下载文档原格式
第二章 模糊控制理论基础知识2.1 模糊关系一、模糊关系R ~所谓关系R ，实际上是A 和B 两集合的直积A ×B 的一个子集。
现在把它扩展到模糊集合中来，定义如下：所谓A ，B 两集合的直积A ×B={(a,b)|a ∈A ，b ∈B} 中的一个模糊关系R ~，是指以A ×B 为论域的一个模糊子集，其序偶(a,b)的隶属度为),(~b a Rμ，可见R ~是二元模糊关系。
若论域为n 个集合的直积，则A 1×A 2×A 3×……A n 称为n 元模糊关系R ~，它的隶属函数是n 个变量的函数。
例如，要求列出集合X={1,5,7,9,20}“序偶”上的“前元比后元大得多”的关系R ~。
因为直积空间R=X ×X 中有20个“序偶”，序偶(20,1)中的前元比后元大得多，可以认为它的隶属度为1，同理认为序偶(9,5)的隶属于“大得多”的程度为0.3，于是我们可以确定“大得多”的关系R ~为R ~=0.5/(5,1)+ 0.7/(7,1)+ 0.8/(9,1)+ 1/(20,1)+ 0.1/(7,5)+0.3/(9,5)+ 0.95/(20,5)+ 0.1/(9,7)+0.9/(20,7)+ 0.85/(20,9)综上所述，只要给出直积空间A ×B 中的模糊集R ~的隶属函数),(~b a Rμ，集合A 到集合B 的模糊关系R ~也就确定了。
由于模糊关系，R ~实际上是一个模糊子集，因此它们的运算完全服从第一章所述的Fuzzy 子集的运算规则，这里不一一赘述了。
一个模糊关系R ~，若对∀x ∈X ，必有),(~x x R μ=1，即每个元素X 与自身隶属于模糊关系R ~的隶属度为1。
称这样的R ~为具有自返性的模糊关系。
一个模糊R ~，若对∀x ，y ∈X ，均有),(~y x Rμ=),(~x y Rμ 即(x,y)隶属于Fuzzy 关系R ~和(y,x)隶属于Fuzzy 关系R ~的隶属度相同，则称R ~为具有对称性的Fuzzy 关系。
模糊控制理论的基础和发展历程模糊控制理论是一种基于模糊逻辑和模糊集合的控制方法，它最早由日本学者山中伸彦于1965年提出，随后发展成熟并得到广泛应用。
模糊控制理论在现代控制领域占据重要地位，本文将探讨其基础和发展历程。
一、模糊控制理论的基础模糊控制理论的基础是模糊逻辑和模糊集合。
模糊逻辑是模糊控制理论的核心基础，它扩展了传统二进制逻辑，允许不确定性的表达和推理。
模糊逻辑中的概念和推理规则基于模糊集合的理论，模糊集合是对现实世界中模糊、不确定性和模糊性的数学上的描述。
二、模糊控制理论的发展历程1. 初期研究（1965-1980年）最早的模糊控制理论由山中伸彦提出，并于1965年发表在《计算机硬件及其应用》杂志上。
他提出了模糊集合和模糊逻辑的基本概念，并应用于水蒸气发生器的控制。
随后，日本学者田中秀夫在1969年进一步发展了模糊控制的理论框架和数学推理方法。
2. 理论完善与应用推广（1980-1990年）在上世纪八九十年代，模糊控制理论得到了进一步的完善和推广。
日本学者松井秀树于1985年提出了基于模糊推理的模糊PID控制器，极大地推动了模糊控制在实际应用中的发展。
同时，国外学者也开始关注和研究模糊控制理论，如美国学者Ebrahim Mamdani和Jerome H. Friedman等人。
3. 理论拓展与应用拓宽（1990年至今）进入21世纪，随着计算机技术和人工智能的发展，模糊控制理论得到了进一步的拓展和应用拓宽。
研究者们提出了各种新的模糊控制方法和算法，如模糊神经网络控制、模糊遗传算法控制等。
同时，模糊控制理论在各个领域得到了广泛应用，如工业控制、交通管理、机器人控制等。
总结模糊控制理论基于模糊逻辑和模糊集合，提供了一种处理不确定性和模糊性问题的有效方法。
经过多年的发展和完善，模糊控制理论在现代控制领域得到了广泛应用。
未来，随着人工智能和自动化技术的不断发展，模糊控制理论将继续发挥重要作用，并不断拓展其应用范围和理论框架。
