人工智能ch8-模糊推理---2.pptVIP

Step4. 精确化过程 通过模糊推理得到的结果是一个模糊集合。实际使用中，特别在模糊控制中，必须要有一个确定的值，才能去控制或驱动执行机构。 精确化过程（又称为反模糊化）：在推理得到的模糊集合中，取一个能最佳代表模糊推理结果可能性的精确值的过程。 常用的精确化计算方法有以下三种： 最大隶属度函数法、重心法、 加权平均法。 8.3 模糊推理系统 最大隶属度函数法 分析所有规则推理结果的模糊集合，取隶属度最大的那个元素作为输出值，即： 如果在输出论域V中，其最大隶属度函数对应的输出值多于一个时，较简单的方法是：取所有具有最大隶属度输出的平均，即： Step4. 精确化过程 8.3 模糊推理系统 Step4. 精确化过程 最大隶属度函数法 u -64 -16 -4 -2 0 2 4 16 64 量化等级 -4 -3 -2 -1 0 1 2 3 4 状态等级 相关的隶属度函数 PS 0 0 0 0 0 0.4 1 0.4 0 ZE 0 0 0 0.2 1 0.2 0 0 0 － － － ZE ZE PS PS PS － 量化值： 实际值：4 ?PS(1, -2)=0.2，?ZE(1, -2)=0.4 最大隶属度函数法 缺点：只考虑最大隶属度值处的输出值，不考虑输出隶属度函数的形状，会丢失许多信息。 优点：计算简单，适用于控制要求不高的场合。 Step4. 精确化过程 8.3 模糊推理系统 重心法 Step4. 精确化过程 8.3 模糊推理系统 由重心法计算模糊控制输出的量化值： u -64 -16 -4 -2 0 2 4 16 64 量化等级 -4 -3 -2 -1 0 1 2 3 4 状态 － － － ZE ZE PS PS PS － 插值计算实际输出值： ?PS(1, -2)=0.4，?ZE(1, -2)=0.2 重心法 取模糊隶属度函数曲线与横坐标围成面积的重心为模糊推理最终输出值。 与最大隶属度法相比： 重心法具有更平滑的输出推理控制。 对应于输入信号的微小变化，重心法推理的最终输出一般也会发生一定的变化，且这种变化明显比最大隶属度函数法要平滑。 Step4. 精确化过程 8.3 模糊推理系统 加权平均法 最终输出值由下式决定： 系数ki的选择与实际情况有关，不同的系数决定系统不同的响应特性。 特别的，系数为隶属度函数值时，等价于重心法。 Step4. 精确化过程 8.3 模糊推理系统 例：设计温度控制系统的模糊控制器，必须测量受控系统的温度，与设定值比较后得到误差值，进而决定加热操作量的大小。 输入变量： 系统的实际温度与设定值的误差e 　 误差变化de 输出变量： 控制加热装置的供电电压u 三、应用实例1——温控系统 8.3 模糊推理系统 Step1. 确定温控系统的输入/输出模糊集及论域 确定语言变量 决定受控系统哪些输入的状态必须被监测，哪些输出的控制作用是必须的。 温度模糊控制器 输入语言变量：系统的实际温度与设定值的误差e、误差变化de 输出语言变量：控制加热装置的供电电压u 误差e：[-50, 50] 误差变化de：[-150, 150] 控制输出u ：[-64, 64] 为简化后续步骤的设计，每个变量都采用同样的9级量化等级：-4, -3, -2, -1, 0, 1, 2, 3, 4。 量化因子：k1=4/50=2/25 k2=4/150=2/75 k3=4/64=1/16 温度模糊控制器论域 Step1. 确定温控系统的输入/输出模糊集及论域 采用非线性映射，温度控制器的一种量化设计方案 量化会带来误差，但减少了系统对小扰动的敏感性。 量化等级 -4 -3 -2 -1 0 1 2 3 4 e -50 -30 -15 -5 0 5 15 30 50 de -150 -90 -30 -10 0 10 30 90 150 u -64 -16 -4 -2 0 2 4 16 64 e=5?量化等级：1 de=-30?量化等级：-2 Step1. 确定温控系统的输入/输出模糊集及论域 由于每个变量的量化等级都是一样的，在设计模糊子集时，可以采用同一方案。各变量都取5个模糊子集：PB，PS，ZE，NS，NB。对同一模糊子集，3个变量在量化级上的隶属度函数定义相同。 量化等级 -4 -3 -2 -1 0 1 2 3 4 e -50 -30 -15 -5 0 5 15 30 50 de -150 -90 -30 -10 0 10 30 90 150 u -64 -1