第八章 - welcome to cilab.pptVIP

第八章 模糊系統 8.1 模糊系統之架構 模糊系統(fuzzy system)已廣泛地應用於自動控制、圖樣識別(pattern recognition)、決策分析(decision analysis)、以及時序信號處理等方面。 模糊系統的基本架構如圖8.1所示，其中主要的功能方塊包括：(1)模糊化機構、(2)模糊規則庫、(3)模糊推論引擎、以及(4)去模糊化機構。 8.1.1 模糊化機構 (fuzzifier) 模糊化機構的功能是將明確的 (crisp) 外界輸入資料轉換成適當的語意式模糊資訊；也就是說將明確資料模糊化成模糊資訊。以下我們介紹兩種模糊化機構： 1. 將明確的數值型式資料 x0 視為一個模糊單點型式的模糊集合 A： 2. 當 x= x0 時，其歸屬函數值為 1；當 x 越來越遠離 x0 時，其歸屬函數值則遞減，表示如下： 其中以 ? 作為控制歸屬函數遞減的速率，此種模糊化方式所須之計算量較大，因此較少使用，但是假若外界的輸入易被雜訊干擾時，採用第二種模糊化方式則較能有效地消除由雜訊引起的錯誤。 8.1.2 模糊規則庫 (fuzzy rule base) (1 ) 一、語意式模糊規則：語意式模糊規則又稱為 Mamdani 模糊規則 二、函數式模糊規則： (1) 線性式模糊規則： (2) 單點式模糊規則： 三、Tsukamoto模糊規則：此模糊規則的後鑑部 Bj 採用的是擁有單調性(monotonical)歸屬函數的模糊集合，因此，每一個模糊規則經過推論後，得到的是一個明確值。 8.1.2 模糊規則庫 (fuzzy rule base) (2) 推論引擎將藉由這些模糊規則來進行推論，以決定下一步驟所要採取的決定。 三種規則的主要差別只在於模糊規則的後鑑部有所不同而已。 至於模糊規則從何而來呢？一般說來，有兩種取得模糊規則的方式：第一種方式也是最直接的方式，就是由專家來提供所須的模糊規則；第二種方式是先收集一些量測資料後，再經由特定的訓練演算法則來從量測資料中萃取出模糊規則。 模糊規則中前鑑部與後鑑部的模糊集合，其歸屬函數的設定從何而來呢？假若模糊規則是由人類專家所給定的，則歸屬函數就必須由人類專家一起給定。若模糊規則是由特定的訓練演算法則從量測資料中萃取出來的，選定合適的歸屬函數型式之後，則以收集之量測資料來細調歸屬函數的參數，以便提高系統的有效性。 8.1.3 模糊推論引擎 模糊推論引擎是模糊系統的核心，它可以藉由近似推論或模糊推論的進行，來模擬人類的思考決策模式，以達到解決問題的目地。 前提一(premise) 1：x is A′ 前提二(premise) 2：If x is A, Then y is B ------------------------------------------------------------ 結論：y is B′ 各種不同計算方式的合成運算子: 最大-最小合成: 最大乘積合成 : 最大邊界積合成 : 最大激烈積合成 : 至於模糊蘊涵的運算則如前一章所介紹的有 。 8.1.4 去模糊化機構 (1) 將經過模糊推論之後產生的結論，轉換為一明確數值的過程，我們稱之為 “去模糊化” 。 由於不同的模糊規則所採用的後鑑部會有所不同，因此，經過模糊推論後所得到的結論，有的是以模糊集合來表示(如語意式模糊規則)，而有的是以明確數值來表示。 一、推論後得到的是模糊集合：令模糊集合 C 為模糊規則經過模糊推論後所得到的結論，亦即前面所提到的 中的 。 1. 重心法 (center of gravity defuzzifier or center of area defuzzifier) (1) 當論域為連續時： (2) 當論域為離散時： 8.1.4 去模糊化機構 (2) 2. 最大平均法 (mean of maxima defuzzifier) 其中 3. 修正型最大平均法 (modified mean of maxima defuzzifier) 其中 4. 中心平均法 (modified center average defuzzifier) 8.1.4 去模糊化機構 (3) 5. 修正型重心法 (modified cen