第一部分模糊控制第2讲模糊控制原理第一节模糊控制（推理）系统的基本结构1.1 模糊控制系统的组成模糊控制器1.2 模糊控制器（推理）的结构1.2 模糊控制器的结构模糊化模糊化的作用是将输入的精确量转换成模糊量。
具体过程为：1）尺度变换尺度变换，将输入变量由基本论域变换到各自的论域范围。
变量作为精确量时，其实际变化范围称为基本论域；作为模糊语言变量时，变量范围称为模糊集论域。
2）模糊处理将变换后的输入量进行模糊化，使精确的输入量变成模糊量，并用相应的模糊集来表示。
知识库1.2 模糊控制器的结构数据库规则库数据库主要包括各语言变量的隶属函数，尺度变换因子及模糊空间的分级数等。
规则库包括了用模糊语言变量表示的一系列控制规则。
它们反映了控制专家的经验和知识。
1.2 模糊控制器的结构◆模糊推理模糊推理是模糊控制器的核心，它具有模拟人的基于模糊概念的推理能力。
◆清晰化作用：将模糊推理得到的模糊控制量变换为实际用于控制的清晰量。
包括：1) 将模糊量经清晰化变换成论域范围的清晰量。
2) 将清晰量经尺度变换变化成实际的控制量。
1.3 模糊控制器的维数模糊控制器输入变量的个数称为模糊控制器的维数。
对于单输入单输出的控制系统，一般有以下三种情况：一维模糊控制器一个输入：误差；输出为控制量或控制量的变化。
二维模糊控制二个输入：误差及误差的变化。
三维模糊控制器三个输入为输入：误差、误差的变化、误差变化的速率。
第二节模糊控制系统的基本原理2.1 模糊化运算（Fuzzification）2.2 清晰化计算（Defuzzification）2.3 数据库（Data base）2.4 规则库（Rule base）2.4 模糊推理（Fuzzy Inference）2.1 模糊化运算（Fuzzification）模糊化运算是将输入空间的观测量映射为输入论域上的模糊集合。
首先需要对输入变量进行尺度变换，将其变化到相应的论域范围，然后将其模糊化，得到相应的模糊集合。
第3章 模糊控制系统在过去30年中，模糊控制也是智能控制的一个十分活跃的研究与应用领域。
Zadeh 于1935年提出的模糊集合成为处理现实世界各类物体的方法。
此后，对模糊集合和模糊控制的理论研究和实际应用获得广泛开展。
模糊控制是一类应用模糊集合理论的控制方法。
模糊控制的价值可从两个方面来考虑。
一方面，模糊控制提出一种新的机制用于实现基于知识（规则）甚至语义描述的控制规律。
另一方面，模糊控制为非线性控制器提出一个比较容易的设计方法，尤其是当受控装置（对象或过程）含有不确定性而且很难用常规非线性控制理论处理时，更是有效。
专家控制系统与模糊逻辑控制（FLC ）系统至少有一点是相同的，即两者都想要建立人类经验和决策行为模型。
然而，它们存在一些明显的区别：(1) 现存的FLC 系统源于控制工程而不是人工智能；(3) FLC 模型绝大多数为基于规则系统；(3) FLC 的应用领域要比专家控制系统窄；(4) FLC 系统的规则一般不是从人类专家提取，而是由FLC 的设计者构造的。
因此，有必要从专家控制系统中分出模糊控制系统，在本章独立讨论。
本章将首先简述用于控制的模糊集合和模糊逻辑的基本知识；然后讨论模糊逻辑控制器的类型、结构、设计和特性；最后举例说明FLC 的应用。
3.1 模糊控制的数学基础模糊控制是建立在模糊集合和模糊逻辑的基础上的，本节将简要地介绍模糊控制要用到的模糊数学的基本概念、运算法则、模糊逻辑推理和模糊判决等。
3.1.1 模糊集合、模糊逻辑及其运算首先，让我们介绍模糊集合与模糊逻辑的若干定义。
设为某些对象的集合，称为论域，可以是连续的或离散的；表示的元素，记作={}。
定义3.1 模糊集合（fuzzy sets ）论域到[0,1]区间的任一映射，即: →[0,1]，都确定的一个模糊子集；称为的隶属函数（membership function ）或隶属度（grade of membership ）。
