下载文档原格式
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。
简述模糊逻辑的原理及应用1. 模糊逻辑的原理模糊逻辑是一种处理不确定性的逻辑系统，它与传统的二值逻辑不同，允许命题的真值范围在0和1之间连续变化。
模糊逻辑的原理基于模糊集合理论，将模糊概念引入逻辑推理中。
1.1 模糊概念在传统的二值逻辑中，一个命题的真值只能是0或1，即假或真。
而在模糊逻辑中，一个命题的真值可以是介于0和1之间的任何数值，表示命题的模糊程度。
例如，对于命题“这个苹果是红色的”，在二值逻辑中只能是真或假，而在模糊逻辑中可以是0.8，表示这个苹果的红色程度为80%。
1.2 模糊集合模糊逻辑中的模糊概念可以通过模糊集合来表示。
模糊集合是一种将元素的隶属度（即属于该集合的程度）表示为0到1之间的数值的数学概念。
例如，对于集合A表示“高个子人”的模糊集合，一个人的身高可以有不同程度地属于这个集合，如0.7表示这个人身高高度的程度为70%。
1.3 模糊逻辑运算模糊逻辑运算是对模糊概念进行推理和运算的方法。
常用的模糊逻辑运算包括模糊与、模糊或、模糊非等。
例如，对于命题“这个苹果既酸又甜”，可以通过模糊与来计算这个命题的模糊程度，假设酸度为0.8，甜度为0.6，则命题的模糊程度为0.6。
2. 模糊逻辑的应用模糊逻辑在实际应用中具有广泛的应用价值，以下列举了几个常见的应用领域。
2.1 模糊控制模糊控制是模糊逻辑在控制系统中的应用。
传统的控制系统通常基于精确的数学模型和准确的输入输出关系，而模糊控制则可以处理不确定性和模糊性的问题。
例如，模糊控制可以根据当前的温度和湿度来调节空调的工作状态，使室内温度保持在一个舒适的范围内。
2.2 模糊推理模糊推理是模糊逻辑在人工智能领域中的应用。
在传统的推理系统中，逻辑规则通常是二值的，而模糊推理则可以处理模糊概念的推理问题。
例如，假设有一个模糊推理系统用于判断一个人的健康状况，系统可以根据一些模糊规则和输入的模糊数据来判断这个人的健康状况是好、一般还是差。
2.3 模糊识别模糊识别是模糊逻辑在模式识别领域中的应用。
数学中的模糊数学与模糊逻辑数学作为一门严谨的学科，几乎在每个人的学习生涯中都会接触到。
然而，在实际应用中，我们常常会遇到一些不确定、模糊的问题。
为了更好地解决这类问题，数学家们引入了模糊数学与模糊逻辑的概念。
本文将探讨数学中的模糊数学与模糊逻辑的基本原理和应用。
一、模糊数学的基本原理模糊数学是对现实世界中不确定性问题的数学描述与处理方法的研究。
它针对真实世界中事物属性的模糊性，引入了隶属度的概念，用来描述事物属性的模糊程度。
在模糊数学中，一个模糊数可以用一个隶属函数来表示，该函数将取值范围映射到[0,1]之间，表示某个数值与一个模糊概念之间的关联程度。
模糊数的运算是模糊数学的核心内容之一。
在模糊数学中，模糊数之间可以进行加、减、乘、除等基本运算。
这些运算的结果也是一个模糊数，用来描述事物属性的不确定性。
二、模糊数学的应用领域1. 模糊控制模糊控制是模糊数学的一种重要应用。
它通过对输入和输出之间的关系建立模糊规则，并根据规则进行推理和决策，实现对复杂系统的控制。
相比于传统的控制方法，模糊控制在处理不确定性和模糊性的问题上具有较大的优势，适用于很多实际工程项目。
2. 模糊聚类模糊聚类是一种聚类分析方法，用于将具有模糊性质的数据进行分类。
传统的聚类方法在处理模糊数据时存在局限性，而模糊聚类能够克服这些问题。
它通过计算数据点与聚类中心之间的相似性来确定聚类结果，能够更好地适应模糊性、不确定性的数据。
