05基于模糊数学的软测量方法.pptVIP

5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用：◆ 输入输出模糊量的隶属度图： 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用：◆ 模糊规则：根据模型特点最多可抽取125条规则，而实际上由于样本数据所包含的一定规律性和重叠性，再加上对模糊规则的进一步筛选，故抽取出了以下16条可信推理规则：1. If A PB and B PB and C PB then D D4 　　2. If A PB and B PM and C PM then D D4 　　3. If A PB and B ZR and C ZR then D D3 　　4. If A PB and B NM and C NM then D D2 　　5. If A PB and C NB and D NB then D D1 　　6. If A PM and B PB and C PB then D D3 　　7. If A PM and B ZR and C ZR then D D2 　　8. If A PM and B NM and C NM then D D2 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用：◆ 模糊规则：9. If A PM and B NB and C NB then D D110. If A ZR and B PB and C PB then D D211. If A ZR and B PM and C PM then D D212. If A ZR and B ZR and C ZR then D D113. If A NM and B PB and C PB then D D214. If A NM and B PM and C PM then D D115. If A NM and B ZR and C ZR then D D116. If A NB and B PB and C PB then D D1 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用：◆ 模糊推理的实现：可以采用神经网络实现模糊推理。模糊输入变量A,B,C的论域都是[-3,3]，模糊子集都为PB, PM, ZR, NM, NB，而模糊输出变量D的论域为[-2,3]，模糊子集为D1, D2, D3, D4，则输入层神经元的个数为21个，输出层神经元的个数为6个。隐层节点数可选为16个。用该神经网络实现从A,B,C到D的推理，每一条模糊规则都对应一对输入输出数据，训练采用BP算法，使输入信号对应于期望的输出值，每一个输出单元对应输出变量空间的一个量化值，因此，输出的模糊子集D可以用量化空间上的隶属函数来表示。训练好的网络可以实现快速推理。 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用：◆ 仿真：对6组测量数据的储粮状态进行预测，这6组数据经数据处理后用模糊语言可分别描述为： 　1 ANB BPB CNM； 2 APB BZR CNM； 　3 APM BPB CZR； 4 APB BPM CNM；  　5 ANB BZR CNB； 6 APB BNM CNB。 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用：◆ 仿真：经模糊推理可得出输出D 的模糊集分别为:1 [ 0.0002 –0.0003 -0.0013 0.0544 0.5093 0.9670];2 [ -0.0005 0.5004 0.9990 0.4993 0.0008 -0.0005];3 [0.0043 0.4996 1.0012 0.5606 -0.0022 -0.0014];4 [0.5008 1.0024 -0.0002 0.0013 0.0019 -0.0042] ;5 [0.0010 -0.0001 -0.0029 0.0206 0.4957 0.9834] ;6 [-0.0030 0.0002 0.0079 1.0027 0.49902 0.0078]。 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用：◆ 仿真：按照最大隶属度原则，即可判断出此时粮食储藏情况的状态分别为：安全、较危险、较危险、危险、安全、较安全。这与实际粮食状态是完全一致的。 5.3 本章小结 模糊数学的基本概念 基于模糊数学的软测量方法的基本原理 模糊检测器的基本结构 5.1.1 模糊数学的基本概念 模糊语言前加修饰词后，模糊集合的隶属函数变为：5