补充知识-模糊推理
模糊推理课件讲解
模糊逻辑 模糊命题 模糊推理规则 模糊推理系统
模糊逻辑
语言是一种符号系统，通常包括自然语言和人工 语言两种。自然语言是指人类交流信息时使用的 语言，它可以表示主、客观世界的各种事物、观 念、行为、情感等。自然语言具有相当的不确定 性，其主要特征就是模糊性，这种模糊性主要是 由于自然语言中经常用到大量的模糊词(如黎明、 模范、优美、拥护等)。人工语言主要是指程序设 计语言，如我们熟悉的C语言、汇编语言等。人工 语言的格式是非常严密、且概念十分清晰。
(X , T (X ), U, G, M )
模糊逻辑
一个完整的语言变量可定义为一个五元体 （X,T(X),U,G,M) 其中X——语言变量的名称； T(X)——语言变量的语言值； U ——论域； G ——语法规则； M ——语义规则。
实例
以“年龄”作为语言变量X，该语言变 量的论域U取[0, ∞)。根据语法规则可知， 描述语言变量“年龄”的语言值有“年 青”、“中年”、“年老”几种，那么T(X) 可表示为
模糊逻辑
一切具有模糊性的语言都称为模糊语言 ， 它是一种广泛使用的自然语言，如何将模 糊语言表达出来，使计算机能够模拟人的 思维去推理和判断，这就引出了语言变量 这一概念 。语言变量是以自然语言中的词、 词组或句子作为变量 。语言变量的值称为 语言值，一般也是由自然语言中的词、词 组或句子构成。语言变量的语言值通常用 模糊集合来描述，该模糊集合对应的数值 变量称作基础变量。
T(X)＝年青＋中年＋年老
语义规则主要是用来反映实际论域中的岁 数与模糊集合“年青”、“中年”、“年 老”之间的关系。模糊语言变量的完整描 述见 后图
年青 1.0
年龄 中“年年龄”语言变量的五年元老体
补充知识-模糊推理
(3) 检查总匹配度是否满足阈值条件，如果满足就可以匹配，否则为不可匹 配。
贴近度： A∙B=(0.3∧0.2)∨(0.4∧0.5)∨(0.6∧0.6)∨(0.8∧0.7)=0.7 A⊙B=(0.3∨0.2)∧(0.4∨0.5)∧(0.6∨0.6)∧(0.8∨0.7)=0.3 (A,B)=1/2[A∙B+(1-A⊙B)]=1/2[0.7+(1-0.3)]=0.7
海明距离： d(A,B)=1/4×(|0.3-0.2|+|0.4-0.5|+|0.6-0.6|+|0.8-0.7|)=0.075 (A,B)=1-d(A,B)=1-0.075=0.925
1 (1 A (u ) B (v)) /(u, v)
IF
x is A
THEN y is B
对于模糊假言推理，若已知证据为 x is A’ 则：
B’m=A’◦Rm B’a=A’◦Ra
对于模糊拒取式推理，若已知证据为 y is B’ 则：
A’m=Rm◦B’ A’a=Ra◦B’
扎德法推理举例
构造模糊关系R的方法
扎德方法、Mamdani方法(自学）、 Mizumoto方法(自学） • 扎德提出了两种方法：一种称为条件命题的极大极小规则；另一种称 为条件命题的算术规则，由它们获得的模糊关系分别记为Rm和Ra。 设A∈(U), B∈(V)，其表示分别为
A A (u ) / u , B B (u ) / u
模糊推理
④你好 ④ ④多重模糊条件句
总结
(i)在模糊控制中，模糊条件语句的条件对应于模糊控制器的输入，语 句则对应于输出。 (ii)每一条模糊条件语句对应一种控制策略。 (iii) 控制策略 模糊关系 模糊推理 推理结论 (模糊结合形式表示的输出控制量) 模糊条件语句
目前我们已经学习了三种基本的模糊条件语句，简单小结如下： 类型
若 A且B，则C； ɶ ɶ ɶ 如今 A1且 B1； ɶ ɶ 结论C1 = [( A1 × B1 ) L ]T R
ɶ
ɶ
ɶ
ɶ
( A × B) ∪ ( A × E ) ɶ ɶ ɶ ɶ
( A × B) ∪ ( A × C ) ɶ ɶ ɶ ɶ
A × B × C = ( A × B) L C ɶ ɶ ɶ ɶ ɶ ɶ
结论: 结论: y1=0.4/1+0.4/2+0.4/3+0.7/4+1/5 y1=0.4/1+0.4/2+0.4/3+0.7/4+1/5 y= 0.4/3+0.7/4+1/5 与[大]比较: y1[较大] 比较: y1[较大] 较大
② 若A则B否则C型
ɶ
ɶ
ɶ
（举例）
设模糊集合A 的论域为X， B 和 C 的论域为Y。则由 “ A则B否则C型 ” 若 ɶ ɶ ɶ ɶ ɶ ɶ 条件语句所决定的在X×Y上的模糊关系 R 为：
(1 0.6 0.3 0.2 0) °
0 0.3 0.6 1 1
0 0.3 0.6 1 1
0.4 0.4 0.6 1 1
0.7 0.7 0.6 1 1
1 0.7 0.6 1 1
=[0.4 0.4 0.4 0.7 1] y1=0.4/1+0.4/2+0.4/3+0.7/4+1/5 y1=0.4/1+0.4/2+0.4/3+0.7/4+1/5
模糊推理规则
y
C C ”
该方法叫做“玛达尼推理消顶法”，它的意
义就是：分别求出 A
