의 출력 곡선을 한 축에 겹쳐 «부드러움이 어디서 오는가»를 숫자로 보이는 것이다.

9오해와 사실

  • 오해퍼지 이론은 계산을 대충 하는 방법이다.
    사실모호한 것은 조건 판정의 정도일 뿐이고, 사례처럼 e = +2 · Δe = −0.5 에는 늘 Δu = +1.14 % 라는 하나의 숫자가 결정적으로 나온다.
  • 오해퍼지 제어는 PID 보다 언제나 낫다.
    사실열차 자동 정지 연구에서도 고정 목표 속도를 따라가는 성능은 PID 가 더 나았고, 퍼지의 이점은 승차감 · 정지 정확도를 함께 맞추는 데 있었다(Yasunobu 외 2002 5.2절).
  • 오해규칙을 촘촘히 늘릴수록 정확해진다.
    사실규칙 칸은 집합 수 k 를 입력 수 n 만큼 곱한 kⁿ 으로 늘어(입력 3개 × 집합 5개 = 칸 125개) 사람이 검토할 수 없게 되므로, 입력을 줄이거나 ANFIS 로 모양을 학습시킨다(Jang 1993).

10핵심 정리

구분맡는 일다루는 값연산 · 방식대표 근거흔한 실패
퍼지 집합소속을 정도로μ ∈ [0, 1]max · min · 1 − μZadeh 1965확률과 혼동
언어 변수입력 · 출력을 낱말로음 · 영 · 양 등낱말마다 소속 함수Zadeh 1975집합 겹침 없음
규칙 베이스조건 낱말 → 결론 낱말칸 kⁿ개IF … AND … THENMamdani · Assilian 1975빈칸 · 폭증
추론강도 · 자르기 · 합침규칙 강도min · maxMamdani 형강도 기록 없음
비퍼지화집합 → 숫자출력 하나무게중심 · 최대값 평균Mamdani 형끝 값 미달
Takagi-Sugeno 형식 결론계수가중 평균Takagi · Sugeno 1985말로 읽기 어려움
ANFIS소속 함수 학습모수역전파 + 최소 제곱Jang 1993데이터 밖 동작
퍼지 제어 언어PLC 에 퍼지 규칙 적기기능 블록표준 언어IEC 61131-7도구 사이 이식 차이

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Fuzzy sets (Information and Control 8(3) 338-353) — 소속 함수 · max · min · 1 − μ 연산의 원래 정의를 볼 때
    Elsevier · 1965-06 · doi.org/10.1016/S0019-9958(65)90241-X · 확인 2026-11-12
  3. ★ The concept of a linguistic variable and its application to approximate reasoning—I (Information Sciences 8(3) 199-249) — 「젊다 · 아주 젊다」 같은 언어 변수와 근사 추론을 볼 때
    Elsevier · 1975-01 · doi.org/10.1016/0020-0255(75)90036-5 · 확인 2026-11-12
  4. ★ An experiment in linguistic synthesis with a fuzzy logic controller (International Journal of Man-Machine Studies 7(1) 1-13) — 말로 적은 규칙을 제어기로 옮긴 첫 실험을 볼 때
    Elsevier · 1975-01 · doi.org/10.1016/S0020-7373(75)80002-2 · 확인 2026-11-12
  5. ★ A Fuzzy Control for Train Automatic Stop Control (Transactions of the Society of Instrument and Control Engineers Vol.E-2 No.1 1-9) — 숙련 운전원 규칙을 퍼지 제어로 옮겨 PID 와 견준 결과를 볼 때
    SICE · 2002-01 · www.sice.jp/e-trans/papers/E2-1.pdf · 확인 2026-11-12
  6. 본문 근거
  7. Fuzzy identification of systems and its applications to modeling and control (IEEE Transactions on Systems, Man, and Cybernetics SMC-15(1) 116-132) — IEEE · 1985-01 · doi.org/10.1109/TSMC.1985.6313399 · 확인 2026-11-12
  8. ANFIS: adaptive-network-based fuzzy inference system (IEEE Transactions on Systems, Man, and Cybernetics 23(3) 665-685) — IEEE · 1993-05 · doi.org/10.1109/21.256541 · 확인 2026-11-12
  9. IEC 61131-7:2000 Programmable controllers - Part 7: Fuzzy control programming — IEC · 2000-08 · webstore.iec.ch/publication/4556 · 확인 2026-11-12
  10. NumPy 2.4 Reference — numpy.linspace · numpy.minimum · numpy.maximum — NumPy Developers · 2026-11 · numpy.org/doc/stable/reference/ · 확인 2026-11-12