3. 模糊决策在实际决策中，常常会遇到多个因素相互影响、信息不完全的情况。
模糊决策方法通过引入模糊数学的概念，将各个因素的不确定性进行量化，并通过模糊推理来得出最终的决策结果。
这种方法可以有效地应对实际决策中的不确定性、模糊性问题。
三、模糊逻辑的基本原理模糊逻辑是一种扩展了传统二值逻辑的逻辑系统。
与传统二值逻辑只有真和假两种取值不同，模糊逻辑引入了隶属度的概念，使命题在真和假之间具有连续性。
在模糊逻辑中，命题的真值（隶属度）表示命题的可信度或确定程度。
模糊我们如何使用模糊来处理矛盾和不确定性模糊：我们如何使用模糊来处理矛盾和不确定性矛盾和不确定性是人们生活中常常会遇到的问题。
而在解决这些问题时，模糊逻辑成为了一种有效的工具。
模糊逻辑是一种能够处理非黑即白、存在灰色地带的方法，它可以帮助我们更好地理解和解决矛盾和不确定性。
本文将探讨模糊逻辑的原理，并介绍如何使用模糊来处理矛盾和不确定性。
一、模糊逻辑的基本原理模糊逻辑是对传统的二元逻辑进行了拓展，它引入了一个介于0和1之间的数值，用来表示事物的模糊程度。
在模糊逻辑中，一个命题可以是部分真和部分假的，而不仅仅局限于真和假两种状态。
模糊逻辑的基本原理是使用隶属函数来表示事物的模糊程度。
隶属函数是一个定义在取值范围内的曲线，它描述了一个事物在不同程度上属于某个模糊集合。
二、模糊逻辑的应用1. 模糊集合在模糊逻辑中，使用模糊集合来表示模糊概念。
一个模糊集合可以被描述为一个隶属函数的集合，其中每个隶属函数表示了一个事物的模糊程度。
例如，在处理温度时，我们可以定义一个“热”的模糊集合，它包括了不同程度的热。
隶属函数可以描述出在不同温度下，一个事物属于“热”这个概念的程度。
2. 模糊推理模糊推理是模糊逻辑的核心概念之一。
它通过将输入的模糊命题与模糊规则相结合，得出一个模糊的结论。
在模糊推理中，使用模糊规则来定义不同模糊条件之间的关系。
这些模糊规则描述了模糊逻辑中的“如果…那么…”关系，用来指导模糊逻辑推理的过程。
3. 模糊控制模糊控制是模糊逻辑的一种应用。
它利用模糊逻辑来构建控制系统，用来处理输入和输出之间的模糊关系。
模糊控制器由模糊规则库、模糊推理机和输出的解模糊器组成。
它可以根据输入的模糊命题和模糊规则库，进行模糊推理，得出一个模糊的控制信号，然后通过解模糊器将其转化为具体的输出。
三、模糊逻辑的优势和局限性1. 优势模糊逻辑相比传统的二元逻辑具有以下优势：- 能够处理不确定性和模糊性：模糊逻辑可以更好地处理矛盾和不确定性的问题，它能够准确地描述事物的模糊程度。
模糊控制系统的工作原理模糊控制系统是一种常用于处理复杂控制问题的方法，其原理是通过模糊化输入变量和输出变量，建立模糊规则库，从而实现对非精确系统的控制。
本文将详细介绍模糊控制系统的工作原理。
一、模糊化输入变量模糊化输入变量是模糊控制系统的第一步，其目的是将非精确的输入变量转化为可处理的模糊语言变量。
这一步骤一般包括两个主要的过程：隶属函数的选择和输入变量的模糊化。
对于每一个输入变量，需要选择合适的隶属函数来表示其模糊化程度。
常用的隶属函数包括三角形隶属函数、梯形隶属函数、高斯隶属函数等。
通过调整隶属函数的参数，可以控制输入变量的隶属度，进而确定输入变量的模糊程度。
在选择隶属函数之后，需要对输入变量进行模糊化处理。
这是通过将输入变量与相应的隶属函数进行匹配，确定输入变量在每个隶属函数上的隶属度。
通常采用的方法是使用模糊集合表示输入变量的模糊程度，例如“高度模糊”、“中度模糊”等。