对 A
、 对 B B 的隶属度
A , B ，并且取两者之中小的一个作为总的
模糊推理前件的隶属度，再以此为基准去切 割推力后件的隶属度函数，便得到结论 C 。
对于论域是有限集，即模糊子集的隶属度 函数是离散的情况，多输入模糊推理过程仍 然用模糊关系矩阵的运算来描述。
4、多输入多规则推理
IF A1 and B1 THEN C1 IF A2 and B2 THEN C2
IF Am and Bm THEN Cm
一系列模糊控制规则构成一个完整的模糊
控制系统，它的推理运算就采用多输入多
规则推理方法。
以二输入多规则为例，考虑如下一般形式： 如果 A1 且 B1，那么 C1 否则如果 A2 且 B2，那么 C2
于是，当x”较小“时的推理结果
lb ( y) ls ( x) Rmin
即：
0 0 lb ( y) 1 0.6 0.4 0.2 0 0 0 0 0 0.4 0.7 1 0 0.4 0.7 0.7 0 0.3 0.3 0.3 0 0 0 0 0 0 0 0
系列规则中，“否则”的含义是“OR”，在推 理计算过程中可以写成并集形式。 由此，整个系列的推理结果为：
第一条条件规则 C ( A B) [( A1 B1 ) C1 ] [( A2 B2 ) C2 ] ( Am Bm ) Cm C1 C2 Cm 模糊关系
其中，
Ci ( A B) [( Ai Bi ) Ci ] [ A ( Ai Ci )] [ B ( Bi Ci )]
模糊推理基础
模糊推理基础模糊推理基础模糊推理是一种基于模糊逻辑的推理方法，它能够处理现实世界中存在的不确定性和模糊性。
在传统的推理方法中，命题的真假只有两种可能，即真或假，而在模糊推理中，命题的真假不再是二元的，而是一个连续的区间。
这种推理方法可以更好地适应人类思维的特点，能够处理不完全和不确定的信息，广泛应用于人工智能、控制系统、决策分析等领域。
模糊推理的基本原理是将模糊集合与模糊逻辑相结合。
模糊集合是一种介于传统集合和模糊逻辑之间的数学概念，它可以用来描述现实世界中模糊和不确定的概念。
在模糊集合中，每个元素都有一个隶属度，表示它属于该集合的程度。
这样，一个命题的真假可以表示为一个隶属度的区间。
模糊逻辑是一种扩展了传统逻辑的形式体系，它引入了模糊命题和模糊推理规则。
模糊命题是一种具有模糊隶属度的命题，它可以表示为“如果A，则B”，其中A和B都是模糊集合。
模糊推理规则是一种描述了命题之间关系的规则，它可以用来推导出新的命题。
在模糊推理中，推理过程包括模糊化、规则匹配、推理和去模糊化四个步骤。
首先，将输入的模糊命题转化为模糊集合，并进行隶属度的计算。
然后，根据事先定义好的模糊推理规则，对输入的命题进行匹配。
匹配成功后，根据推理规则和隶属度的计算，得到新的命题。
最后，将新的命题进行去模糊化处理，得到最终的推理结果。
模糊推理在实际应用中具有广泛的应用价值。
例如，在人工智能领域中，模糊推理可以用于处理自然语言的不确定性和模糊性，实现智能对话和问答系统。
在控制系统中，模糊推理可以用于处理传感器数据的噪声和不确定性，提高系统的鲁棒性和稳定性。
在决策分析中，模糊推理可以用于处理多指标决策问题，帮助决策者做出更准确和合理的决策。
然而，模糊推理也存在一些挑战和限制。
首先，模糊推理需要事先定义好的模糊集合和推理规则，这对于复杂问题来说可能是困难的。
其次，模糊推理需要大量的计算资源和时间，尤其是在处理大规模问题时。
此外，模糊推理对输入数据的准确性要求较高，如果输入数据存在误差或不完整性，可能会导致推理结果的不准确性。
模糊推理
1. 模糊取式推理
假设 A F ( X ), B , C F ( Y ), 则
C ( y ) ( A ' ( x ) R ( x , y ))
x X
( A ' ( x ) A ( x ) B ( y ))
x X
[ ( A ' ( x ) A ( x ))] B ( y )
x X
( A ' ( x ) (1 A ( x )) ( A ' ( x ) B ( y ))
x X
[ ( A ' ( x ) (1 A ( x )))] [( A ' ( x )) B ( y )]
x X x X
在前例中，若
A' 不大， A ' ( x ) 1 A ( x ),
C ( y ) 1, 即 C Y ( 未知 ).
2. 模糊拒式推理
假设 A , C F ( X ), B F ( Y ), 则
C ( x ) ( R ( x , y ) B ' ( y ))
yY
( A ( x ) B ( y ) B ' ( y ))
yY
常用的模糊化方法如下:
A( x) e
x x* a
2
高斯模糊化:
三角形模糊化:
| x x* | 1 A( x) b 0
| x x * | b 其它
若认为 x * 直接可用，则不进行模 相当于取 1 A(x) 0 x x* 否则
非常小
1 / 1 0 . 64 / 2 0 . 36 / 3 0 . 16 / 4 0 . 04 / 5 .
