模糊控制中隶属度函数的确定方法

模糊综合评价法隶属度确定模糊综合评价法是一种多指标决策方法，通过定义隶属度函数对问题进行模糊化处理，将各指标的隶属度进行综合评价，得出最终的评价结果。

本文将对模糊综合评价法中的隶属度确定进行探讨。

隶属度函数是模糊综合评价法的重要组成部分，它用来描述指标值与评价等级之间的隶属关系。

在实际问题中，往往存在多个指标，每个指标都有不同的评价等级，因此需要为每个指标确定相应的隶属度函数。

确定隶属度函数的过程通常包括两个步骤：构造隶属度函数和确定隶属度的取值范围。

构造隶属度函数是指根据指标的实际情况和评价等级的要求，选择合适的隶属度函数形式。

常用的隶属度函数有三角形函数、梯形函数、高斯函数等。

不同的函数形式可以描述不同的隶属关系，因此在选择时需要根据实际情况进行合理的选择。

确定隶属度的取值范围是指为每个评价等级确定对应的隶属度取值范围。

一般来说，隶属度的取值范围为[0,1]，表示指标值与评价等级的程度关系。

隶属度为0表示指标值与评价等级之间不存在隶属关系，隶属度为1表示指标值完全属于评价等级。

在确定隶属度函数和取值范围后，可以根据指标的实际值计算出每个指标对应的隶属度。

然后，根据综合评价的要求，可以采用加权平均法、加权最大法等方法对各指标的隶属度进行综合，得到最终的评价结果。

模糊综合评价法的优点是能够充分考虑多指标之间的相互关系，能够处理不确定性和模糊性的问题。

但是在实际应用中，也存在一些问题和挑战。

首先，确定隶属度函数需要根据实际情况进行合理选择，这需要对问题有一定的理解和经验。

其次，确定权重的过程也比较困难，需要考虑指标的重要性和相互关系。

最后，模糊综合评价法的计算过程相对复杂，需要进行大量的计算和数据处理。

模糊综合评价法是一种多指标决策方法，通过定义隶属度函数对问题进行模糊化处理，综合各指标的隶属度得出最终的评价结果。

在实际应用中，需要合理选择隶属度函数和确定权重，同时还需要注意计算过程的复杂性。

模糊综合评价法在工程管理、环境评价等领域有着广泛的应用前景，可以为决策者提供有价值的参考和决策支持。

第4章隶属函数的确定方法在模糊理论的应用中，我们面临的首要问题就是建立模糊集的隶属函数。

对于一个特定的模糊集来说，隶属函数不仅基本体现了它所反映的模糊概念的特性，而且通过量化还可以实现相应的数学运算和处理。

因此，“正确地”确定隶属函数是应用模糊理论恰如其分地定量刻划模糊概念的基础，也是利用模糊方法解决各种实际问题的关键。

然而，建立一个能够恰如其分地描述模糊概念的隶属函数，并不是一件容易的事情。

其原因就在于一个模糊概念所表现出来的模糊性通常是人对客观模糊现象的主观反映，隶属函数的形成过程基本上是人的心理过程，人的主观因素和心理因素的影响使得隶属函数的确定呈现出复杂性、多样性，也导致到目前为止如何确定隶属函数尚无定法，没有通用的定理或公式可以遵循。

但即便如此，鉴于隶属函数在模糊理论中的重要地位，确定隶属函数的方法还是受到了特别的重视，至今已经提出了十几种确定隶属函数的方法，而且其中一些方法基本上摆脱了人的主观因素的影响。

本章将选择4种经常使用的、具有代表性的方法予以介绍，它们是：直觉方法，二元对比排序法，模糊统计试验法，最小模糊度法。

4.1 直觉方法直觉的方法就是人们用自己对模糊概念的认识和理解，或者人们对模糊概念的普遍认同来建立隶属函例1、“正好”、“热”和“很热”图1 空气温度的隶属函数例2根据人们对汽车行驶速度中“慢速”、“中速”和“快速”这三个概念的普遍认同，可以给出描图2 汽车行驶速度的隶属函数虽然直觉的方法非常简单，也很直观，但它却包含着对象的背景、环境以及语义上的有关知识，也包含了对这些知识的语言学描述。

