模糊推理方法Word文件下载.docx
《模糊推理方法Word文件下载.docx》由会员分享,可在线阅读,更多相关《模糊推理方法Word文件下载.docx(17页珍藏版)》请在冰豆网上搜索。
ifxisAthenyisB
小前提(事实):
xisA*
〜*〜*〜
结论:
yisBARm(X,Y)
当rm(x,y)"
X)B(y)时,有
6*(y)a*(x)[A(x)B(y)]}
xx
Vx{[a*(x)a(x)]B(y)}(322)
B(y)
其中V[A*(x)A(x)],称为A和A*的适配度
xX
在给定模糊集合A*、A及B的情况下,Mamdan模糊推理的结果B*如图321所示
〜〜*
I
B
AA
A
B*
j2V
J
■
r
x
y
图3.2.1单前提单规则的推理过程
根据Mamdani推理方法可知,欲求B*,应先求出适配度(即A*(x)A(x)的最大值);
然后
用适配度去切割B的MF即可获得推论结果B*,如图3.2.1中后件部分的阴影区域。
所以这种方法经常又形象地称为削顶法。
对于单前件单规则(即若x是A则y是B)的模糊推理,当给定事实x是精确量X。
时,基于Mamdani推理方法的模糊推理过程见图3.2.2。
例3.2.2[设A和B分别是论域X和Y上的模糊集合,其中论域X(水的温度)={0,20,40,
,A=温度高,B=压力大。
模糊规
60,80,100},Y(蒸汽压力)={1,2,3,4,5,6,7}
则“若A则B”在此模糊规则下,试求在A*=温度较高时对应的压力情况B解:
首先确定各模糊集合的隶属度为■##带有主观性的确定
求A*对A的适配度
V(0
0.10.15
0.30.4
0.6
0.75
0.851
xVX(
20
40
60
80
、,,0
0.30.6
0.85
0.8、
V(—
)
xX0
4060
100
10.8)
100)
用适配度去切割B的隶属函数,即可获得~*
00.1
0.7
B*(y)
B(y)0.85
—
3
—
12
4
5
67
0.10.30.5
234
6
7
推理结果是~-压力较大
,这与我们平常的推理结果是-
-致的。
(ii)具有多个前件的单一规则
设A*、A、B*、~和C*、C分别是论域x、y和z上的模糊集合,已知A、B和C间的模糊关系为Rm(x,y,z)。
根据此模糊关系和论域x、y上的模糊集合A*、B*,推出论域z上新的模糊集合。
即
ifxisAandyisB,thenzisC~
小前提(事实):
xisA*andyisB*
后件(结论):
zisC*
根据Mamdan模糊关系的定义,有
RM(x,y,z)a(x)g(y)C(y)笛卡尔积取小(323)
此时
其中
AxVx[A*(x)A(x)]是AA*隶属函数的最大值,表示A*对A的适配度;
V[B*(x)B(y)]是~B*隶属函数的最大值,表示B*对B的匹配度;
yYB
由于模糊规则的前件部分由连词“与”连接而成,因此称AB为模糊规则的激励强度或满
足度,它表示规则的前件部分被满足的程度。
图3.2.3给出了多个前件的单一规则的Mamdani模糊推理过程,其中推理结果6*的MF是模糊集合C的MF被激励强度(ab)截切后的结果。
这个结论可以直接推广到具有多于两个前件的情况。
图323多前提单规则的Mamdani模糊推理过程
对于两前件单规则(即若x是A和y是~,那么z是C)的模糊推理,当给定事实为精确量时
例3.2.3已知A*、A、~*、~和C*、6分别是给定论域X{X1,X2}、Y{yi,y2,y3}和Z{乙&
}
上的模糊集合,若
-10.5〜0.1
A且B
0.51,则
C
0.2
。
现在知道A*0.80.1及
X1X2y1
y2y3
Z1
Z2
x1x2
~*0.50.20
求模糊集合(〜*。
yiyy
解法一:
由于Rabc
〜〜〜〜〜〜
(x,y,z)ABC,故先求Rab(x,y)AB
Rab(x,y)AB
[0.10.5
1]
然后将Rab(x,y)写成列向量的形式,并以
〜*
RAB(x,y)表示,
Rab(x,y)
0.10.510.1
T
于是可以求得:
Rabc(x,y,z)AB
rAb(x,y)
0.2
~*~*~*~~~*~*
由于C(AB)RABC(x,y,z),令RAy(x,y)AB,有
0.50.20
0.10.10
〜~~*0.8
RA*B*(x,y)AB0.!