模糊推理方法
几种典型的模糊推理方法根据模糊推理的定义可知，模糊推理的结论主要取决于模糊蕴含关系),(~Y X R 及模糊关系与模糊集合之间的合成运算法则。
对于确定的模糊推理系统，模糊蕴含关系),(~Y X R 一般是确定的，而合成运算法则并不唯一。
根据合成运算法则的不同，模糊推理方法又可分为Mamdani 推理法、Larsen 推理法、Zadeh 推理法等等。
一、Mamdani 模糊推理法Mamdani 模糊推理法是最常用的一种推理方法，其模糊蕴涵关系),(~Y X R M 定义简单，可以通过模糊集合A ~和B ~的笛卡尔积(取小)求得，即)()(),(~~~y x y x B A RMμμμΛ= (3.2.1) 例 3.2.1 已知模糊集合3211.04.01~x x x A ++=，33211.03.05.08.0~y y y y B +++=。
求模糊集合A ~和B ~之间的模糊蕴含关系),(~Y X R M 。
解：根据Mamdani 模糊蕴含关系的定义可知：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⨯=1.01.01.01.01.03.04.04.01.03.05.08.0]1.03.05.08.0[1.04.01~~),(~B A Y X R MMamdani 将经典的极大—极小合成运算方法作为模糊关系与模糊集合的合成运算法则。
在此定义下，Mamdani 模糊推理过程易于进行图形解释。
下面通过几种具体情况来分析Mamdani 模糊推理过程。
(i) 具有单个前件的单一规则设*~A 和A ~论域X 上的模糊集合，B ~是论域Y 上的模糊集合，A ~和B ~间的模糊关系是),(~Y X R M ，有大前提(规则)： if x is A ~ then y is B ~小前提(事实)： x is *~A结论： y is ),(~~~**Y X R A B M =当)()(),(~~~y x y x B A RMμμμΛ=时，有 )()}()]()({[V )]}()([)({V )(~~~~Xx ~~~Xx ~***y y x x y x x y BB A AB A AB μωμμμμμμμΛ=ΛΛ=ΛΛ=∈∈ (3.2.2)其中)]()([V ~~Xx *x x AA μμωΛ=∈，称为A ~和*~A 的适配度。
(完整版)三、模糊推理1
第三章：模糊推理系统随着科学技术的不断发展，人们对计算机的要求愈来愈高，不仅要求它具有更高的运算速度、更大的信息存贮和数据处理能力，而且还需要计算机具有一定的“智能”。
控制论的创始人维纳曾经说过，由于“人具有运用模糊概念的能力”，所以人胜过任何最完善的机器。
对模糊事物进行识别和判决是人脑的重要特点之一，那么如何使计算机能够模拟人脑思维的模糊性，如何使模糊语言作为算法语言直接进入计算机程序，让计算机完成模糊推理，这是模糊信息处理首先要解决的问题。
§3.1 语言变量与模糊规则为了使计算机能够利用模糊概念，模拟人的思维进行模糊推理，首先需要深入研究模糊推理的一些基础知识。
如模糊语言变量、模糊命题及模糊推理方法等等。
3.1.1 模糊语言语言是一种符号系统，通常包括自然语言和人工语言两种。
自然语言是指人类交流信息时使用的语言，它可以表示主、客观世界的各种事物、观念、行为、情感等。
自然语言具有相当的不确定性，其主要特征就是模糊性，这种模糊性主要是由于自然语言中经常用到大量的模糊词(如黎明、模范、优美、拥护等)。
人工语言主要是指程序设计语言，如我们熟悉的C语言、汇编语言等。
人工语言的格式是非常严密、且概念十分清晰。
一、模糊语言的概念从广义角度来讲，一切具有模糊性的语言都称为模糊语言。
显然，模糊语言主要是指自然语言。
由于模糊语言可以对模糊性进行分析和处理，因此，在现实生活中，人们常常用模糊语言来描述事物或现象的模糊性。
另外，需要说明的是模糊语言又具有很大的灵活性，在不同的场合，同一全模糊概念可以表达出不同的含义。
如“高个子”，在中国，大约在1.75—1.85 m之间的人就认为是“高个子”，而在欧洲，大约在1.80—1.90 m之间的人才能算作“高个子”。
模糊语言是一种广泛使用的自然语言。
如何将模糊语言表达出来，使计算机能够模拟人的思维去推理和判断，这就引出了语言变量这一概念。
二、语言变量经常用到的语言变量“偏差”、“偏差变化率”等。
模糊逻辑推理
模糊推理
• 模糊推理问题的解决思路
– 第1步.将已知的规则归纳为前因与结果两论域 间的模糊关系。 – 第2步.将前因论域的现有知识与归纳得到的模 糊关系进行合成运算，推出当前知识下的结论。
模糊推理
由规则得到模糊关系的常用方法 规则：IF X=A THEN Y=B
Mamdani方法（最小运算）
R C A B A B
模糊推理
合成运算方法的选择
最大-最小合成法（Zadeh）
B ( y) A ( x ) R ( x, y ) x X
' '
最大-代数积合成法（Kaufmann）
B ( y) A ( x ) R ( x, y ) x X
' '
举例：货车倒车
装卸站台
x=10,
90
[90， 270 ]
[40， 40 ]
x,y
x [0,20]