因此，对于同一个模糊概念，不同的背景、不同的人可能会建立出不完全相同的隶属函数。

例如，模糊集A = “高个子”的隶属函数。

如果论域是“成年男性”，其隶属函数的曲线如图3(a )所示；而如果论域是“初中一年级男生”，其隶属函数的曲线则为图3(b )所示的情形。

(a) (b)图3 不同论域下“高个子”的隶属函数4.2 二元对比排序法建立一个模糊集的隶属函数，实际上可以看成是对论域中每个元素隶属于某个模糊概念的程度进行比较、排序。

iM
m,
i
n
其中 M { i e ; i 1 , 2 , . . . , n } , i
表示集合 M 的元素的个数，而 [0,1] 是事先给
定的标准。 (7)以 m 作为 A(u0 ) 的估计值，或直接计算
1 m n
m
i 1
n
i
,
1 e n
e
i 1
n
i 1 n
i
, 1 , , )是权重向 ( u , u , , u ) U ,( 其中 u 1 n 1 2 n
( u ) [,] 0 1 量，b是一个适当选取的常数，以保证 A
(3)混合型 如果决定 A(u) 的 Ai (ui ) 可分成两部分，一部分是累加 因素，一部分是乘积因素，则可令
用Dephi法确定 A 的隶属函数 A ( u ) 的步骤如下:
~
~
⑴ 提出影响 A 的主要因素，连同较为详尽的资料 发送选定的n位专家，请专家对于取定的 u 0 U , 给 出隶属度 A(u0 ) 的估值 m ⑵设第ｉ位专家第一次给出的估计值为 m i 1 ,2 ,. . . ,n ) . 1 i(
(5) -型分布；
(6) Cauchy-型分布；
用模糊数学处理带有模糊性的问题时 (7) 岭型分布选择适当的模糊分布函数很重要，否 见教材！ 则会脱离实际情况，从而影响效果， 各式中的参数由实际问题决定！
三分法（Trichotomy ） 基本思想：用随机区间的思想来处理模糊性的试 验模型，在某些场合适用此法来求隶属函数。
§6.３ 模糊统计法
模糊统计法简言之即通过模糊试验来得元素 隶属度。模糊试验四个要素： （１）论域Ｕ，所论问题之范围； （２）Ｕ中的一个确定元素ｕ； （３）Ｕ中的一个随机运动的普通集合Ａ*,Ａ* 联系着一个模糊集 A , Ａ*的每一次确定，都是对

