模糊逻辑.pptVIP

nifjfhg 第 3 章 模糊逻辑 理解模糊集合与模糊隶属度的主要特点和关系，掌握模糊语言描述和模糊关系的运算规则，熟练掌握模糊逻辑的推理计算过程，并能了解模糊理论的各种实际应用。 模糊逻辑简介 加州大学伯克利分校的 L. Zadeh 教授曾提出过一个不相容原理: “当系统的复杂性增加时，人们对系统特性作出精确而有效的描述的能力就相应降低，直到达到一个阔值。 一旦超过这个值，精确性 和有效性 将变成两个相互排斥的特性。 也就是说，当系统的复杂性达到一定程度时，就不能同时对系统进行既精确又有效的描述。描述的精确性会损害有效性，而有效性要牺牲精确性。系统越复杂，这一现象越明显。 模糊逻辑简介 真实世界是非常复杂的，传统数学方法与人的思维采用不同的方式描述复杂的世界: 传统的数学方法常常试图进行精确定义 ，而人关于真实世界中事物的概念往往是模糊的，没有精确的界限和定义 。 在处理一些复杂问题时，精确性和有效性形成了矛盾。诉诸精确性的传统数学方法变得无效，而具有模糊性的人类思维却能轻易解决。 例如人脸识别问题，这一问题对于擅长精确计算的计算机来说十分棘手，然而对人类的幼儿来说却并不困难。 人脸识别问题 模糊逻辑简介 模糊逻辑(Fuzzy Logic , FL)是一种使用隶属度 代替布尔真值的逻辑。与经典的二值逻辑 不同，它并不使用截然不同的二值来表达所有命题，而是使用隶属度来表达，更适合描述实际生活中陈述的不精确性。 模糊理论的基本出发点就是取消二值之间非此即彼 的对立，用隶属度表示二值间的过渡状态 。这为进行不精确而有效的描述提供了便利，也为将符合人类思维习惯的模糊推理、模糊决策移植到计算机中提供了理论工具。经典二值逻辑中，通常用 1表示“真” ，用 0表示“假”，一个命题非真即假。 模糊逻辑简介 隶属度是对命题的模糊评价概念，用隶属度值 表示一个命题为真的程度，是一种较客观的评价方法。隶属度的取值区间是[0, 1]，隶属度越大表示真的程度越高；隶属度越小表示真的程度越低。隶属度取值的模糊逻辑关系如图： 模糊逻辑简介 20 世纪 20 年代，波兰数学家 Lukasiewicz 提出了多值逻辑(many-valued logic) 1937 年，Max Black 提出了不明确集合 (vague set) 1965年，Zadeh 教授提出了模糊集合 (fuzzy sets) 1973 年, Zadeh 教授又提出了模糊逻辑 。 1974 年，第一个模糊控蒸汽引擎系统 第一个模糊交通指挥系统 1980 年 ，丹麦开始使用模糊控制 操水泥旋转窑 1987 年，模糊控制 应用于仙台市地铁的自动驾驶 1993 年，L.Zadeh教授提出了软计算(Soft Compllting) 模糊集合与模糊逻辑 1965年，Zadeh发表了一篇名为“模糊集合”的文章，对传统的集合理论进行了推广，开创了模糊集理论。模糊集合中的每个元素都是以一定程度属于某个集合，甚至可以不同程度地同时属于几个集合。 在经典的集合理论中，一个元素或者属于一个集合，或者不属于一个集合。论域内的任意元素与集合 A 的关系可以用一个特征函数表达 模糊集合与模糊逻辑 例： “接近10的实数”的精确集合与模糊集合 取 “8到12之间的实数”，是一个精确集合C，C={ 实数r | 8≤r≤12}，用特征函数 ?C(r)表示。 “接近10的实数”以用一个模糊集合F＝{ r| 接近10的实数}，用“隶属度(Membership)” ?F(r)作为特征函数来描述元素属于集合的程度。 (a) (b) 精确集合与模糊集合的对比 例：在考核中，学生的绩点为[0 ,5] 区间上的实数。 按照常识，绩点在 3 以下显然不属于 “优秀”, 绩点在 4. 5 以上则显然属于“优秀” 。这是没有问题的。 然而，绩点为4.4 时该怎么算呢?这个成绩很接近 4.5 ，如果和绩点为 3 一样，都不属于“优秀”未免对绩点为 4. 4 的同学太不公平。有了模糊集合这个工具，在 3~4. 5 之间就可以认为是一个“灰色地带”，其间的成绩在一定程度上属于优秀这个模糊集。假设各绩点对优秀的隶属度可以用如图 所示的曲线表示: “年轻”、“中年”、“老年”的隶属度函数 (a)A和B的交； (b)A和B的并； (c)A的补 模糊集合的三种运算 在这里， v 表示对所有Y 取最大值， ×是二项积