货车终点位置 ( x f , f ) (10,90)
x=20
x=0
规则：
R (1, 2 ) : if 是S 3和x是S1 , then 是S 3 ; R
★非单点模糊化
输入模糊集合 A是非单点模糊器， 即：x x时， A ( x) 1; x x时， A ( x) 0， 随x的变化（偏离 x）， A ( x)逐渐减小。
2 x
k
mx
k
2. 规则库
一般情况下，规则 R l 可以表示如下：
l l R l : if u1是A1 , u2 是A2 , ，u p 是Alp , then v是G l
• 特点：知识满足规则与否是确定的，因此 结论也是确定的
模糊推理
•
•
(1) 离散且为有限论域的表示方法
为离散论域， 设论域 U={u1, u2, … , un}为离散论域，则其模糊集可表示为： 为离散论域 则其模糊集可表示为：
•
•
F={ µ F (u1 ) , µ F (u 2 ) , … ,
µ
F
(u n )
}
为了能够表示出论域中的元素与其隶属度之间的对应关系， 为了能够表示出论域中的元素与其隶属度之间的对应关系，扎德 引入了一种模糊集的表示方式： 引入了一种模糊集的表示方式：先为论域中的每个元素都标上其隶 属度，然后再用“+”号把它们连接起来 号把它们连接起来， 属度，然后再用“+”号把它们连接起来，即
µ µ
F F
( 20 ) = 1 , µ
F
( 30 ) = 0 . 8 , µ
F
F
( 40 ) = 0 . 4 ,
( 50 ) = 0 . 1 , µ
( 60 ) = 0
则可得到刻画模糊概念“年轻”的模糊集 则可得到刻画模糊概念“年轻” F={ 1, 0.8, 0.4, 0.1, 0} 说明其含义。 说明其含义。
0 µ 年老 (u ) = 5 2 −1 [1 + ( u − 50 ) ] 当0 ≤ u ≤ 50 当50 < u ≤ 100
1 µ 年轻 (u ) = u − 25 2 −1 [1 + ( 5 ) ]
当0 ≤ u ≤ 25 当25 < u ≤ 100
(3) 一般表示方法 不管论域U是有限的还是无限的 是连续的还是离散的， 是有限的还是无限的， 不管论域 是有限的还是无限的，是连续的还是离散的，扎德又给出了一种类似于 积分的一般表示形式： 积分的一般表示形式：
模糊推理方法[整理版]
![模糊推理方法[整理版]](https://img.taocdn.com/s3/m/98d2bf09a200a6c30c22590102020740be1ecd81.png)
几种典型的模糊推理方法根据模糊推理的定义可知，模糊推理的结论主要取决于模糊蕴含关系),(~Y X R 及模糊关系与模糊集合之间的合成运算法则。
对于确定的模糊推理系统，模糊蕴含关系),(~Y X R 一般是确定的，而合成运算法则并不唯一。
根据合成运算法则的不同，模糊推理方法又可分为Mamdani 推理法、Larsen 推理法、Zadeh 推理法等等。
一、Mamdani 模糊推理法Mamdani 模糊推理法是最常用的一种推理方法，其模糊蕴涵关系),(~Y X R M 定义简单，可以通过模糊集合A ~和B ~的笛卡尔积(取小)求得，即)()(),(~~~y x y x B A RMμμμΛ= (3.2.1)例 3.2.1 已知模糊集合3211.04.01~x x x A ++=，33211.03.05.08.0~y y y y B +++=。
求模糊集合A ~和B ~之间的模糊蕴含关系),(~Y X R M 。
解：根据Mamdani 模糊蕴含关系的定义可知：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⨯=1.01.01.01.01.03.04.04.01.03.05.08.0]1.03.05.08.0[1.04.01~~),(~ B A Y X R MMamdani 将经典的极大—极小合成运算方法作为模糊关系与模糊集合的合成运算法则。
在此定义下，Mamdani 模糊推理过程易于进行图形解释。
下面通过几种具体情况来分析Mamdani 模糊推理过程。
(i) 具有单个前件的单一规则设*~A 和A ~论域X 上的模糊集合，B ~是论域Y 上的模糊集合，A ~和B ~间的模糊关系是),(~Y X R M ，有大前提(规则)： if x is A ~then y is B ~小前提(事实)： x is *~A结论： y is ),(~~~**Y X R A B M =当)()(),(~~~y x y x B A RMμμμΛ=时，有)()}()]()({[V )]}()([)({V )(~~~~Xx ~~~Xx ~***y y x x y x x y BB A AB A AB μωμμμμμμμΛ=ΛΛ=ΛΛ=∈∈ (3.2.2)其中)]()([V ~~Xx *x x AA μμωΛ=∈，称为A ~和*~A 的适配度。
模糊推理法 傻瓜式 教程
反模糊化有多种方法，其中最简单的是最大隶属度法。即取推理结 果（模糊集）中模糊度最大的那个元素。但这种方法精度较差，因为完 全排除了其它隶属度较小的元素的影响和作用。较为合理也是最常用的 方法是加权平均法，输出量