模糊数学教程第6章确定隶属函数的方法确定隶属函数是模糊数学中的一项重要任务，它决定了模糊集合如何描述和应用。

本文将介绍几种常用的确定隶属函数的方法。

基于专家经验的方法是最常见的确定隶属函数的方法之一、通常，一些领域的专家会通过自己的经验和知识来确定隶属函数的形状和参数，以达到最佳的模糊集合描述效果。

例如，在模糊控制系统中，专家可以通过对系统的分析和调试来确定隶属函数的形状，从而实现对系统的精确控制。

基于数据分析的方法是一种较为客观的确定隶属函数的方法，它通过对已有数据的统计分析来确定隶属函数的形状和参数。

通常，需要收集一定数量的数据样本，并对这些数据进行分析，确定隶属函数的形状和参数。

例如，在模糊分类问题中，可以通过对已有分类数据的统计分析来确定隶属函数，从而实现对未知样本的分类。

基于模糊聚类的方法是一种将隶属函数与模糊聚类相结合的方法，它通过对数据样本进行聚类分析来确定隶属函数的形状和参数。

通常，需要先对数据进行模糊聚类，确定聚类结果，然后使用聚类结果来确定隶属函数。

例如，在模糊图像分割中，可以通过对图像像素进行模糊聚类，确定图像的不同区域，然后使用聚类结果来确定图像的隶属函数，从而实现图像分割。

基于优化算法的方法是一种通过优化算法来确定隶属函数的形状和参数的方法。

通常，需要将需要确定的隶属函数作为优化目标函数，利用其中一种优化算法来求解最优解，从而确定隶属函数的形状和参数。

例如，在模糊最优化问题中，可以将需要确定的隶属函数作为目标函数，使用遗传算法或粒子群算法等优化算法来求解最优解，从而确定隶属函数。

以上是一些常用的确定隶属函数的方法，不同的方法适用于不同的问题和场景。

在实际应用中，可以根据具体情况选择适合的方法来确定隶属函数，以达到最佳的模糊集合描述效果。

美国加利福尼亚大学控制论教授扎得（L、A、Zadeh）经过多年的琢磨，终于在1965年首先发表了题为《模糊集》的论文。

指出：若对论域（研究的范围）U中的任一元素x，都有一个数A（x）∈[0，1]与之对应，则称A为U上的模糊集，A（x ）称为x对A的隶属度。

当x在U中变动时，A（x）就是一个函数，称为A的隶属函数。

隶属度A（x）越接近于1，表示x属于A的程度越高，A（x）越接近于0表示x属于A的程度越低。

用取值于区间[0，1]的隶属函数A（x）表征x 属于A的程度高低，这样描述模糊性问题比起经典集合论更为合理。

隶属度属于模糊评价函数里的概念：模糊综合评价是对受多种因素影响的事物做出全面评价的一种十分有效的多因素决策方法，其特点是评价结果不是绝对地肯定或否定，而是以一个模糊集合来表示。

隶属度函数及其确定方法分类隶属度函数是模糊控制的应用基础,正确构造隶属度函数是能否用好模糊控制的关键之一。

隶属度函数的确定过程,本质上说应该是客观的,但每个人对于同一个模糊概念的认识理解又有差异,因此,隶属度函数的确定又带有主观性。

隶属度函数的确立目前还没有一套成熟有效的方法,大多数系统的确立方法还停留在经验和实验的基础上。

对于同一个模糊概念,不同的人会建立不完全相同的隶属度函数,尽管形式不完全相同,只要能反映同一模糊概念,在解决和处理实际模糊信息的问题中仍然殊途同归。

下面介绍几种常用的方法。

(1)模糊统计法：模糊统计法的基本思想是对论域U上的一个确定元素vo是否属于论域上的一个可变动的清晰集合A3作出清晰的判断。

对于不同的试验者,清晰集合A3可以有不同的边界,但它们都对应于同一个模糊集A。

模糊统计法的计算步骤是:在每次统计中, v o是固定的,A3的值是可变的,作n次试验,其模糊统计可按下式进行计算v0对 A 的隶属频率= v0∈A 的次数/ 试验总次数n随着n的增大,隶属频率也会趋向稳定,这个稳定值就是vo对A 的隶属度值。

−1
中间型隶属函数
1.矩形 2.尖型 3.正态型 4.柯西型 5.梯形
µA1 ( x) =
ɶ
1, a − b < x ≤ a + b 0, 其他 exp[ k (x − a)] , x ≤ a (k > 0) exp[ −k ( x − a)] , x > a
−1
µA2 ( x) =
参数法是指利用已知形状的隶属函数作为样板， 通过确定函数参数的方式来给出隶属函数的方 法。 常用隶属函数
偏小型 偏大型 中间型
偏小型隶属函数
x≤a 1, µ A ( x) = ɶ f ( x), x > a
1.降半矩阵型 2.降半伽马型 3.降半正态型 4.降半柯西型 5.降梯形 6.降岭形 7.k次抛物线
隶属函数的确定方法
模糊统计法 参数法
模糊统计法
通过模糊统计实验来确定隶属函数的方法 四要素
① 论域X ② 试验所要处理的论域X的固定元素x0 ③ 论域X的可变动的子集A*，它作为模糊集 A 的有可塑性 ɶ 边界的反映，可由它得到每次试验中x0是否符合模糊集A ɶ 所刻划的模糊概念的一个判决 ④ 条件集C，它限制着A*的变化
ɶ ɶ
µA3 ( x) = exp −k ( x − a)2 , (k > 0) µA4 ( x) = 1+ α ( x − a)β (α > 0, β是非负偶数)
(a2 + x − a) /(a2 − a1), a − a2 < x ≤ a − a1 1, a − a1 < x ≤ a + a1 µA5 ( x) = ɶ (a2 − x + a) /(a2 − a1), a + a1 < x ≤ a + a2 0, 其他 0.5 + 0.5sin [π /(b − a)( x + (b + a) / 2)] , −b < x ≤ −a 0.5 − 0.5sin [π /(b − a)( x − (b + a) / 2)] , a < x ≤ b µA6 ( x) = ɶ −a < x ≤ a 1, 0, 其他

