最小值推論引擎.pptVIP

* 範例 7.2 假設A’是定義在 (7.27) 式的模糊單點。我們從5個模糊推論引擎畫出μB’(y)。令B’P,B’M,B’L,B’Z,與B’D分別是模糊集合B’使用乘積，最小值，Lukasiewicz, Zadeh與Dienes-Rescher推論引擎，並且令 與 。則從 (7.28)、(7.29) 以及 (7.30)～(7.35)，我們得到 (7.38) (7.39) (7.40) (7.41) (7.42) * 範例 7.2 對於μAp(x*p)≧0.5的情況，μB’P(y)與μB’M(y)描繪於圖7.3，並且μB’L(y),μB’Z(y)與μB’D(y)描繪於圖7.4。而μAp(x*p)0.5的情況，μB’P(y)與μB’M(y)描繪於圖7.5，以及μB’L(y),μB’Z(y)與μB’D(y)描繪於圖7.6。 * 範例 7.2 7.3　針對μA*p(x*p)≧0.5情況使用Lukasiewicz, Zadeh 與Dienes-Rescher推論引擎的輸出歸屬函數。 * 範例 7.2 7.4　針對μA*p(x*p)≧0.5情況使用乘積 與最小推論引擎的輸出歸屬函數 * 範例 7.2 7.5　針對μA*p(x*p)≧0.5情況使用乘積 與最小推論引擎的輸出歸屬函數 * 範例 7.2 7.6　針對μA*p(x*p)≧0.5情況使用Lukasiewicz, Zadeh 與Dienes-Rescher推論引擎的輸出歸屬函數。 * 範例 7.2 從圖7.3～7.6，我們得到下列的觀察：(1) 如果若部分的歸屬值在點x*是小的（也就是μAp(x*p)0.5），則乘積與最小值推論引擎提供非常小的歸屬值，然而Lukasiewicz, Zadeh與Dienes-Rescher推論引擎卻提供非常大的歸屬值；(2) 乘積與最小值推論引擎是相似的，而Lukasiewicz, Zadeh與Dienes-Rescher推論引擎是類似的，但是介於這二組之間有大的不同；與 (3) Lukasiewicz推論引擎提供最大的輸出歸屬函數，而在所有情況下乘積推論引擎提供最小的輸出歸屬函數；其餘三種推論引擎則介於中間。 * 範例 7.3 在這個範例，我們考慮包含二個模糊系統：一個與 (7.36) 相同，另一個是 (7.43) 其中 (7.44) 再一次假設A’是定義於 (7.27) 式的模糊單點。我們使用乘積推論引擎來繪出μB’(y)，也就是μB’P(y)。圖7.7顯示μB’P(y)，其中 與 。 * 範例 7.3 7.7　針對二個規則情況使用乘積推論引擎的輸出歸屬函數 * 7.3 總結與更多的閱讀 典型的模糊若—則規則的架構以及對規則的集合之估計準則。 對根據合成與根據推論的個別規則的計算程序。 5個特殊模糊推論引擎的詳細公式：乘積、最小值、Lukasiewicz, Zadeh與Dienes-Rescher推論引擎，以及它們對特殊範例的計算。 * 7 模糊規則庫與模糊推論引擎 * 7.1　一個多輸入多輸出模糊系統可被分解為多輸入單輸出模糊系統的組合 * 7.1 模糊規則庫 7.1.1　模糊規則庫的架構 模糊規則庫 (fuzzy rule base) 是由模糊若—則規則的集合所組成。就某方面來說它是模糊系統的核心，所有其它部分是用合理且有效率的方式來實現這些規則。特別是模糊規則庫包含下列模糊若—則規則： (7.1) 其中Ali與Bl分別是在 與 的模糊集合，並且 與 分別是模糊系統的輸入與輸出（語言的）變數。 * 引理 7.1 典型的模糊若—則規則以 (7.1) 式的型式包含下列特殊情況： (a)「局部規則」 (7.2) 其中mn。 (b)「或規則」 (7.3) * 引理 7.1 (c)單一模糊陳述 y是Bl (7.4) (d)「逐漸規則」，例如 x愈小，y愈大 (7.5) (e)非模糊規則（也就是古典乘積規則）。 * 引理 7.1 證 明 (7.6) (7.7) (7.8) (7.9) (7.10) * 定義 7.1 如果對任意 ，在模糊若—則規則的集合為完整的，則存在至少一個規則在模糊規則庫中，稱為規則Ru(l)（(7.1) 式的型式），使得 (7.11) 對所