yi（i = 1，2，…，n）为输出量论域中的元素。若论域是连续域，则可 用面积重心法。例如对图7.18中模糊推理结果μ1(y) ∨μ2(y)对应的面 积，可以算出其重心对应的 y 值作为模糊控制输出。
模糊控制实际上是周期性执行模糊化、模糊推理和反模糊化的过 程，在输入和输出量不多的情况下，适合于微机来完成。但周期性执行 导致大量重复计算，效率低下。这可以通过引入查表法来改进。首先将 输入和输出物理量的值域划分为若干等级（例如 13），并归化到某一标
μ1(y)和μ2(y)实际是将
和
的0.3和0.7以上部分切
去后的结果，这种 min 运算也称切头法（图7.18）。最后对μ1(y)和
μ2(y)作 max 操作，得到模糊推理结果（记为模糊集 H）μH(y)＝
μ1(y)∨μ2(y)。
设燃料流量修正量这个论域为有限离散值的集合，即将实数域[-1， l]分成8个等级，级差为0.25，则有
模糊化的关键在于设计语言变量定性值的隶属函数。在实际控制过 程中，经常把物理量划分为"正大"、"正中"、"正小"、"零"、"负小"、" 负中"、"负大"这7个级别，并且以 PB，PM，PS，ZO，NS，NM，NB 加以表 示，作为相应语言变量的定性值。若控制精度要求不高，则隶属函数可 以采用前述的梯形或三角形。设计精度高的隶属函数往往比较困难。
模糊推理的简单例子
模糊推理的简单例子模糊推理的简单什么是模糊推理？模糊推理是一种逻辑推理方法，用于处理模糊或不确定的信息。
它通过使用模糊集合的概念来推断出结论，并且能够处理模糊的、部分真实的或不确定的信息。
模糊推理在人工智能、模式识别和决策支持系统等领域有广泛的应用。
模糊推理的例子例子1：天气预测假设我们要根据一些数据来预测明天是否会下雨。
我们收集到的数据包括湿度、温度和云量等信息。
根据经验，我们可以建立一些模糊规则来做出预测：1.如果湿度高或云量大，那么有可能下雨。
2.如果温度高，那么有可能不下雨。
3.如果湿度适中、温度适宜且云量少，那么有可能不下雨。
通过模糊推理，我们可以根据这些规则和输入的模糊数据，例如湿度为“高”、温度为“适宜”、云量为“少”，来推断出结论：“可能不下雨”。
例子2：模糊控制模糊控制是模糊推理的一种应用，用于控制模糊系统的行为。
举个简单的例子：假设我们要设计一个自动调节室内温度的控制系统。
我们可以设置一些模糊规则来决定应该如何调节加热器的功率：1.如果室内温度高且温度上升趋势明显，那么应该减少加热器的功率。
2.如果室内温度低且温度下降趋势明显，那么应该增加加热器的功率。
3.如果室内温度适宜，那么加热器的功率可以保持不变。
通过模糊推理，系统可以根据当前的室内温度和温度趋势，来推断出应该采取的控制动作，例如减少功率或增加功率，从而实现自动调节。
例子3：模糊匹配模糊匹配是模糊推理的一种应用，用于在一组数据中找到与给定模糊查询最匹配的项。
举个例子：假设我们要在一份学生成绩表中找到数学成绩与给定查询”良好”最匹配的学生。
我们可以根据一些模糊规则来定义”良好”的数学成绩范围：1.如果数学成绩大于80且小于90，那么可以判定为”良好”。
2.如果数学成绩大于70且小于80，也可以判定为”良好”。
3.如果数学成绩大于60且小于70，也可以判定为”良好”。
通过模糊推理，我们可以将这些规则与每个学生的数学成绩进行匹配，然后找到与查询”良好”最匹配的学生。
模糊推理
• 模糊推理： • 以模糊集合论为基础描述工具，对以一般集合论 为基础描述工具的数理逻辑进行扩展，从而建立了 模糊推理理论。是不确定推理的一种。在人工智能 技术开发中有重大意义。 • 模糊推理主要应用于模糊控制，其方法被用于工 业过程的控制以及新型家电产品的开发。
模糊集合论： • 设A是论域U到[0, 1]上的一个映射， • 即 A: U → [0, 1]，x ↦A(x) • 则称A是论域U的模糊子集，或者论域U上的模 糊集合，简称为模糊集；而函数A(⋅)称为模糊集A的 隶属函数，A(x)称为x相应于模糊集A的隶属度。 • 也就是说模糊集合就是允许在一个集合部分隶属。 即对象在模糊集合中的隶属度可为从0 - 1之间的任 何值。即可以从“不隶属”到“隶属”逐步过渡。
• 由定义可见，模糊集完全由它的隶属函数来描述。 而隶属函数在区间[0, 1]上取值，所以模糊集非常适 合刻画亦此亦彼、模棱两可的模糊现象。 • 为了直观地描述和分析模糊集及其性质，也经常 用如图 1 所示的 隶属函数示意图来大致 展示模糊集的数学或逻 辑联系。
• 模糊推理原则：
• 模糊推理主要有以下两种形式：
模糊推理
模糊的概念： 从属于该概念到不从属于该概念之间。 没有明显的分界线。 比如： 年轻、重、热、美、厚、薄、快、慢、大、 小、高、低、长、短、贵、贱、强、弱、软、硬、 阴天、多云、暴雨、清晨。
推理的概念： • 根据一定的规则，从一个或几个已知判断引伸 出一个新判断的思维过程。 • —般说来，推理包含两个部分的判断，一部分 是已知的判断，作为推理的出发点，叫做前提。一 部分由前提所推出的新判断，叫做结论。 • 推理的形式主要有直接推理和间接推理。只有 一个前提的推理称为直接推理，由两个或两个以上 前提的推理称为间接推理。
