模糊逻辑与模糊传感器.ppt

图 16.13 模糊数的比较运算 　　此外，线性型关系也是常见的一种测量形式，它指对象域中元素之间的相等关系和相加操作，从对象域映射到符号域后， 仍是相等关系和相加操作。 （16.43） 长度测量可属于此种形式。 16.3.3　多级映射原理  　　采用自然语言描述被测量，通常只能使用较少概念表示（如： 用九级语言变量表示温度：非常非常热、非常热、 热、有点热、不热不冷、有点冷、冷、非常冷、非常非常冷），显然，与数值测量无限可分比较，用自然语言变量描述的细致程度不够。例如：温度测量范围为0～1000℃， 采用九级概念划分表示的话， 可分辨的区间温度范围是125℃；另外，在有些情况下，传感器需要同时能够实现符号输出和进行非线性校正后直读的数值测量输出，因此需要采用多级映射原理去描述被测量。 　　这里介绍针对多级映射的信息传输、变换过程。图16.14给出了介于多级映射原理的模糊传感器信息传输链示意图。 由图16.14可知，被测温度T经温度敏感元件转换成电量EQ（这里EQ可以是电压、电流、电阻或其它电学量）。EQ经第一次映射M变换成第一级符号表示结果TS1。如果第一级的映射描述细致程度不够,可以第二次M映射，得到第二级映射的符号结果TS2。如果需要的话，可以进行第三级M映射，得到第三次映射符号结果TS3。重复上述过程，直到得到合适的符号表示结果为止。 图 16.14 模糊温度传感器多级映射信息传输链 　　假如某一模糊传感器采用三级映射表示结果， 那么符号测量结果TS可以表示为 （16.44） 为了校正传感器的非线性并获得数值测量结果，可以将模糊传感器语言变量的隶属函数上的特征测量点与非线性校正的数据校正点一致起来， 然后将测得的被测温度符号输出TS进行M-1逆映射，可以得到经过非线性校正后的数值测量结果TQ。 图 16.15 多级映射在模糊温度传感器中应用的示意图 　　由图16.15可知，第一级符号表示用七个语言变量。不失一般性语言变量采用很高、高、较高、不高不低、较低、低、很低表示。由于用语言变量描述测量结果的分辨率是非端点语言变量覆盖范围的二分之一。这样，第一级映射每个语言变量符号表示的分辨范围是200℃。显然，用一级映射符号表示描述细致程度不够。为此，采用多级映射方法。第二级映射是将第一级映射中一个语言变量（非端点处变量）再划分为七个子语言变量（见图16.15中第二级映射表示图）。这样，第二级映射子语言变量温度测量分辨范围是66.6℃。如果采用三级映射， 则可以得到22.1℃的子子语言变量温度测量范围。实际上，对于K型热电偶，测量范围为-200～1000℃，当采用三级映射时， 可使符号测量结果表示的分辨率达到11.05℃。 　　假设用三级映射可以得到合适的描述，最后则要进行论域变换，实现符号对数值的变换。论域变换的基本方法如下： 　　（1） 将测得的电量为变量表述隶属函数曲线上的特征测量点，用该点温度校正数据代替。  　　（2） 将测得电量所属的语言变量按对应原则变换成以测得温度表征的语言变量。  　　（3） 对任一给定EQ测得电量，在两个不同论域具有相同隶属函数数值。  　　（4） 采用插值法（或其它方法）得到被测温度数值测量结果。测得温度值可采用下式计算： （16.45） （16.46） 　　上面介绍了多级映射原理在模糊传感器的信息传输、变换和非线性校正的过程。事实上，隶属函数也可以采用其它形状的隶属函数。 16.4　模糊传感器的基本结构 16.4.1　模糊传感器的基本功能  　　1. 学习功能 　　模糊传感器特殊和重要的功能是学习功能。人类知识集成的实现，测量结果的高级逻辑表达等都是通过学习功能完成的。 能够根据测量任务的要求学习有关知识是模糊传感器与传统传感器的重要差别。模糊传感器的学习功能是通过有导师学习算法和无导师自学习算法实现的。 　　2. 推理联想功能 　　模糊传感器可分为一维传感器和多维传感器。当一维传感器接收外界刺激时，可以通过训练时记忆联想得到符号化测量结果。多维传感器接受多个外部被测量刺激时，可通过人类知识的集成进行推理，实现时空信息整合与多传感器信息融合， 以及复合概念的符号化表示等。模糊传感器的推理联想功能需要通过推理机构和知识库来实现。 　　3. 感知功能 　　模糊传感器与一般传感器一样可以感知由传感元件确定的被测量，但根本区别在于它不仅可以输出数值量， 而且能输出语言符号量。因此，模糊传感器必须具有数值/符号转换器。 　　4. 通信功能 传感器通常作为一个大系统中的子系统进行工作，因此模糊传感器应该能够与上级系统进行信息交换，所以通信功能也是模糊传感器的基本功能。 16.4.2 基本结构 　　1. 逻辑结构与物理结构