详细描述
主观经验法主要依赖于专家的专业知识和经验，通过专家对模糊概念的深入理 解和主观判断，来确定隶属函数的形状、参数和阈值等。这种方法简单易行， 但受限于专家知识和经验的局限性。
统计学习法
总结词
基于数据样本和统计学习理论来确定隶属函数的方法。
详细描述
统计学习法利用已知数据样本，通过统计学习理论和方法，如回归分析、决策树、支持向量机等，来拟合和优化 隶属函数。这种方法客观、科学，但需要足够的数据样本和计算资源。
VS
详细描述
连续性是指隶属函数在定义域内的任何一 点都存在明确的隶属度值，没有跳跃或中 断。连续的隶属函数能够更好地描述模糊 现象，因为模糊现象本身也是连续变化的 。
单调性
总结词
隶属函数应该是单调的，以反映模糊集合的 单调性质。
详细描述
单调性是指随着输入值的增大或减小，隶属 度值也相应增大或减小。单调递增的隶属函 数表示随着输入值的增加，隶属度也逐渐增 加；单调递减的隶属函数则表示随着输入值 的增加，隶属度逐渐减小。
经济效益评价
在经济效益评价中，隶属函数可以用于将各 评价指标的量纲统一，通过计算隶属度来评 价项目的经济效益。
在模糊聚类分析中的应用
模糊聚类算法
隶属函数在模糊聚类算法中起到关键作用，通过计算样本点对各个聚类的隶属度，实现样本点的软分 类。
聚类效果的评估
在模糊聚类分析中，隶属函数可以用于评估聚类效果，通过计算样本点对各个聚类的隶属度分布情况 ，判断聚类的质量和稳定性。
模糊数学教程第6章确定隶属函数 的方法
目 录
• 引言 • 确定隶属函数的方法 • 隶属函数的特性 • 隶属函数的优化 • 隶属函数的应用 • 总结与展望
01 引言

模糊控制隶属函数的选择模糊控制是一种基于模糊逻辑的控制方法，它可以处理模糊的输入和输出，使得系统能够更好地适应复杂的环境和变化。

而模糊控制的核心就是隶属函数，它决定了输入变量和输出变量之间的映射关系。

因此，选择合适的隶属函数对于模糊控制的性能和稳定性至关重要。

隶属函数是模糊控制中的一个重要概念，它描述了输入变量和输出变量之间的关系。

在模糊控制中，通常使用三角形、梯形、高斯等形状的隶属函数来描述输入变量和输出变量的模糊程度。

不同的隶属函数对于不同的问题具有不同的适用性，因此在选择隶属函数时需要考虑以下几个因素：1. 变量的物理意义：隶属函数的形状应该与变量的物理意义相符合，例如温度变量的隶属函数可以选择三角形或高斯函数，而速度变量的隶属函数可以选择梯形函数。

2. 变量的取值范围：隶属函数的形状应该与变量的取值范围相适应，例如当变量的取值范围较大时，可以选择高斯函数来描述隶属度，而当变量的取值范围较小时，可以选择三角形函数来描述隶属度。

3. 控制系统的性能要求：隶属函数的形状应该与控制系统的性能要求相匹配，例如当控制系统需要快速响应时，可以选择三角形函数来描述隶属度，而当控制系统需要平滑响应时，可以选择高斯函数来描述隶属度。