模糊推理方法
几种典型的模糊推理方法根据模糊推理的定义可知， 模糊推理的结论主要取决于模糊蕴含关系 R (X ,Y )及模糊关系与模 糊集合之间的合成运算法则。
对于确定的模糊推理系统，模糊蕴含关系 R (X ,Y )—般是确定的，而 合成运算法则并不唯一。
根据合成运算法则的不同，模糊推理方法又可分为Mamdan 推理法、Larsen 推理法、Zadeh 推理法等等。
一、Mamdan 模糊推理法Mamda ni 模糊推理法是最常用的一种推理方法，其模糊蕴涵关系 R M (X,Y)定义简单，可以通过 模糊集合A 和B 的笛卡尔积(取小)求得，即R M (X , y)A (X ) B(y)(321)例 3.2.1 已知模糊集合A 10.4 0.1，B 0.8 0.5 0.3 0.1。
求模糊集合A 和B 之间的模糊咅 X 2X 3y 1y 2y 3y 3蕴含关系 R M (X,Y)。
解：根据 Mamda n 模糊蕴含关系的定义可知：10.4R M (X,Y) A B[0.8 0.5 0.3 0.1]0.10.8 0.5 0.3 0.10.4 0.4 0.30.10.1 0.1 0.1 0.1Mamdani 将经典的极大一极小合成运算方法作为模糊关系与模糊集合的合成运算法则。
在此定 义下，Mamdani 模糊推理过程易于进行图形解释。
下面通过几种具体情况来分析 Mamdan 模糊推理过程。
(i)具有单个前件的单一规则设A *和A 论域X 上的模糊集合，B 是论域Y 上的模糊集合，A 和B 间的模糊关系是R M (X,Y)， 有大前提(规则)： ifx is A then y is B 小前提(事实):x is A*〜* 〜* 〜结论：y is B A R M (X,Y)当 R M(x,y)"X ) B (y)时，有其中 V ［ A *(x) A (x)］，称为A 和A *的适配度x X在给定模糊集合A *、A 及B 的情况下，Mamdan 模糊推理的结果B *如图321所示〜〜*IB1AA1AB*JJ■--------- rxy图3.2.1 单前提单规则的推理过程根据Mamdani 推理方法可知，欲求B *，应先求出适配度(即A *(x) A (x)的最大值)；然后用适配度 去切割B 的MF 即可获得推论结果B *，如图3.2.1中后件部分的阴影区域。
第三章 模糊逻辑和模糊逻辑推理ppt课件
αV 11
3.2 模糊逻辑及其基本运算
一、模糊逻辑的定义
二值逻辑的特点是一个命题不是真命题便是假命题。但 在很多实际问题中要做出这种非真即假的判断是困难的。 比如说“重庆的桥多”这显然是一个命题，但是这个命 题究竟是真是假？那要看跟谁比较了，如果说“重庆的桥比 较多”可能更为合适。 也就是说如果命题的真值不是简单的取“1”或“0”，而 是可以在[0，1]区间连续取值，这样对此类命题的描述就更 切合实际了。这就是模糊命题。 模糊命题是指带有模糊概念或模糊性的陈述句，是普通 命题的推广，而模糊逻辑是研究模糊命题的逻辑。
第三章 模糊逻 辑和模糊逻辑 推理
3.1 二值逻辑Байду номын сангаас
一、命题的概念
对一句话，如果能够判断它表述的意思是真是假时， 就可以称为命题。 一个简单的语句叫“简单命题”，用命题联结词把 两个以上的简单命题联结起来叫“复合命题”。
命题联结词有：析取 ∨ 、合取 ∧ 、否定¯ 、蕴涵→
等价←→
二、二值逻辑 —— 非是即非 析取 ∨：意思是“或” 。
3.3
模糊语言逻辑
一、模糊语言的概念
所谓语言，通常指自然语言和人工语言。自然语言是 指人类交流信息时使用的语言，它可以表示主、客观世界
的各种事物、观念、行为、情感等。自然语言具有相当的
不确定性，其主要特征就是模糊性，这种模糊性主要是由 于自然语言中经常用到大量的模糊词(如黎明、模范、优美、
拥护等)。人工语言主要是指程序设计语言，如我们熟悉的
四多输入多规则推理采用mandani推理法推理结果为规则1规则2将多输入多规则推理分为多输入单规则推理的并集11122122输出c的隶属函数的计算推理结果为111221221112212211122122输入为精确量时的两前题两规则的模糊推理对于两前件两规则即若x是a计算适配度把事实与模糊规则的前件进行比较求出事实对每个前件mf的适配度
(完整版)三、模糊推理2
§3.3 模糊推理系统系统是指两个以上彼此相互作用的对象所构成的具有某种功能的集体。
模糊推理系统又称为模糊系统，是以模糊集合理论和模糊推理等技术为基础，具有处理模糊信息能力的系统。
模糊推理系统以模糊理论为主要计算工具，可以实现复杂的非线性映射，而且其输入输出都是精确的数值，因此具有广阔的应用前景。
3.3.1 模糊推理系统的结构一、模糊推理系统的组成模糊推理是一种仿生行为的近似推理方法，主要用来解决带有模糊现象的复杂推理问题。
由于模糊现象普遍存在，因此，模糊推理系统被广泛使用。
目前，已经在自动控制，数据处理、决策分析及模式识别等领域得到成功应用。
从功能上来看，模糊推理系统主要由模糊化、模糊规则库、模糊推理方法及去模糊化几部分组成，其基本结构如图3.3.1所示。
图3.3.1模糊推理系统的功能结构二、模糊推理系统的工作过程为了满足实际信息处理需要，模糊系统的输入输出必须是精确的数值。
