人工智能2013模糊逻辑.ppt

例1:设论域U={x1,x2,x3,x4,x5}上的 模糊集合“x是A”为 A={(x1,1),(x2,0.8),(x3,0.5),(x4,0.2),(x5,0)} 论域V=={y1,y2,y3,y4}上的模糊集合“y是B”为 B={(y1,0.8),(y2,1),(y3,0.4),(y4,0)} 给定一个模糊规则 if （x是A) then (y是B) 现观测到“x是A”的隶属函数为 A’={(x1,0.4),(x2,0.8),(x3,1),(x4,0.5),(x5,0)} 希望推出“y是B’” 按Mamdani算法（1）计算得到“if （x是A) then (y是B)”的关联关系矩阵R为： 根据模糊假言推理得： 模糊拒取式推理方法 设F、G分别是U和V上的两个模糊集，且有知识 IF x is F THEN y is G 若有V上的一个模糊集G’,且G可以和G’匹配，则可以推出 x is F’，且F’是U上的一个模糊集。 表现形式： 知识：IF x is F THEN y is G 证据： y is G’ 结论：x is F’ F与G之间的因果关系为R,当已知模糊事实G’可以和模糊假设G匹配时，则可通过R 与G’的合成得到F’，即 F’= R 。 G’T 例2: 仍以例1中的数据为例。现已知“y是B’”的隶属度为： B’={(y1,0.8),(y2,0.8),(y3,0.4),(y4,0)} 则按模糊拒取式推理方法得： 请注意：此推理得出的A’与例1中给出的A’略有不同。 模糊假言三段论推理 设F、G、H分别是U、V、W上的3个模糊集，且由知识 IF x is F THEN y is G IF y is G THEN z is H 可推出 IF x is F THEN z is H 表现形式： 知识：IF x is F THEN y is G 证据：IF y is G THEN z is H 结论：IF x is F THEN z is H F与G之间的因果关系为R1, G与H之间的因果关系为R2,则F与H之间的因果关系可通过R1与R2的合成得到,即 R3= R1 。 R2 例:设U=V=W={1,2,3} E=1/1+0.6/2+0.2/3 F=0.8/1+0.5/2+0.1/3 G=0.2/1+0.6/2+1/3 按模糊假言三段论推理得出E×F×G上的关系R. 解:先求E×F上的关系R1 0.8 0.5 0.1 R1 = 0.6 0.5 0.1 0.2 0.2 0.1 求F×G上的关系R2 0.2 0.6 0.8 R2 = 0.2 0.5 0.5 0.1 0.1 0.1 求E×F×G上的关系R 0.2 0.6 0.8 R = R1 。 R2= 0.2 0.6 0.6 0.2 0.2 0.2 例:设论域X={x1,x2,x3}上的年龄变量x和 模糊集合“青年”，论域Y=={y1,y2,y3,y4}上的体能变量y和模糊集合“高”，论域Z=={z1,z2,z3}上的速度变量z和模糊集合“快” 给定如下模糊规则 if （x是青年) then (y是高) if （y是高) then (z是快) 若已知模糊集合“青年”和“高”的关联关系是： 模糊集合“高”和“快”的关联关系是： 则可以计算“if （x是青年) then (z是快)”的关联关系是： 若事实是：“x是老年” A’={(x1,0),(x2,0.2),(x3,0.4)} 则按模糊假言三段论推理推出“z是慢”的隶属度为： 5.4 模糊计算的流程 基本思想：依据模糊规则，从几个控制变量的输入得到最终输出的过程。 具体流程: 精确输入变量 模糊推理 模糊规则库 模糊输出 模糊输入 精确控制变量 模糊化 去模糊化 去模糊化的方法 重心法 最大隶属度法 系数加权平均法 隶属度限幅元素平均法 第5章 计算智能(2)模糊计算 信息学院 周桂红 电话 模糊性是指客观事物在形态和属性方面的不确定 （1）模糊性与随机性 随机性所描述的事件或现象本身含义是清楚的，可以明确地判定该事件在某特定的时刻发生了还是没有发生。随机性用概率来度量，并要求所有可能事件的概率总和为1。 模糊性所描述的现象或概念本身的“边界”是