4. 经验和实验数据：隶属函数的选择还需要考虑经验和实验数据，例如当已有的实验数据表明某种隶属函数可以更好地描述变量之间的关系时，可以选择该隶属函数。

在实际应用中，选择合适的隶属函数是模糊控制的关键之一。

通过合理的选择隶属函数，可以提高模糊控制系统的性能和稳定性，使其更好地适应复杂的环境和变化。

因此，在设计模糊控制系统时，需要认真考虑隶属函数的选择，并根据实际情况进行调整和优化，以达到最佳的控制效果。

模糊隶属度计算公式模糊隶属度计算是模糊逻辑中重要的概念，用于描述事物在某个模糊集合中的隶属程度。

模糊隶属度的计算公式可以根据不同的模糊集合类型和隶属函数进行选择，下面将介绍一些常见的模糊隶属度计算公式及其相关参考内容。

1. 三角形隶属度计算公式三角形隶属度计算公式是常用的模糊隶属度计算方法，在三角形模糊集合中，隶属函数的形状呈三角形。

对于给定的输入值x，其隶属度m可以通过以下公式计算：m(x) = (x-a)/(b-a)，其中a和b是三角形隶属函数的两个顶点。

2. 梯形隶属度计算公式梯形隶属度计算公式是用来计算梯形模糊集合中的隶属度的方法。

梯形模糊集合的隶属函数呈梯形状。

对于给定的输入值x，其隶属度m可以通过以下公式计算：m(x) = (x-a)/(b-a)，其中a和b是梯形隶属函数的两个顶点。

3. 高斯隶属度计算公式高斯隶属度计算公式是计算高斯模糊集合中的隶属度的方法，高斯模糊集合的隶属函数符合高斯曲线的形状。

对于给定的输入值x，其隶属度m可以通过以下公式计算：m(x) = exp(-((x-c)/d)^2/2)，其中c是高斯隶属函数的均值，d是标准差。

4. S曲线隶属度计算公式S曲线隶属度计算公式用于计算S曲线模糊集合中的隶属度，S曲线模糊集合的隶属函数呈S形状。

对于给定的输入值x，其隶属度m可以通过以下公式计算：m(x) = 1/(1+exp(-a(x-b)))，其中a和b是S曲线隶属函数中的参数。

以上介绍的模糊隶属度计算公式是常见的几种，根据不同的模糊集合类型和隶属函数，可以选择适合的公式进行计算。

模糊隶属度的计算在模糊逻辑和模糊控制等领域有着广泛的应用，对于模糊推理和模糊决策等问题具有重要的意义。

对于模糊隶属度计算公式的具体推导过程和理论研究，可以参考模糊逻辑和模糊控制相关的书籍和论文，如《模糊数学及应用》、《模糊控制系统设计与应用》等。

1 (2)类似的，可得E(A,B,C)= 1(A - C) 180 1 I (A, B, C) 1 ((A B) (B C)) 60
(3)非典型三角形T(A, B, C) R E I R E I (1 R(A,B,C)) (1 E(A,B,C)) (1 I(A,B,C)) 1 min(2 A 90 , (A C),3(A B),3(B C)) 180
设A F ( X ), [0,1], 记： A ( A) {x X | A( x) } 称为A的 截集，亦称水平截集，叫做置信水平。又记 A ( A) {x X | A( x) } 称为A的强截集，亦称开截集。
要求人们同时比较论域中所有元素并由此确定各个元素的隶属度往往比较困难但当取u中的两个元素相比时情况较为简单容易正确比较出两者中哪个属于某一模糊集合的程度以两两比较的结果为基础确定隶属函数的方法称为二元对比排序法
模糊控制
林舒萍
§1.4 截集和基本定理
• “截集”概念的引入
• 1、 截集
• ①定义：
• 试求出模糊集 A 。

• 3、扩展定理
• ①经典集的扩展定理
用S ( X )表示X 上的所有经典集合 设X , Y 是经典集合, 给定X 到Y的映射 : f : X Y x | f ( x)
f : S ( X ) S (Y ) f 1 : S (Y ) S ( X )
A | f ( A) { y | x A, y f ( x)} B | f 1 ( B) {x | f ( x) B}
• 关于扩展定理的讨论： • ①思路： ⑴目的：把经典集上的运算过渡到模糊集的 运算 ⑵关键：确定模糊集上相应的隶属度函数的 计算方法 ⑶解决的问题：把经典集上的运算扩充为相 应的模糊集上的四则运算，加减乘除都可 以实现 • ②应用：

隶属度函数----------------------------精品word文档值得下载值得拥有----------------------------------------------美国加利福尼亚大学控制论教授扎得(L、A、Zadeh)经过多年的琢磨，终于在1965年首先发表了题为《模糊集》的论文。

指出:若对论域(研究的范围)U中的任一元素x，都有一个数A(x)?[0，1]与之对应，则称A为U上的模糊集，A(x )称为x对A的隶属度。

当x在U中变动时，A( x)就是一个函数，称为A的隶属函数。

隶属度A(x)越接近于1，表示x属于A的程度越高，A(x)越接近于0表示x属于A的程度越低。

用取值于区间[0，1]的隶属函数A(x)表征x 属于A的程度高低，这样描述模糊性问题比起经典集合论更为合理。

隶属度属于模糊评价函数里的概念:模糊综合评价是对受多种因素影响的事物做出全面评价的一种十分有效的多因素决策方法，其特点是评价结果不是绝对地肯定或否定，而是以一个模糊集合来表示。