0.50.20
将R~*b*(x,y)写成行向量,并以R^*^~*(x,y)表示,即
RA*B*(x,y)0.50.200.10.10
于是可以求得C*
CRA*b*(x,y)RABc(x,y,z)
0.10.1
0.20.5
Z1z2
解法二:
首先A*与A、B*与B的适配度,即
V(10.80.50.1)
xxx1x2
v(°
.80.1)
'
“0.10.5
0、cc
V(
0.50.210)
)0.2
yYy
yy
然后求激励强度
,即
AB°
.8
最后用激励强度
去切割C的隶属函数,
即可获得C
0.21
02
C*(y)
C(y)0.2
-——
(iii)具有多个前件多条规则的模糊推理
设A*、A、A2、~*、瓦、~2和C*、C1、(~2分别是论域X、Y和Z上的模糊集合,Rm1(X,Y,Z)是A|、B1和C~1间的模糊蕴含关系,Rm2(X,Y,Z)是A2、B2和C~2间的模糊蕴含关系。
已知论域X、Y
上的模糊集合A*、B*,推出论域z
上新的模糊集合
C*。
大前提1(规则1):
if
xisA-iand
yisB1,thenzis
C1
大前提2(规则2):
xisA2and
yisB2,thenzis
xisA*and
〜*yisB
zis
〜*C
对于多个前件多条规则的模糊推理问题,通常将多条规则处理为相应于每条模糊规则的模糊关系的并集。
上述的模糊推理问题可以表示为
C*(z)VA*(x)B*(y)][RMi(x,y,z)VRm2(x,y,z)]
{XVX[a*(x)b*(y)]Rmi(x,y,z)}
yY(3.2.5)
V{xV[A*(x)y(y)]亀2(x,y,z)}
Ci*(z)VC2(z)
其中:
RM1(x,y,z)A1(x)B1(x)VC1(Z);
Rm2(x,y,Z)A2(x)B2(x)VC2(Z);
C*⑵和C;
⑵分别是在规则1和规则2下所得到的模糊集合。
对于两个前件两条规则(即x是A和y是Bi,则z是Ci;
x是A2和y是耳,则z是C2)的模糊
综上所述,多个前件多条规则的模糊推理过程可以分为四步:
⑴计算适配度把事实与模糊规则的前件进行比较,求出事实对每个前件MF的适配度。
⑵求激励强度用模糊与、或算子,把规则中各前件MF的适配度合并,求得激励强度。
⑶求有效的后件MF用激励强度去切割相应规则的后件MF获得有效的后件MF
⑷计算总输出MF。
将所有的有效后件MF进行综合,求得总输出MF
二、Larsen模糊推理法
Larsen推理方法又称为乘积推理法,是另一种应用较为广泛的模糊推方法。
Larsen推理方法
与Mamdan方法的推理过程非常相似,不同的是在激励强度的求取与推理合成时用乘积运算取代了取小运算。
设A*和A论域X上的模糊集合,B是论域丫上的模糊集合,A和B间的模糊关系确定,求在
图3.2.6单前提单规则的推理过程
*
yisB
与Mamdani推理方法一样,首先求适配度:
V[
xXL
A*(x)
A(x)]
(3.2.6)
然后用适配度与模糊规则的后件作乘积合成运算,
即可得
〜*B
(y)
(327)
xisA*
在给定模糊集合A*、A及B的情况下,Larsen模糊推理的结果~*如图3.2.6所示
设A*、A、b*、~和C*、C分别是论域x、y和z上的模糊集合,已知A、b和c间的模糊
if
xisAandyisB,thenzisC
xisA*andyisB*
zisC*
首先求适配度A和B:
AxV<
[A*(x)a(x)]
xX(3.2.8)
B乂乂[B*(x)B(x)]
最后用激励度与模糊规则的后件作乘积合成运算,即
&
(y)c(y)(3.2.10)
图3.2.7给出了两个前件的单一规则的Larsen模糊推理过程,其中推理结果C*的MF是模糊集合C的MF与激励强度(ab)合成的结果。
这种合成方法可以直接推广到具有多于两个
前件的情况。
图3.2.7多前提单规则的Larsen模糊推理过程
设A*、Ai、A、E~*、Bi、B2和C*、Ci、C~2分别是论域X、Y和Z上的模糊集合,Ai、~i和
Ci间的模糊关系及A2、B2和C2间的模糊关系都已知。
现在根据论域X、Y上的模糊集合A*、B*,
推出论域z上新的模糊集合C*。
大前提i(规则i):
xis
Aiand
yis
Bi,thenzis
Ci
A2and
