基于AFS模糊逻辑案例推理算法研究.pdfVIP

基于 AFS 模糊逻辑的案例推理算法研究 陶银鹏 王利东 王利魁 大连理工大学信息与控制中心 辽宁大连 116024 E-mail: yptao@163.com 摘 要：本文基于 AFS 模糊逻辑理论提出了一种新的案例推理算法，这种算法在处理问题 时采用了语义表示的形式，更便于人们理解和使用。将此算法运用到热轧层流冷却过程的系 数辨识问题中，与经典的 RBF 神经网络方法相比，取得了更好拟合结果，并通过 Matlab 仿 真工具取得了理想的系数辨识效果图。 关键词：AFS 模糊逻辑；案例推理；模糊描述；模糊相似度 中图分类号：TP181 1. 引言 在现今的模糊理论中，隶属函数通常是通过人的直觉获得，通过t模、t余模和否定算子 来定义模糊逻辑运算的。但是在实际应用中，大规模的智能系统往往是非常大和复杂的，包 含了大量的模糊概念，而这些概念通过人的直觉来定义其隶属函数是不现实的。在AFS 理 论中，隶属函数及它们的逻辑运算都是通过AFS结构和AFS代数来确定的。文[1]基于AFS （Axiomatic fuzzy set ）理论，提出了依据原始数据确定模糊概念隶属函数及其逻辑运算的 一种新的算法，并用简单的例子揭示和强调了这种算法的优点。 AFS理论是将Zadeh提出的模糊集思想的数学公理化，是人类认识、思维的部分机理的 数学抽象和表示，它比现有的模糊逻辑更接近于人类的思维逻辑，更便于计算机处理。它可 直接在原始数据和相关信息上建立更接近于现实世界智能系统模型。这种模型是直接用可被 人类理解的自然语言描述的。 本文在确定隶属度时，只用到了样本属性上的序关系，而没有直接使用到样本属性上的 数值。这种方法的好处在于，对于那些无法给出数值的概念，同样能够确定其隶属函数，如 几个人头发黑的程度，可以给出它们的序关系，而很难用具体的数值来描述它们。本文中的 例子能够证明这种用序关系确定隶属度的方法在实际应用中是非常有效的，应用范围也比用 数值确定隶属度的范围要广。 [1] [1] 文 中提出了一种基于AFS 模糊逻辑的用来求取某个样本描述的算法。在文 算法中， ε 是将能够描述某个样本x 的所有最小模糊集A (Λ ={A ,A , …,A })，全部取并作为该样本的模 i x 1 2 m 糊描述，虽然这种描述强调了整体性，但有些粗糙。本文根据此算法，提出了基于AFS模糊 ε 逻辑的案例推理算法。本文中的算法是Λ ={A ,A , …,A }中将能够描述样本x 的最好的最小的 x 1 2 m 模糊集选出来描述样本x ，这样的选取是比较细致的。在得到每个样本x 的模糊描述后，求出 样本x 与其它样本间的模糊相似度mij ，然后以模糊相似度作为权值与其它样本的输出值作拟 合求值，得到样本x对应的输出值。并将该算法运用到实际的数据处理中，并得到了较好的 结果。 2. AFS 方法的基本思想和相关定义 AFS理论是由AFS 结构[2,3]和AFS代数[2,3]构成的。AFS结构是一个三元组(M , τ, X ) ，它 是论域X 和属性集M之间复杂关系的数学抽象。EI代数EM是由属性集M 生成的。论域X 上的 每一个概念都能用EM 中的元素表示并且(EM, ∧, ∨, ′)是一个模糊逻辑系统[11] 。AFS结构(M , τ, - 1 -