隶属度函数及其确定方法分类隶属度函数是模糊控制的应用基础,正确构造隶属度函数是能否用好模糊控制的关键之一。

隶属度函数的确定过程,本质上说应该是客观的,但每个人对于同一个模糊概念的认识理解又有差异,因此,隶属度函数的确定又带有主观性。

隶属度函数的确立目前还没有一套成熟有效的方法,大多数系统的确立方法还停留在经验和实验的基础上。

对于同一个模糊概念,不同的人会建立不完全相同的隶属度函数,尽管形式不完全相同,只要能反映同一模糊概念,在解决和处理实际模糊信息的问题中仍然殊途同归。

下面介绍几种常用的方法。

(1)模糊统计法:模糊统计法的基本思想是对论域U上的一个确定元素vo是否属于论域上的一个可变动的清晰集合A3作出清晰的判断。

对于不同的试验者,清晰集合 A3可以有不同的边界,但它们都对应于同一个模糊集A。

模糊统计法的计算步骤是:在每次统计中, vo是固定的,A3的值是可变的,作 n次试验,其模糊统计可按下式进行计算v0对 A 的隶属频率 = v0?A 的次数 / 试验总次数 n随着 n的增大,隶属频率也会趋向稳定,这个稳定值就是 vo对A 的隶属度值。

模糊数学
——隶属函数的确定
1.确定隶属函数的方法
1.1 直觉方法 1.2 模糊统计 1.3 模糊分布 1.4 其它方法
1.1 直觉方法
直觉的方法就是人们用自己对模糊概念的认 识和理解，或者人们对模糊概念的普遍认同来建立 隶属函数。这种方法通常用于描述人们熟知、有共 识的客观模糊现象，或用于难于采集数据的情形。
元素uu0o属于AA** 的次数为m，则元素uu0o对A 的隶属频率定义为：
uo对A的隶属频率

"uo A*"的次数m 实验的总次数 n
当试验次数 n 足够大时，元素uu0o的隶属频率总是稳定于某一数(大数定律)，这个 稳定的数即为元素uu0o对A 的隶属度。
1.3 模糊分布
在客观事物中，最常见的是以实数R作论域的情形，通常把实 数集R 上模糊集的隶属函数称为模糊分布。当所讨论的客观模糊现 象的隶属函数与某种给定的模糊分布相类似时，即可选择这个模糊 分布作为所求的隶属函数，然后再通过先验知识或数据实验确定符 合实际的参数，从而得到具体的隶属函数。
经验的专家或是工程技术人员直接用打分的方法，也 可以用推理的方法、最小模糊度法、二元对比排序法 等等，这里就不一一介绍了。
例 1 考虑描述空气温度的模糊变量或“语言”变量，
我们取之为“很冷”、“冷”、“正好”、“热”和 “很热”，则凭借我们对“很冷”、“冷”、“凉 爽”、“适宜”和“热”这几个模糊概念的认知和理 解，规定这些模糊集的隶属函数曲线如图1 所示。
虽然直觉的方法非常简单，也很直观，但它却包含着对象的背
景、环境以及语义上的有关知识，也包含了对这些知识的语言学描 述。因此，对于同一个模糊概念，不同的背景、不同的人可能会建 立出不完全相同的隶属函数。例如，模糊集A = “很冷”的隶属函 数。不同性别、不同生活环境的人所得出的曲线是不同的。

模糊控制中隶属度函数的确定方法一、引言模糊控制是一种利用模糊逻辑进行控制的方法，广泛应用于各个领域。

其中，隶属度函数是模糊控制中的重要组成部分，用于描述输入和输出变量之间的隶属关系。

确定合适的隶属度函数对于模糊控制系统的稳定性和性能至关重要。

本文将详细探讨模糊控制中隶属度函数的确定方法。

二、隶属度函数的概念隶属度函数（Membership Function ）是模糊集合中最核心的概念之一。

它用于描述一个元素对于某个模糊集合的隶属度程度。

在模糊控制中，输入和输出变量的隶属度函数决定了输入输出之间的映射关系。

三、常用的隶属度函数在模糊控制中，常用的隶属度函数包括三角隶属度函数、梯形隶属度函数、高斯隶属度函数等。

下面将分别介绍这些常用的隶属度函数。

3.1 三角隶属度函数三角隶属度函数是一种常见且简单的隶属度函数形式。

它以一个三角形为基础，通常具有两个参数：峰值和宽度。

三角隶属度函数的形状如图1所示。

3.1.1 三角隶属度函数公式三角隶属度函数的数学表达式如下所示：μ(x )={0,x ≤a or x ≥c x −a b −a ,a ≤x ≤b c −x c −b ,b ≤x ≤c 其中，a 、b 、c 分别表示三角隶属度函数的左脚、峰值和右脚的位置。

