模糊理论总结 第1篇
标准布尔逻辑运算
2个经典集合的运算
模糊逻辑运算的写法
2个模糊集合的运算
模糊集合和隶属度函数一一对应,所以模糊集合的模糊运算等同于隶属度函数之间的模糊运算
rij 是隶属度函数根据具体问题算出
模糊理论总结 第2篇
模糊计算是计算智能的一个重要领域,是以模糊集理论为基础的。它可以模拟人脑非精确、非线性的信息处理能力,在许多应用领域内都有用途。人们通常可以用“模糊计算”笼统地代表诸如模糊推理(FIS,Fuzzy Inference System)、模糊逻辑(Fuzzy Logic)、模糊系统等模糊应用领域中所用到的计算方法及理论。
模糊计算涉及的就是依据模糊规则,从几个控制变量的输入得到最终的输出的过程。细分为4个模块:模糊规则库、模糊化、推理方法、去模糊化。图1显示了模糊计算的基本流程:
步骤1需要从具体输入得到对模糊集的隶属度,并激活相关模糊规则。从具体输入得到对模糊集隶属度的算子又叫模糊化算子;
步骤2需利用模糊规则进行推理得出结论,在不同的问题中,推理方法可能不相同;
步骤3需综合2中的结果并从模糊隶属度得到实际输出值。从模糊隶属度得到实际输出的算子又叫做去模糊化算子。
模糊理论总结 第3篇
经典二值逻辑中,通常以0表示“假”以1表示“真”,一个命题非真即假。在模糊逻辑中,一个命题不再非真即假,它可以被认为是“部分的真”。模糊逻辑取消二值之间非此即彼的对立,用隶属度表示二值间的过度状态。隶属度表示程度,它的值越大,表明u属于A的程度越高,反之则表明u属于A的程度越低。
模糊集合理论是将经典集合理论模糊化,并引入语言变量和近似推理的模糊逻辑,具有完整的推理体系的一种智能技术。许多模糊的概念,如大、小、冷、热等,都没有明确的内涵和外延,只能用模糊集合来描述。
设X是论域,X上的一个实值函数用 \mu_{A} 来表示,即:
\mu_{A}\left( x \right)称为x对A的隶属度,而\mu_{A}称为隶属函数。
模糊集合的表示方法
1、Zadeh表示法
(1)论域是离散且元素数目有限:
(2)论域是连续的,或者元素数目无限:
2. 序偶表示法
3. 向量表示法
确定隶属函数方法
对于一个特定的模糊集,隶属函数体现了其模糊性,隶属函数的值称为隶属度,它是模糊概念的定量描述。隶属函数的确定过程,本质上说应该是客观的,但每个人对于同一个模糊概念的认识理解又有差异,因此,隶属函数的确定又带有主观性。
1、模糊统计法
2、指派法
以实数域R为论域时,称隶属函数为模糊分布。常见的模糊分布有:
择近原则
设论域U上n个模糊集 A_{i}\left( i=1,2,...,n\right) 为n个标准模式,有U上的模糊集B为待识别对象,若存在 i\in\left\{ 1,2,...,n \right\} ,使得 N(A_{i},B)=max_{1\leq j\leq n}\left\{ N(A_{i},B) \right\} ,则称B与 A_{i} 最贴近,并判定B与A_{i}一类。
模糊集的贴近度
贴近度是对两个模糊集接近程度的一种度量,设 A,B,C\in F(U) 若映射
满足条件:
(1) N(A,B)=N(B,A)
(2) N(A,A)=1,N(U,\phi)=0
(3)若 A\subseteq B\subseteq C ,则 N(A,C)\leq N(A,B)\wedge N(B,C)
称 N(A,B) 为模糊集A与B的贴近度,N称为 F(U) 上的贴近度函数
1、 海明贴近度
2、 欧几里得贴近度
3、 xxx近度
若U为实数域,被积函数为xxx可积,且广义积分收敛,则:
例:设U=[0,100],且
求xxx近度 N_{1}(A,B)
解:不难求得 A(x) 和 B(x) 的交点坐标 x*=50 于是:
模糊关系的概念
X,Y为非空模糊集,X,Y的直积构成的一个子集R,是X到Y的一个模糊关系,记 R_{X\times Y}
论域X,Y是有限论域,对于X到Y的一个模糊关系R,可以用一个 m\times n 矩阵表示为:
模糊关系的运算
1、模糊矩阵并
2、模糊矩阵交
3、模糊矩阵补
模糊关系的合成