二、建立模糊规则库建立模糊规则库是模糊控制系统的核心部分，其目的是将模糊化后的输入变量与模糊化后的输出变量之间的关系进行建模。
模糊规则库一般由若干个模糊规则组成，每个模糊规则由一个或多个模糊条件和一个模糊结论组成。
模糊条件是对输入变量进行约束的条件，而模糊结论则是对输出变量进行控制的结果。
在建立模糊规则库时，需要根据具体控制问题的特点和实际需求，确定合适的模糊规则。
一般情况下，通过专家经验或者实验数据来确定模糊规则，以得到最佳的控制效果。
三、推理机制推理机制是模糊控制系统的关键环节，其目的是通过将输入变量的模糊程度与模糊规则库进行匹配，得到对输出变量的模糊控制。
推理机制一般包括模糊匹配和模糊推理两个步骤。
在模糊匹配的过程中，根据输入变量的模糊程度和模糊规则的条件，计算每个模糊规则的激活度。
激活度是输入变量满足模糊规则条件的程度，可以通过模糊逻辑运算进行计算。
在模糊推理的过程中，根据模糊匹配的结果和模糊规则库中的模糊结论，使用模糊逻辑运算得到对输出变量的模糊控制。
模糊逻辑与模糊控制的基本原理在现代智能控制领域中，模糊逻辑与模糊控制是研究的热点之一。
模糊逻辑可以应用于形式化描述那些非常复杂，无法准确或完全定义的问题，例如语音识别、图像处理、模式识别等。
而模糊控制可以通过模糊逻辑的方法来设计控制系统，对那些难以表达精确数学模型的问题进行控制，主要用于不确定的、非线性的、运动系统模型的控制。
本文主要介绍模糊逻辑和模糊控制的基本原理。
一、模糊逻辑的基本原理模糊逻辑是对布尔逻辑的延伸，在模糊逻辑中，各种概念之间的相互关系不再是严格的，而是模糊的。
模糊逻辑的基本要素是模糊集合，模糊集合是一个值域在0和1之间的函数，它描述了一个物体属于某个事物的程度。
以温度为例，一般人将15℃以下的温度视为冷，20至30℃为暖，30℃以上为热。
但是在模糊逻辑中，这些概念并不是非黑即白，而可能有一些模糊的层次，如18℃可能既不是冷又不是暖，但是更接近于暖。
因此，设180℃该点的温度为x，则可以用一个图形来描述该温度与“暖”这个概念之间的关系，这个图形称为“隶属函数”或者“成员函数”图。
一个隶属函数是一个可数的、从0到1变化的单峰实函数。
它描述了一个物体与一类对象之间的相似程度。
对于温度为18℃的这个例子，可以用一个隶属函数来表示其与“暖”这一概念之间的关系。
这个隶属函数，可以用三角形或者梯形函数来表示。
模糊逻辑还引入了模糊关系和模糊推理的概念。
模糊关系是对不确定或模糊概念间关系的粗略表示，模糊推理是指通过推理机来对模糊逻辑问题进行判断和决策。
二、模糊控制的基本原理在控制系统中，通常采用PID控制或者其他经典控制方法来控制系统，但对于一些非线性控制系统，这些方法越发显得力不从心。
模糊控制是一种强大的、在处理非线性系统方面表现出色的控制方法。
它通过对遥测信号进行模糊化处理，并将模糊集合控制规则与一系列的控制规则相关联起来以实现控制。
模糊控制的基本组成部分主要包括模糊化、模糊推理、去模糊化等三个步骤。
模糊控制器是一种基于模糊逻辑理论的控制系统，它利用模糊集合的概念来描述模糊输入和输出，通过模糊规则和模糊推理实现对系统的控制。
模糊控制器的组成主要包括模糊化、模糊推理、解模糊和规则库四个部分，每个部分都有其独特的用途。
1. 模糊化模糊化是将系统的实际输入转化为模糊集合的过程。
在模糊控制系统中，输入往往是模糊的、不确定的，因此需要将这些模糊的输入转化为模糊集合。
模糊化的主要目的是将具体的输入转化为模糊语言值，如“很冷”、“冷”、“适中”、“热”、“很热”等，以便更好地描述系统的输入状态。