3.2 梯形隶属度函数梯形隶属度函数是一种介于三角隶属度函数和矩形隶属度函数之间的形式。

它以一个梯形为基础，通常具有四个参数：左脚、上升边沿、下降边沿和右脚。

梯形隶属度函数的形状如图2所示。

3.2.1 梯形隶属度函数公式梯形隶属度函数的数学表达式如下所示：μ(x )={ 0,x ≤a or x ≥d x −a b −a ,a ≤x ≤b 1,b ≤x ≤cd −x d −c ,c ≤x ≤d其中，a 、b 、c 、d 分别表示梯形隶属度函数的左脚、上升边沿、下降边沿和右脚的位置。

3.3 高斯隶属度函数高斯隶属度函数是一种基于高斯分布的隶属度函数形式。

它通常具有两个参数：峰值和方差。

模糊隶属度计算公式模糊隶属度计算公式是模糊集理论中的一种重要工具，在处理模糊信息、不确定性信息和模糊关系时具有广泛的应用。

模糊隶属度可以用于描述事物或概念的模糊程度和隶属关系。

下面将介绍几种常见的模糊隶属度计算公式。

1. 三角隶属度函数三角隶属度函数是最简单也是最常用的隶属度函数之一。

它通常用于描述对称的模糊集。

三角隶属度函数的计算公式为：```μ(x) = (x - a) / (b - a), a <= x <= bμ(x) = (d - x) / (d - c), b <= x <= dμ(x) = 0, x < a 或者 x > d```其中，a和d分别是模糊集的起始点和终止点，b和c是模糊集两个相对应的峰值。

2. 梯形隶属度函数梯形隶属度函数也是一种常见的隶属度函数。

它通常用于描述模糊集的模糊边界不对称的情况。

梯形隶属度函数的计算公式为：```μ(x) = (x - a) / (b - a), a <= x <= bμ(x) = 1, b < x <= cμ(x) = (d - x) / (d - c), c < x <= dμ(x) = 0, x < a 或者 x > d```其中，a和d分别是模糊集的起始点和终止点，b和c是梯形隶属度函数中的峰值点。

3. 高斯隶属度函数高斯隶属度函数是一种钟形曲线，在某个点呈现出单峰、对称的特点。

高斯隶属度函数的计算公式为：```μ(x) = e^(-0.5((x - c) / σ)^2)```其中，c是高斯函数的均值，σ是标准差。

4. 基于模糊逻辑的隶属度计算公式在模糊逻辑中，还有一些其他的隶属度计算公式，如S形隶属度函数、Z形隶属度函数等。

这些计算公式可以根据具体的应用场景进行选择和调整。

模糊隶属度计算公式在模糊集理论中扮演着重要的角色。

通过选择恰当的隶属度计算公式，我们可以更加准确地反映事物的模糊程度和隶属关系。

模糊数学建立模糊集的隶属函数方法三分法
本文介绍了一种新的模糊集建立的方法——三分法，该方法利用三分法构建出模糊集的隶属函数。

首先，需要确定出模糊集的上下界和规则。

上界和下界是由模糊集的输入和输出参数定义的，而规则是由经验或其他知识决定的。

规则是在一定范围内限定的，一旦指定，就不会变化。

其次，由上界、下界和规则确定的范围内，划分出三个等分的区域，这三个区域代表不同的隶属度。

如果规则是线性的，那么第一区域的隶属度为0，第二区域的隶属度为0.5，第三区域的隶属度为1.同时，需要指定每一个区域的边界，在实际的应用中，这一过程可以根据经验进行调整，以保证设定的规则的准确性。

最后，按照规则，确定好每一个区域的边界后，就可以采用三联表的方法，构建模糊集的隶属函数。

三联表法是将输入的变量取值范围划分成三百多个等分，这样可以避免用一个复杂的数学模型来描述每一个输入变量的隶属度，而是根据实际情况给出在某一取值下，输入变量的隶属度，从而构建出整个模糊集的隶属函数。