B2,thenzis
C2
Aand
首先求出规则i的适配度
Ai和
Bi:
以A*
(x)
入(x)]
(3.2.ii)
V[B*
xXB
Bi(x)]
同样求出规则2的适配度A2和
B2:
A2
V[A*(x)
b2(x)]
(3.2.i2)
B2
以B*(x)
(3213)
A1B1
2AB2
最后用激励度与相应的模糊规则的后件作乘积合成运算,分别求出每规则所得的结论,并且做取大
运算获得最终的结论,即
c*(y)1C1(y)v2C2(y)(3214)
图3.2.8给出的是两前件两规则的Larsen模糊推理过程,当这种推理过程可以推广到任意个前件任意多条规则的情况。
图3.2.8两前件两规则的Larsen模糊推理过程
三、Zadeh模糊推理法
通过前面分析可知,模糊推理的结果主要取决于模糊关系及合成运算法则。
与Mamdani推理法相比,Zadeh推理法也是采用取小合成运算法则,但是其模糊关系的定义不同。
下面具体给出Zadeh的模糊关系定义。
把Rz(X,Y)定义为
Rz(x,y)[A(x)百(y)]V[1A(x)](3.2.15)
如果已知模糊集合A和B的模糊关系为Rz(x,y),又知论域x上的另一个模糊集合A*,那么
Zadeh模糊推理法得到的结果B*为:
其中“”表示合成运算,即是模糊关系的Sup—运算。
B*(y)Sup{A*(x)[A(x)~(y)V(1-A(x))]}(3.2.17)
式中“Sup”表示对后面算式结果取上界。
若Y为有限论域时,Sup就是取大运算V。
Zadeh模糊推理法提出比较早,其模糊关系的定义比较繁琐,导致合成运算比较复杂,而且实
际意义的表达也不直观,因此目前很少采用四、Takagi—Sugeno模糊推理法
日本高木(Takagi)和杉野(Sugenc)于1985年提出了Takagi—Sugeno模糊推理法,简称为T-S模糊推理法。
这种推理方法便于建立动态系统的模糊模型,因此在模糊控制中得到广泛应用。
T-S模糊推理过程中典型的模糊规则形式为:
如果x是Aandy是B,则zf(x,y)
其中A和B是前件中的模糊集合,而zf(x,y)是后件中的精确函数
通常f(x,y)是输入变量x和y的多项式,可以是任意函数。
当f(x,y)是一阶多项式时,模糊推理系统被称为一阶T-S模糊模型;
当f是常数时,所得到的模糊推理系统被称为零阶T-S模糊模型。
其中每条规则的后件由一个模糊单
T-S模糊推理过程中激励强度的求
零阶T-S模糊模型可以看作是Mamdani模糊推理系统的特例,点表示(或是一个预先去模糊化的后件)。
对于多前提的模糊推理问题,每个前提都会有一个适配度,取可以采用取小运算,也可以采用乘积运算。
对于形如“若xisAandyis13,thenzf(x,y)的模糊规则,其激励强度为
AB(3.2.18)
(3.2.19)
最终的结论往往是通过对
(3.2.20)
对于多规则的模糊推理问题,每一个规则都可以产生一个推理结果每一个推理结果进行加权平均得到。
对于两规则的模糊推理,如:
IFxisAA1andyisB,thenz!
fi(x,y)
IFxisA2andyisB2,thenzf2(x,y)
若已知xisAandyisB”,那么T-S模糊推理的结论z为
z
1z1
2z2
2
实际上,为了进一步减少计算量,有时可以用加权和算子直接代替加权平均算子,即
z1Z12Z2(3.2.21)
图3.2.9给出的是一个两前提两规则的一阶T-S模糊模型的模糊推理过程。
当然,T-S模糊推理方法也可以推广到多前件多规则的情况。
i:
zipixqiyri
\7
1Z12Z2
orz1Zi2Z2
2:
Z2P2Xq2y「2
图329两前件两规则的T-S模糊推理过程
与Mamdan模糊推理方法不同,T-S模糊模型在其推理机制中不严格遵循推理复合规则。
当T-S模糊模型的输入是模糊的时,会造成一定困难。
对于T-S模糊推理方法,通过加权平均或加权和所获得的整体输出通常是精确的,这与常规的模糊推理方法有所不同,因为常规的模糊推理系统往往是以适当的方式把模糊性从输入传播到输出。
由于T-S模糊推理得到的结果是精确的,所以T-S
模糊推理过程不需要进行耗时的、数学上不易分析的去模糊化运算。
正是如此,T-S模糊推理是目
前基于样本的模糊建模中最常选用的方法。