4.简单模糊推理

模糊控制——理论基础（4模糊推理）1、模糊语句将含有模糊概念的语法规则所构成的语句称为模糊语句。

根据其语义和构成的语法规则不同，可分为以下⼏种类型：（1）模糊陈述句：语句本⾝具有模糊性，⼜称为模糊命题。

如：“今天天⽓很热”。

（2）模糊判断句：是模糊逻辑中最基本的语句。

语句形式：“x是a”，记作（a），且a所表⽰的概念是模糊的。

如“张三是好学⽣”。

（3）模糊推理句：语句形式：若x是a，则x是b。

则为模糊推理语句。

如“今天是晴天，则今天暖和”。

2、模糊推理常⽤的有两种模糊条件推理语句：If A then B else C；If A AND B then C下⾯以第⼆种推理语句为例进⾏探讨，该语句可构成⼀个简单的模糊控制器，如图3-11所⽰。

其中A，B，C分别为论域U上的模糊集合，A为误差信号上的模糊⼦集，B为误差变化率上的模糊⼦集，C为控制器输出上的模糊⼦集。

常⽤的模糊推理⽅法有两种：Zadeh法和Mamdani法。

Mamdani推理法是模糊控制中普遍使⽤的⽅法，其本质是⼀种合成推理⽅法。

注意：求模糊关系时A×B扩展成列向量，由模糊关系求C1时，A1×B1扩展成⾏向量3、模糊关系⽅程①、模糊关系⽅程概念将模糊关系R看成⼀个模糊变换器。

当A为输⼊时，B为输出，如图3-12所⽰。

可分为两种情况讨论：（1）已知输⼊A和模糊关系R，求输出B，这是综合评判，即模糊变换问题。

（2）已知输⼊A和输出B，求模糊关系R，或已知模糊关系R和输出B，求输⼊A，这是模糊综合评判的逆问题，需要求解模糊关系⽅程。

②、模糊关系⽅程的解近似试探法是⽬前实际应⽤中较为常⽤的⽅法之⼀。

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。

Sugeno模糊模型是一种广泛应用于控制系统、模式识别和决策系统中的数学模型，它基于模糊集合理论和模糊逻辑，能够处理不确定性和模糊性信息，具有很强的鲁棒性和适应性。

本文将对Sugeno模糊模型的基本概念进行深入探讨，包括模糊集合、隶属函数、模糊规则以及模糊推理等方面。

1. 模糊集合的概念模糊集合是指元素的隶属度不是0或1，而是在0和1之间的一种中间状态。

它是模糊逻辑中的基本概念，表示了元素与某个概念的模糊程度。

在Sugeno模糊模型中，模糊集合通常用隶属函数来描述，隶属函数可以是三角形、梯形、高斯等形式。

2. 隶属函数的定义隶属函数是描述元素与模糊集合的隶属关系的函数。

它通常具有单调递增或单调递减的特性，可以通过一些参数来调节其形状。

对于三角形隶属函数，可以通过中心和宽度两个参数来确定其形状。

3. 模糊规则的建立模糊规则是Sugeno模糊模型中的重要组成部分，它描述了输入变量和输出变量之间的关系。

一般来说，模糊规则由若干个条件部分和一个结论部分组成，条件部分使用模糊逻辑运算符来连接多个隶属函数，结论部分则是输出变量的线性组合。

4. 模糊推理的方法模糊推理是Sugeno模糊模型的核心，它通过模糊规则对输入变量进行模糊推理，得到输出变量的模糊值，并通过去模糊化处理得到模糊输出。

常见的模糊推理方法包括最大隶属度法、最小最大法、加权平均法等。

Sugeno模糊模型通过模糊集合、隶属函数、模糊规则和模糊推理等基本概念，能够有效地处理不确定性和模糊性信息，具有广泛的应用前景和理论研究价值。

希望本文对Sugeno模糊模型的基本概念有所帮助，引发更多学者对其深入研究，推动模糊逻辑在各个领域的应用和发展。

Sugeno模糊模型是模糊逻辑在实际应用中的典型代表，在控制系统、模式识别、决策系统等领域展现出了强大的优势。

其基本概念包括模糊集合、隶属函数、模糊规则和模糊推理等，下面将对每个概念进行进一步扩展。

5. 模糊集合的运算在Sugeno模糊模型中，模糊集合之间可以进行交、并、补等运算，这使得模糊集合能够灵活地表达复杂的不确定性信息。

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。

121 第4章 不确定与非单调推理在现实世界中，能够进行精确描述的问题只占较少一部分，而大多数问题是非精确、非完备的。

对于这些问题，若采用上一章所讨论的精确性推理方法显然是不行的。

为此，人工智能需要研究不确定性的推理方法，以满足客观问题的需求。

4.1.1 C-F 模型C-F 模型是消特里菲等人在确定性理论的基础上，结合概率论和模糊集合论等方法提出的一种基本的不确定性推理方法。

下面讨论其知识表示和推理问题。

1. 知识不确定性的表示在C-F 模型中，知识是用产生式规则表示的，其一般形式为：IF E THEN H (CF(H, E))其中，E 是知识的前提条件；H 是知识的结论；CF(H, E)是知识的可信度。

对它们的简单说明如下：前提条件可以是一个简单条件，也可以是由合取和析取构成的的复合条件。

例如E=( E1 OR E2) AND E3 AND E4就是一个复合条件。

结论可以是一个单一的结论，也可以是多个结论。

可信度CF (Certainty Factor 简记为CF)又称为可信度因子或规则强度，它实际上是知识的静态强度。

CF(H, E)的取值范围是[-1，1]，其值表示当前提条件E 所对应的证据为真时，该前提条件对结论H 为真的支持程度。

CF(H, E)的值越大，对结论H 为真的支持程度就越大。

例如IF 发烧 AND 流鼻涕 THEN 感冒 (0.8)表示当某人确实有“发烧”及“流鼻涕”症状时，则有80%的把握是患了感冒。

可见，CF(H, E)反映的是前提条件与结论之间的联系强度，即相应知识的知识强度。

2. 可信度的定义在C-F 模型中，把CF(H, E)定义为CF(H, E)=MB(H, E)-MD(H, E)其中，MB (Measure Belief 简记为MB)称为信任增长度，它表示因与前提条件E 匹配的证据的出现，使结论H 为真的信任增长度。

MD (Measure Disbelief 简记为MD)称为不信任增长度，它表示因与前提条件E 匹配的证据的出现，对结论H 的不信任增长度。