总之，三分法提供了一个简单、高效的方法来构建模糊集的隶属函数，同时可以更好的适应不同的应用场景，增强模糊系统的智能性。

第4章隶属函数的确定方法在模糊理论的应用中，我们面临的首要问题就是建立模糊集的隶属函数。

对于一个特定的模糊集来说，隶属函数不仅基本体现了它所反映的模糊概念的特性，而且通过量化还可以实现相应的数学运算和处理。

因此，“正确地”确定隶属函数是应用模糊理论恰如其分地定量刻划模糊概念的基础，也是利用模糊方法解决各种实际问题的关键。

然而，建立一个能够恰如其分地描述模糊概念的隶属函数，并不是一件容易的事情。

其原因就在于一个模糊概念所表现出来的模糊性通常是人对客观模糊现象的主观反映，隶属函数的形成过程基本上是人的心理过程，人的主观因素和心理因素的影响使得隶属函数的确定呈现出复杂性、多样性，也导致到目前为止如何确定隶属函数尚无定法，没有通用的定理或公式可以遵循。

但即便如此，鉴于隶属函数在模糊理论中的重要地位，确定隶属函数的方法还是受到了特别的重视，至今已经提出了十几种确定隶属函数的方法，而且其中一些方法基本上摆脱了人的主观因素的影响。

本章将选择4种经常使用的、具有代表性的方法予以介绍，它们是：直觉方法，二元对比排序法，模糊统计试验法，最小模糊度法。

4.1 直觉方法直觉的方法就是人们用自己对模糊概念的认识和理解，或者人们对模糊概念的普遍认同来建立隶属函例1、“正好”、“热”和“很热”图1 空气温度的隶属函数例2根据人们对汽车行驶速度中“慢速”、“中速”和“快速”这三个概念的普遍认同，可以给出描图2 汽车行驶速度的隶属函数虽然直觉的方法非常简单，也很直观，但它却包含着对象的背景、环境以及语义上的有关知识，也包含了对这些知识的语言学描述。

因此，对于同一个模糊概念，不同的背景、不同的人可能会建立出不完全相同的隶属函数。

例如，模糊集A = “高个子”的隶属函数。

如果论域是“成年男性”，其隶属函数的曲线如图3(a )所示；而如果论域是“初中一年级男生”，其隶属函数的曲线则为图3(b )所示的情形。

(a) (b)图3 不同论域下“高个子”的隶属函数4.2 二元对比排序法建立一个模糊集的隶属函数，实际上可以看成是对论域中每个元素隶属于某个模糊概念的程度进行比较、排序。

模糊PID控制器设计和仿真步骤：各变量隶属度函数的确定第一步：各变量隶属度函数的确定1、 用于PID 参数调整的模糊控制器采用二输入三输出的形式。

该控制器是以误差E 和误差变化率EC 作为输入，PID 控制器的三个参数P、I、D 的修正△KP、△KI、△KD 作为输出，如图1；2、 取输入E 和EC 和输出△KP、 △KI、△KD 模糊子集为{NB,NM,NS,ZO,PS,PM,PB}，其论域为[-6,6],量化等级为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}；如图23、 在模糊逻辑工具箱的隶属度函数编辑器中，选择输入量E，EC 隶属函数为高斯型（gaussmf）,输出△KP、△KI、△KD 的隶属函数为三角形（trimf），如图2和3。

图1图2图3第二步：根据图4规则建立模糊规则表，如图5：图4图5第三步：设置参数：与方式与方式 (And method)为min ；或方式（Or method)为max ；推理推理 (Implication)为min ；合成；合成 (Aggregation)为max ；去模糊（Defuzzification)为重心平均法（centroid ）。

）。

第四步：保存该FIS 文件，取名为FuzzyPID.fis第五步：在MA MATLABTLAB 的M 文件编辑器里建立一个名为FuzzyPID.m 的文件，其内容为：martrix=readfis （‘Fuzzypid.fis ’），并运行。

，并运行。

第六步：打开SIMULINK ，新建一个Model ，选择一个Subsystem ，在其中编辑模块，如图6，并设置模糊化因子KE=KEC=0.01，解模糊因子KP=0.5，KI=KD=0.01，并在Fuzzy Logic Controller 模块的Parameters 中输入readfis('FuzzyPID.fis')：图6第七步：返回到新建的Model 中，按照如图7所示建立模糊PID 控制器，其中，控制器，其中，PID PID 初始值为KP0=20，KI0=1.35，KD0=3.7，传递函数为：图7第八步：保存为FuzzyPID.mdl 并运行。