由图3.3.1看出，模糊推理系统的工作机理为：首先通过模糊化模块将输入的精确量进行模糊化处理，转换成给定论域上的模糊集合；然后激活规则库中对应的模糊规则，并且选用适当的模糊推理方法，根据已知模糊事实获得推理结果，最后将该模糊结果进行去模糊化处理，得到最终的精确输出量。
关于模糊推理方法，前面已经做了比较详细的介绍。
但是模糊推理系统对模糊规则库有何要求？如何将精确值转换成模糊集合，以及如何将模糊集合去模糊化，使之成为精确的数值？这些内容是设计模糊推理系统的基础，现在将详细阐述这方面的内容。
3.3.2 模糊化(Fuzzification)精确值进入模糊推理系统时，一般要将其模糊化成给定论域上的模糊集合。
可见，模糊化的实质是将给定输入*x转换成模糊集合*~A。
模糊化的原则是：①在精确值*x处模糊集合*~A的隶属度最大；②输入数据若噪声干扰时，模糊化结果就具有一定的抗干扰能力；③模糊化运算应尽可能简单。
下面介绍三种常用的模糊化方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
简单模糊推理
• 知识中只含有简单条件，且不带可信度因子的模糊推理称为简单模糊推 理。 • 合成推理规则：对于知识 IF x is A THEN y is B 首先构造出A与B之间的模糊关系R，然后通过R与证据的合 成求出结论。 如果已知证据是 x is A’ 且A与A’可以模糊匹配，则通过下述合成运算求取B’： B’=A’◦R 如果已知证据是 y is B’ 且B与B’可以模糊匹配，则通过下述合成运算求出A’： A’=R◦B’
贴近度： A∙B=(0.3∧0.2)∨(0.4∧0.5)∨(0.6∧0.6)∨(0.8∧0.7)=0.7 A⊙B=(0.3∨0.2)∧(0.4∨0.5)∧(0.6∨0.6)∧(0.8∨0.7)=0.3 (A,B)=1/2[A∙B+(1-A⊙B)]=1/2[0.7+(1-0.3)]=0.7
海明距离： d(A,B)=1/4×(|0.3-0.2|+|0.4-0.5|+|0.6-0.6|+|0.8-0.7|)=0.075 (A,B)=1-d(A,B)=1-0.075=0.925
按这种方法，对δmatch(A,D)与δmatch(B,D)可以得到： 0.8/1+0.5/1+0.1/1+0.5/1+0.5/1+0.1/0+0.1/1+0.1/0+0.1/0 =0.8/1+0.1/0 由于μ1=0.8>μ0=0.1，所以得到： δmatch(A,D) ≥δmatch(B,D) 同理可得： δmatch(A,D) ≥δmatch(C,D) δmatch(B,D) ≥δmatch(C,D) 最后得到： δmatch(A,D) ≥δmatch(B,D)≥δmatch(C,D) 由此可知R1应该是首先被选用的知识。
3. 借用已有的“客观”尺度
模糊集合的基本运算
模糊集合的基本运算
2、 模糊推理
模糊命题
含有模糊概念、模糊数据的语句称为模糊命题。 它的一般表示形式为： x is A 或者 x is A (CF) 其中，A是模糊概念或者模糊数，用相应的模糊集及隶属函 数刻画； x是论域上的变量，用以代表所论述对象的属性； CF是该模糊命题的可信度，它既可以是一个确定的数，也 可以是一个模糊数或者模糊语言值。
序偶法 {(0,10),(1.9),(2,0.8),(3,0.7),(4,0.6),(5,0.5),(6,0.4),(7,0.3),(8,0.2),(9,0.1)} 扎德表示法： 10 ( x ) 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 A A i xi 0 1 2 3 4 5 6 7 8 9 i 1
模糊推理中的冲突消解
1） 按匹配度大小排序 2） 按加权平均值排序 例如，设U={u1,u2,u3,u4,u5}, A=0.9/u1+0.6/u2+0.4/u3 B=0.6/u2+0.8/u3+0.5/u4 C=0.5/u3+0.8/u4+1/u5 D=0.8/u1+0.5/u2+0.1/u3 并设有如下模糊知识： R1: IF x is A THEN R2: IF x is B THEN R3: IF x is C THEN 用户提供的初始证据为： E’: x is D
复合条件的模糊匹配
(1) 分别计算出每一个子条件与其证据的匹配度 例如对复合条件 E=x1 is A1 AND x2 is A2 AND x3 is A3 及相应证据E’: x1 is A’1 , x2 is A’2 , x3 is A’3 分别算出Ai与A’i的匹配度 δmatch(Ai,A’i),i=1,2,3。 (2) 求出整个前提条件与证据的总匹配度。目前常用的方法有“取极小”和 “相乘”等。
δmatch(E,E’)=min{δmatch(A1,A’1),δmatch(A2,A’2), δmatch(A3,A’3)} δmatch(E,E’)=δmatch(A1,A’1)×δmatch(A2,A’2)×δmatch(A3,A’3)
(3) 检查总匹配度是否满足阈值条件，如果满足就可以匹配，否则为不可匹 配。