定义1:设R是 X\times Y 中的关系,S是 Y\times Z 中的关系,所谓R和S的合成是只定义在 S\times Z 上的模糊关系Q,模糊关系R和S的合成定义为:
定义2:设 R=\left[ r_{ij} \right],S=\left[ s_{jk} \right] ,模糊矩阵R和S的合成定义为:
模糊关系的性质
1. 自反性:若 \forall x\in U,\mu_{R}\left( x,x \right)=1 则称R满足自反性,若A为自反矩阵,有:
2. 对称性:若\forall x,y\in U,\mu_{R}\left( x,y \right)=\mu_{R}\left( y,x \right),则称R满足对称性,则 R^{T}=R
3.传递性: \mu_{R}\left( x,z \right)\geq \vee_{y}\left\{ \mu_{R}\left( x,y \right)\wedge \mu_{R}\left(y,z \right) \right\} ,则称R满足传递性,则 R^{2}\subseteq R
模糊关系表示元素之间被表征的描述关系,通过关系计算可以实现模糊聚类。
模糊关系
1. 模糊相似关系:当模糊关系有自反性、对称性时,称为模糊相似关系
2. 模糊等价关系:模糊关系有自反性、对称性、传递性时,称为模糊等价关系
模糊聚类的过程
1. 数据标准化:
2. 构建模糊矩阵
将元素间的关系用矩阵表征出来,使用方法包括:相似度系数法(夹角余弦法、相关系数法)、距离法(Euclid距离、Hamming距离、Chebyshev距离)、贴近度法(最大最小法、算术平均法、几何平均法)
最大最小法:
3. 求传递闭包
步骤二求出模糊相似关系阵,通过传递闭包法求出模糊等价关系阵,模糊矩阵做幂运算,当矩阵不再改变时,为等价关系
4. 动态聚类
在不同水平下对数据进行聚类,水平给出的方法使用 \lambda- 截集(隶属度为 \lambda 的集合)
模糊推理的概念
模糊推理又称模糊逻辑推理,是指从已知模糊命题(包括大前提和小前提),推出新的模糊命题作为结论的过程,是一种近似推理。
1. 模糊语言变量
一个语言变量可由以下的五元体来表征(x,T(x),U,G,M)
2. 语言算子
在模糊语言前面加上“极”、“非常”、“相当”、“比较”、“略”、“稍微”、“非”等语气算子后,将改变了该模糊语言的含义,相应地隶属度函数也要改变。
模糊命题与模糊条件语句
1. 模糊命题
模糊命题分为性质命题和关系命题两种。一般形式为:
模糊命题的真值由该变元对模糊集合的隶属程度表示:
模糊命题之间有析取、合取、取非运算。
(1)合取 P\times Q ,真值为: P\times Q=(\mu_{A}(p)\wedge\mu_{B}(q))
(2)析取 P+ Q ,真值为: P+ Q=(\mu_{A}(p)\vee\mu_{B}(q))
(3)取非 P^{c} ,真值为: P^{c}=1-\mu_{A}(p)
2. 模糊条件语句
(1)简单模糊条件语句
A表示“x是A”,B表示“y是B”,则简单模糊条件语句表示为:
命题表达式为:
隶属函数为:
(2)多重简单模糊条件语句
句型为:
命题表达式:
隶属函数:
(3)多重模糊条件语句
句型:
命题表达式:
隶属函数:
(4)多重多维模糊条件语句
句型:
命题表达式:
隶属函数:
关系合成推理法(CRI)
1. Zadeh的推理方法
(1)模糊取式
结论:
隶属函数:
(2)模糊拒取式
结论:
隶属函数:
2. Mamdani 的推理方法
(1)模糊取式
(2)模糊拒取式
3. 多输入模糊推理
结论:
隶属函数:
模糊控制是用语言归纳操作人员的控制策略,运用语言变量和模糊集合理论形成控制算法的一种控制。模糊控制的最重要特征是不需要建立被控对象精确的数学模型,只要求把现场操作人员的经验和数据总结成较完善的语言控制规则,从而能够对具有不确定性、不精确性、噪声以及非线性、时变性、时滞等特征的控制对象进行控制。模糊控制系统的鲁棒性强,尤其适用于非线性、时变、滞后系统的控制。模糊控制的基本结构如图所示:
模糊控制主要体现在应用方面