专家控制与基于专家经验模糊控制.pptVIP

在推理结论的模糊集合中，取隶属度最大的那个元素作为输出量。如果所得到的隶属函数曲线是平顶的，则其具有最大隶属度的元素不止一个，需要对这些最大隶属度的元素求平均值。这种方法具有简单、方便、易实现以及实时性好等优点，但丢掉了隶属度较小的元素，忽略了模糊椎理结果的隶属函数形状宽窄和分布情况，所概括的信息量较少，所以这种方法应用于实时性要求高但控制精度要求低的控制系统中。 最大隶属度法 4.2.2 基于专家经验的模糊控制 清晰化方法的确定 　控制作用按下式求得： 系数ki应根据实际情况加以选择，不同取法将直接影响 系统性能，所以可通过选择和调整该系数来改善系统 性能，具有较大的灵活性 加权平均法 4.2.2 基于专家经验的模糊控制 清晰化方法的确定 如何避免模糊控制中的大量在线计算？ 4.2.2 基于专家经验的模糊控制 当控制规则个数增多时，进行在线模糊推理的计算复杂度会快速升高，影响模糊控制器的在线实现 对测量输出信号进行量化(从无限转为有限)，进而将所有可能的模糊输入输出关系进行离线计算，其结果作为模糊控制表供在线控制时查询使用 问题及原因 解决方案 精确 的 测量 输出 信号 模糊 的 测量 输出 信号 隶属度函数表 截取 量化 如何避免模糊控制中的大量在线计算？ 4.2.2 基于专家经验的模糊控制 x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 -6 -5 -4 -3 -2 -1 -0 0 1 2 3 4 5 6 PB 0 0 0 0 0 0 0 0 0 0 0.1 0.4. 0.8 1.0 PM 0 0 0 0 0 0 0 0 0 0.2 0.7 1.0 0.7 0.2 PS 0 0 0 0 0 0 0 0.3 0.8 1.0 0.5 0.1 0 0 PO 0 0 0 0 0 0 0 1 0.6 0.1 0 0 0 0 NO 0 0 0 0 1 0.6 0.1 0 0 0 0 0 0 0 NS 0 0 0.1 0.5 1 0.8 0.5 0 0 0 0 0 0 0 NM 0 0.7 1 0.7 0.2 0 0 0 0 0 0 0 0 0 NB 1 0.8 0.5 0.1 0 0 0 0 0 0 0 0 0 0 关于温度的隶属度函数表 如何避免模糊控制中的大量在线计算？ 4.2.2 基于专家经验的模糊控制 关于湿度的隶属度函数表 如何避免模糊控制中的大量在线计算？ 4.2.2 基于专家经验的模糊控制 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 y13 y14 -6 -5 -4 -3 -2 -1 -0 0 1 2 3 4 5 6 PB 0 0 0 0 0 0 0 0 0 0 0.1 0.5. 0.9 1.0 PM 0 0 0 0 0 0 0 0 0 0.2 0.7 1.0 0.8 0.2 PS 0 0 0 0 0 0 0 0.3 0.8 1.0 0.5 0.1 0 0 PO 0 0 0 0 0 0 0 1 0.7 0.1 0 0 0 0 NO 0 0 0 0 1 0.7 0.1 0 0 0 0 0 0 0 NS 0 0 0.1 0.5 1 0.8 0.5 0 0 0 0 0 0 0 NM 0 0.8 1 0.8 0.2 0 0 0 0 0 0 0 0 0 NB 1 0.9 0.6 0.1 0 0 0 0 0 0 0 0 0 0 NB NM NS O PS PM PB NB PB PB PB PB PM PM PS NM PB PB PM PM PM PS O NS PM PM PS PS O O O NO PS PS PS O O O NS PO PS O O O NS NS NS PS O O O NS NS NM NM PM O NS NM NM NM NB NB PB NS NM NM NB NBL NB NB 模糊规则表 如何避免模糊控制中的大量在线计算？ 4.2.2 基于专家经验的模糊控制 温度 湿度 控制量 如何避免模糊控制中的大量在线计算？ 4.2.2 基于专家经验的模糊控制 模糊控制表 如何避免模糊控制中的大量在线计算？ 4.2.2 基于专家经验的模糊控制 模糊控制表 基于现场操作人员的控制经验或相关专家的知识，在设计中不需要建立被控对象的精确数学模型，因而使得控制机理和策略易于接受与理解，设计简单，便于应用。模糊控制对那些数学模型难以获取、动态特性不易掌握或变化非常显著的对象非常适用。 模糊控制算法是基于启发性的知识及语言决策规则设计的，这有利于模拟人工控制的过程和方法， 4.2.2 基于专家经验的模糊控制 (基于专家经验的)模糊控制方法---优势 4