2）模糊拒取式推理 知识：IF x is A THEN y is B 证据： y is B’ ------------------------------------------结论： x is A’
知识：IF x is A THEN y is B 证据： y is not B’ ------------------------------------------结论： x is not A’
补充知识：模糊推理
1、模糊数学理论
A traditional set
A fuzzy set
模糊集合
• 模糊集合的表示
对于离散论域 。模糊集合的表示方法和经典集合表示方法的相同：可用特 征函数法（序偶法）、扎德表示法、、向量法表示。
假设论域X={0,1,2,3,4,5,6,7,8,9},设A表示一个接近于0的模糊集合，各元 素的隶属度依次为 ={1.0,0.9,0.8,0.7,0.6,0.5,0.4,0.3,0.2,0.1}, 则A可表示为
1）贴近度 设A与B分别是论域U={u1,u2,…,un}上的两个模糊集，则它们 的贴近度定义为：(A,B)= [A∙B+(1-A⊙B)] /2 其中 A B (A(ui ) B (ui )) U A B (A(ui ) B (ui ))
U
2）语义距离
1 n (1) 海明距离 d ( A, B) | A (ui ) B (ui ) | n i 1 1 b d ( A, B) | A (u ) B (u ) | du a ba (2) 欧几里得距离 n 1 d ( A, B) ( A (ui ) B (ui )) 2
模糊语言值是指表示大小、长短、多少等程度的一些词汇。 如：极大、很大、相当大、比较大。模糊语言值同样可用模 糊集描述。
模糊知识的表示
（1）模糊产生式规则的一般形式是： IF E THEN H (CF,λ) 其中，E是用模糊命题表示的模糊条件；H是用模糊命题表示的模糊结论； CF是知识的可信度因子，它既可以是一个确定的数，也可以是一个模 糊数或模糊语言值。λ是匹配度的阈值，用以指出知识被运用的条件。 例如： IF x is A THEN y is B (CF,λ) （2）推理中所用的证据也用模糊命题表示，一般形式为 x is A’ 或者 x is A’ (CF) （3）模糊推理要解决的问题：证据与知识的条件是否匹配：如果匹配，如 何利用知识及证据推出结论。
构造模糊关系R的方法
扎德方法、Mamdani方法(自学）、 Mizumoto方法(自学） • 扎德提出了两种方法：一种称为条件命题的极大极小规则；另一种称 为条件命题的算术规则，由它们获得的模糊关系分别记为Rm和Ra。 设A∈(U), B∈(V)，其表示分别为
A A (u ) / u , B B (u ) / u
n
i 1
(3) 明可夫斯基距离
1 n d ( A, B) [ | A (ui ) B (ui ) | ] q , q 1 n i1
匹配度为：1-d(A,B)
q 1
匹配度举例
设U={a,b,c,d} A=0.3/a+0.4/b+0.6/c+0.8/d B=0.2/a+0.5/b+0.6/c+0.7/d
U V
且用×，∪，∩，¬， 分别表示模糊集的笛卡儿乘积、并、交、补及有界 和运算，则扎德把Rm和Ra分别定义为：
Rm ( A B) (A V )
U V U V
( A (u ) B (v)) (1 A (u )) /(u, v)
Ra (A V ) (U B)
y is H1 y is H2 y is H3
δmatch(A,D)=μD(u1)/μA(u1)+μD(u2)/μA(u2)+μD(u3)/μA(u3) =0.8/0.9+0.5/0.6+0.1/0.4 同理可得： δmatch(B,D)=0.8/0+0.5/0.6+0.1/0.8 δmatch(C,D)=0.8/0+0.5/0+0.1/0.5 以上D与A、B、C的匹配度用模糊集形式表示。 下面求匹配度的加权平均值： AV(δmatch(A,D))=(0.8×0.9+0.5×0.6+0.1×0.4)/(0.9+0.6+0.4)=0.56 同理可得： AV(δmatch(B,D))=0.27 AV(δmatch(C,D))=0.1 于是得到： AV(δmatch(A,D))>AV(δmatch(B,D))>AV(δmatch(C,D)) 所以R1是当前首先被选用的知识。
向量表示法 : {1,0.9,0.8,0.7,0.6,0.5,0.4,0.3,0.2,0.1}
隶属度函数的确定
1. 模糊统计方法
与概率统计类似，但有区别：若把概率统计比喻为“变 动的点”是否落在“不动的圈”内，则把模糊统计比喻为“ 变动的圈”是否盖住“不动的点”.
2. 指派方法
一种主观方法，一般给出隶属函数的解析表达式。
1 (1 A (u ) B (v)) /(u, v)
IF
x is A
THEN y is B
对于模糊假言推理，若已知证据为 x is A’ 则：
B’m=A’◦Rm B’a=A’◦Ra
对于模糊拒取式推理，若已知证据为 y is B’ 则：
A’m=Rm◦B’ A’a=Ra◦B’
扎德法推理举例
3）按广义顺序关系排序