2. 模糊推理模糊推理是模糊控制器的核心部分，它用于根据模糊规则和模糊输入来得出模糊输出。
模糊推理的过程是基于一系列的模糊规则，这些规则描述了系统输入和输出之间的关系。
通过模糊推理，模糊控制器能够根据输入的模糊语言值，利用模糊规则进行推理，从而得出模糊输出的模糊语言值。
3. 解模糊解模糊是将模糊输出转化为具体的控制量的过程。
在模糊控制系统中，输出往往是模糊的语言值，需要通过解模糊将其转化为具体的控制量。
解模糊的方法有很多种，常见的方法包括最大隶属度法、加权平均法和中心平均法等。
解模糊的目的是将模糊输出转化为可以直接应用于控制系统的具体输出值。
4. 规则库规则库是模糊控制器中存储的一系列模糊规则的集合。
模糊规则描述了系统输入和输出之间的关系，它通常采用“如果…那么…”的形式来表示。
在模糊控制器中，规则库起着至关重要的作用，它包含了系统的专业知识和经验，是模糊控制器能够有效进行模糊推理的基础。
总体来说，模糊控制器的组成部分分别完成了模糊输入的转化、模糊推理的实现、模糊输出的转化和存储的模糊规则，这些部分相互协作，共同实现了对模糊、不确定系统的精确控制。
模糊控制器在工业控制、汽车控制、电力系统控制等领域有着广泛的应用，其独特的优势使其成为一种不可忽视的控制方法。
模糊控制器作为一种基于模糊逻辑理论的控制系统，在实际应用中具有诸多优势。
利用模糊数学的基本思想和理论的控制方法。在传统的控制领域里，控制系统动 态模式的精确与否是影响控制优劣的最主要关键，系统动态的信息越详细，则越 能达到精确控制的目的。然而，对于复杂的系统，由于变量太多，往往难以正确 的描述系统的动态，于是工程师便利用各种方法来简化系统动态， 以达成控制的 目的，但却不尽理想。换言之，传统的控制理论对于明确系统有强而有力的控制 能力，但对于过于复杂或难以精确描述的系统， 则显得无能为力了。因此便尝试 着以模糊数学来处理这些控制问题。
自从Zadeh发展出模糊数学之后，对于不明确系统的控制有极大的贡献， 自七。年代以后，便有一些实用的模糊控制器相继的完成，使得我们在控 制领域中又向前迈进了一大步，在此将对模糊控制理论做一番浅介。
编辑本段
概述 编辑本段 3.1概念 图3.1为一般控制系统的架构，此架构包含了五个主要部分，即 ：定义 变量、模糊化、知识库、逻辑判断及反模糊化，底下将就每一部分做简单 的说明：
(1) 定义变量 也就是决定程序被观察的状况及考虑控制的动作，例如在一般控制问 题上，输入变量有输出误差 E与输出误差之变化率 CE,而控制变量则为下 一个状态之输入 U。其中E、CE、U统称为模糊变量。
⑵模糊化(fuzzify )
将输入值以适当的比例转换到论域的数值，利用口语化变量来描述测 量物理量的过程，依适合的语言值( lin guisitc value )求该值相对之 隶 属度，此口语化变量我们称之为模糊子集合( fuzzy subsets )。
⑶知识库 包括数据库(data base )与规则库(rule base )两部分，其中数据 库是提供处理模糊数据之相关定义；而规则库则藉由一群语言控制规则描 述控制目标和策略。
(4)逻辑判断 模仿人类下判断时的模糊概念，运用 模糊逻辑 和模糊推论法进行推论， 而得到模糊控制讯号。此部分是模糊控制器的精髓所在。
⑸解模糊化(defuzzify )
将推论所得到的模糊值转换为明确的控制讯号，做为系统的输入值。 编辑本段
