第二讲 模糊控制理论基础.ppt

x为A’(前提1) y为B’(结论) 准则p1 准则p2 准则p3 准则p4 x为A x为非常A x为差不多A x为非A y为B y为非常B y为差不多B y为未知 1）一维模糊集合的圆柱扩展 2）模糊集合的投影 推理规则复合 模糊集合 A 的柱状扩充 C(A) 的隶属函数是 模糊集合 C(A)?R 的隶属函数是 将 C(A)?R 投影至 Y 上，可得 此式就是所谓的推理的合成规则 R A B C(A) Y X 推理复合规则 传统的推理 传统的推理属于假言推理，即可以从A的真实性和隐含关系A-〉B推得 命题B的真实性。 然而，人类推理的大多情况是近似的方式应用假言推理，即假定有相同的隐含 规则“如果西红柿是红的，则它是熟的”，而且已知“西红柿或多或少有些红”，则 可推的“西红柿或多或少有点熟“。则可写作为： 其中A/接近于A，B/接近于B。当A，B，A/都是适当论域的模糊集合时，前面的推理过程称为近似推理或模糊推理。也称广义假言推理。 模糊推理 设A，A/和B分别是X，X和Y上的模糊集合，模糊隐含A---B表示X*Y上的模糊关系R，则由“x是A/”和模糊规则“如果X是A，则Y是B”导出的模糊集合B/定义为： 对于单一前件的单一规则 模糊推理 对于多个前件的单一规则 具有两个前件的模糊if-then规则通常写为“如果x是A，y是B，则z是C”，GMP（广义假言推理）相应的问题为： 前提1（事实）x是A/，y是B/ 前提2（规则）如果x是A，y是B，则z是C 后件（结论）z是C/。 2. 多前提单规则 上式的前半部分称为激励程度或满足度，表示前件部分被满足的程度。 3) 多前提多规则 隶属函数的计算： 模糊推理 前两部分称为激励强度和饱和度，表示规则前件部分被满足的程度。 模糊推理过程可分为四步 1.计算匹配度 2.计算激励度（某个规则激励程度） 3.对规则的后件作用激励强度，生成有效的后件的MF表示在一个模糊隐含句中 4.综合所有的有效后件，求得总输出MF 模糊推理系统 模糊推理系统是建立在模糊集合理论，模糊if-then规则和模糊推理等概念基础之上的先进的计算框架。 模糊推理系统包括三部分：规则库；数据库，所有隶属度函数；推理机制。 模糊推理系统 ★单点模糊化 ★非单点模糊化 模糊推理语句“If A AND B then C”确定了三元模糊关系R，即： R=(A×B)T1×C 其中(A×B)T1为模糊关系矩阵(A×B) (m×n)构成的m×n列向量，n和m分别为A和B论域元素的个数。 基于模糊推理规则，根据模糊关系R，可求得给定输入A1和B1对应的输出C1： C1=（A1×B1）T2R 例3-9 设论域x={a1，a2，a3}，y={b1，b2，b3}，z={c1，c2，c3}，已知 。试确定“If A AND B then C”所决定的模糊关系R，以及输入为 , 时的输出C1。 解： A×B= 将A×B矩阵扩展成如下列向量： (A×B)T1= R=(A×B)T1×C= = 当输入为A1和B1时，有： (A1×B1)= 将A1×B1矩阵扩展成如下行向量： (A×B)T2= 最后得: C1= 即：C1= * 模糊与概率 Fuzzy systems and probability operate over the same numeric range. [0，1.0]. both describe uncertainty The probabilistic approach yields(描述) the natural-language statement, “There is an 80% chance that John is balding.” The fuzzy terminology(术语) corresponds to “Johns degree of membership within the set of balding people is 0.80.” 模糊和概率 是否不确定性就是随机性？概率的概念是否包含了所有的不确定性的概念？ Bayesian camp：概率是一种主观的先验知识，不是一种频率 和客观测量值(赌博为例，赌徒总认为他所认为事件概率大) Lindley：概率是对不确定性唯一有效并充分的描述，所有其 他方法都是不充分的(直接指向模糊理论) 随机和模糊在概念和