3.2变量选择与论域分割 3.2.1变量选择 控制变量的选择要能够具有系统特性，而控制变量选择是否正确，对 系统的性能将有很大的影响。例如做位置控制时，系统输出与设定值的误 差量即可当做模糊控制器的输入变量。一般而言，可选用系统输出、输出 变化量、输出误差、输出误差变化量及输出误差量总和等，做为模糊控制 器的语言变量，而如何选择则有赖工程师对于系统的了解和专业知识而定。 因此，经验和工程知识在选择控制变量时占有相当重要的角色。
3.2.2论域分割 前一节提到了控制变量的选择问题，当控制变量确定之后，接下来就 是根据经验写出控制规则，但是在做成模糊控制规则之前，首先必需对模 糊控制器的输入和输出变量空间做模糊分割。例如当输入空间只有单一变 量时，可以用三个或五个模糊集合对空间做模糊分割，划分成三个或五个 区域，如图3.2(a)所示。当输入空间为二元变量时，如采用四条模糊控制 规则，可以将空间分成四个区域，如图 3.2(b)所示。模糊分割即对部分空 间表为模糊状态，图中斜线部分即为对明确的领域。 模糊分割时各领域间重叠的程度大大地影响控制的性能；一般而言， 模集合重叠的程度并没有明确的决定方法，目前大都依靠模拟和实验的调 整决定分割方式，不过最近有些报告提出大约1 /3~1/2最为理想。重叠的 部份意味着模糊控制规则间模糊的程度，因此模糊分割是模糊控制的重要 特征。
3.3隶属度函数的型式 Mamda ni教授最初所用的模糊变量分为连续型和离散型两种型式， 因此 隶属度函数的型式也可以分为连续型与离散型两种。由于语言变量及相对 应隶属度函数的选择，将造成多不同的模糊控制器架构；因此，底下将对 各隶属度函数的型式加以介绍： 1 .连续型隶属度函数 模糊控制器中常见的连续型隶属度函数有下列三种： (1) 吊钟形：如图 3.3(a)所示，其隶属度函数可表示如下： (2) 三角形：如图 3.3(b)所示，其隶属度函数可表示如下： (3) 梯形：如图 3.3所示，其隶属度函数之表示法和三角形相类似。 在式中参数a为隶属度函数中隶属度为1时的x值，参数 W为隶属度 函数涵盖论域宽窄的程度。而图中 NB,NM,NS,ZO,PS,PM,PB等是论域中模糊 集合的标记，其意义如下所示： NB=^方向大的偏差 (Negative Big) NM负方向中的偏差 (Negative Medium) NS=^ 方向小的偏差(Negative Small) ZO=fi于零的偏差(Zero) PS=E 方向小的偏差(Positive Small) PM=E 方向中的偏差(Positive Medium) PB=E方向大的偏差(Positive Big) 图上将模糊集合之全集合加以正规化为区间〔 -1,1〕，在模糊控制上， 使用标准化的模糊变量，其全集也常正规化，这时之正规化常数(亦称为 增益常数)，也是在设计模糊控制器时必须决定的重要参数。 2 .离散型隶属度函数 Mamda ni教授除了使用连续型之外， 另外也使用了全集合由13个元 素所构成的离散合。而且模糊集合之隶属度均以整数表示，这是由于用微 处理机计算时使用整数比用〔 0,1〕的小数更方便，如表 3.1所示。 模糊控制理论发展之初，大都采用吊钟形的隶属度函数，但近几年几 乎都已改用三角形的隶属度函数，这是由于三角形计算上比较简单，且在 性能上正与吊钟形几乎没有差别的缘故。 编辑本段 3 . 4模糊控制规则
控制规则是模糊控制器的核心，规则的正确与否直接影响控制器的性 能，而规则数目的多寡也是一个重要因素，因此底下将对控制规则做进一 步的探讨。
3.4. 1模控制规则的来源 模糊控制规则的取得方式： (1) 专家的经验和知识 前面曾经提到模糊控制也称为控制上的专家系统，专家的经验和知识 是设计上有余力的线索。人类日常生活常中判断事情时，使用语言定性分 析多于数值定量分析；而模糊控制规则提供了一个自然的架构来描述人类 的行为及决策分析，并且专家的知识通常可用 if,.the n 的型式来表示。 藉由询问经验丰富的专家，在获得系统的知识后，将知识改为 if,.the n的型式，贝U如此便可构成模糊控制规则。为了获得最佳的系统性 能，常需多次使用试误法，以修正模糊控制规则。 (2) 操作员的操作模式 现在流行的专家系统，其想法只考虑知识的获得，专家巧妙地操作复 杂的控制对象，但要将专家的诀窍加以逻辑化并不容易；因此，在控制上 也要考虑技巧的获得。在许多工业系统无法以一般的控制理论做正确的控 制，但是熟练的操员在没有数学模式下，也能够成功地控制这些系统；因 此，记录操作员的操作模式，并将其整理为 if,.then 的型式，可构成一 组控制规则。 (3) 学习 为了改善模糊控制器的性能，必须让它有自我学习或自我组织的能力， 得模糊控制器能依设定的目标，增加或修改模糊控制规则。
3.4.2 模糊控制规则的型式 模糊控制规则的型式主要可分为二种： (1) 状态评估模糊控制规则 状态评估(state evaluation )模糊控制规则为类似人类的直觉思考， 所以大多数的模糊控制器都使用这种模糊控制规则， 其型式如下：Ri: if x1 is Ail and x2 is Ai2,.and xn is Ain then y is Ci 其中 x1,x2,,,.,xn
及y为语言变量或称为模糊变量，代表系统的态变量和控制变量； Ai1,Ai2,,.,Ain 及Ci为语言值，代表论域中的模糊集合。其次还有另一 种表示法，是将后件部改为系统状态变量的函数，其型式如下： Ri: if x1 is Ail and x2 is Ai2,.and xn is Ain then y = f 1
(x1,x2,,,.,x n) (2) 目标评估模糊控制规则 目标评估(object evaluation )模糊控制规则能够评估控制目标，并 且预测未来控制信号，其型式如下： Ri: if(U is Ci — (x is A1 and y is B1))then U is Ci
343决定模糊控制规则的流程 实际应用模糊控制时，最初的问题是控制器的设计，即如何设计模糊 控制法则，但到目前为止尚未有像传统的控制理论一样，能借由一套发展 完整的理论推导来设计，其设计概念将于此简单介绍。 图3.4所示为单输入和单输出之定值控制的时间响应图，若使用状态 评估模糊控制规则的型式， 前件部变量为输出的误差 E和在一取样周期内 E 的变化量CE,后件部变量为控制器输出量 U之变化量CU则误差、误差变 化量及控制输出变化量之表示为： 其中E表误差，R表设定值，丫表系统输出，U表控制输出，下标 n表 在时刻n时的状态。由此可知，误差变化量 CE是随输出丫的斜率的符号变 号，当输出上升时， CE<0,下降时CE>0 本文所设计的模糊控制器之输出输入关系为： E,CE— CU 在一般控制的计算法上称为速度型，这是由于其输出为 U对时间的微 分，相当于速度的 CU在构造上也可采用以 U为后件部变量的位置型，但 前件部变量必需改用 E的积分值。 由于由E与CE推论CU的构造，其中CU与E的关系恰巧相当于积分关 系U(t)=Ki / E(t)dt，而 CU与CE的关系相当于比例关系 U(t)=KpE(t)的缘 故，所以又称为 Fuzzy PI控制。
模糊控制 设计模糊控制规则时，是在所设想对控制对象各阶段之反应，记述采取那 一种控制比较好；首先选择各阶段的特征点，记录在模糊控制规则的前件
