【计算智能】读书笔记 第三章节 模糊逻辑


1. 定义

  • 模糊逻辑使用隶属度来代替布尔真值的逻辑,
  • 当系统的复杂性达到一定程度,就不能够对系统进行既精确又有效的描述(不相容原理
  • 在模糊逻辑中, 一个命题不再非真即假,它可以被认为是“部分的真”
  • 尽管以“模糊”为名,但模糊逻辑本身并非捉摸不定的

2. 模糊集合与模糊逻辑

判别一个元素是否属于A的模糊逻辑特征定义
f A ( x ) = { 1 , x ∈ A 0 , x ∉ A f_A(x)= \begin{cases}1, & x \in A \\ 0, & x \notin A\end{cases} fA(x)={1,0,xAx/A

这种情况下, 一个元素只有完全属于A 和完全不属于A 两种情况,任何中间情况都是不存在的

2.1 沙堆悖论

1

“沙堆”这个概念是模糊的, 没有一个清晰的界限将“沙堆” 与“非沙堆”分开。

2.2 模糊集合理论的提出

  • 模糊集合理论在一定程度上解决了这个问题,为区别于经典集合, 可以将一个模糊集合记作A(下划波浪线)

2.3 模糊集合的表现方法

2.3.1 Zadeh 表示法

该表示法的根据是Zadeh 教授对模糊集合的定义。当论域U 为离散集合时, 一个模
糊集合可以表示为:
A ∼ = ∑ w ∈ U μ A ( u ) u \underset{\sim}{A}=\sum_{w \in U} \frac{\mu_A(u)}{u} A=wUuμA(u)
当论域U 为连续集合时, 一个模糊集合A 可以表示为:

A = ∫ u μ A ( u ) u A=\int_u \frac{\mu_A(u)}{u} A=uuμA(u)
需要注意的是,这里仅仅是借用了求和与积分的符号, 并不表示求和或积分

2.3.2 序对表示法

其中,序对由论域中的一个元素u, 以及u 对模糊集合A 的隶属度构成


2.4 模糊集合函数

对于模糊集合来说,隶属度函数十分重要,一个模糊集合可以杯其隶属度函数唯一定义。
在上面的例子中,隶属度函数是一个分段函数,每一段都是线性的,但是事实上,隶属度函数可以分为下面几种:

  • 三角形函数

2

  • 梯形函数

3

  • sigmoid函数

在这里插入图片描述


2.5 模糊逻辑推理

2.5.1 模糊规则

  • 语言变量

    • 语言变量为一个五元组(u, T(u), U, G, M)构成
    • 其中
      • u 为变量名, 如“张三"
      • U 是u 的论域, 如[20kg, 120kg]
      • T(x) 是语言变噩取值的集合,如{ 瘦, 中等, 胖, … }
      • G 为语法规则
      • M 为语义规则
  • 语言算子

在自然语言中,常常用”可能”、“大约”、“比较”、“很”等词语来进行修饰

  • 当H 为“极”时, HC = C4 , 即对每个元素的隶属度取4 次方。

  • 当H 为“很”时, HC = C2 , 即对每个元素的隶属度取2 次方。

  • 当H 为“较”时, HC = C。气即对每个元素的隶属度取0. 5 次方。

  • 当H 为“稍”时, HC = Co.2s ’ 即对每个元素的隶属度取0.25次方。

  • "如果一则” 规则

If x is A then y is B (若X 是A, 那么y 是B)
规则:“如果张三比较胖则运动量比较大”

  • 最常见的两种运算
    • 最小运算Re (Mamdani)
    • 积运算RP (Larsen)

模糊逻辑关系的函数的模糊蕴含关系,有两种常见的运算,分别是最小运算积运算,其定义式子如下所示
R c ( x , y ) = μ A ( x ) ∧ μ B ( y ) R P ( x , y ) = μ A ( x ) × μ B ( y ) \begin{aligned} &R_c(x, y)=\mu_A(x) \wedge \mu_B(y) \\ &R_P(x, y)=\mu_A(x) \times \mu_B(y) \end{aligned} Rc(x,y)=μA(x)μB(y)RP(x,y)=μA(x)×μB(y)


3. 模糊计算

基本思想

  • 模糊规则库
  • 模糊化
  • 推理方法
  • 去模糊化

模糊逻辑计算的算法流程:

  1. 输入变量模糊化并激活相应的规则
  2. 计算模糊控制规则的强度
    1. 规则的强度越大,对输出就越有指导作用
    2. 如果隶属度较为低下,则可以证明这条规则的强度并不大
  3. 确定模糊输出

2


4. 模糊逻辑与神经网络的区别与联系

33

当规则数目过大时, 由专家提供模糊系统的全部规则变得不具可操作性。这时,将模系统和神经网络结合,通过神经网络的自适应学习获得部分规则, 不失为一种解决方法。

模糊系统适合于描述自然语言与人类思维中的模糊性, 而神经网络具有学习、联想、记忆的能力。模糊系统与神经网络结合, 实现了优势互补, 除了神经网络的经典应用外,其应用范围已涵盖了机械控制、图像处理、电力系统等领域。


写在最后

各位看官,都看到这里了,麻烦动动手指头给博主来个点赞8,您的支持作者最大的创作动力哟!
才疏学浅,若有纰漏,恳请斧正
本文章仅用于各位作为学习交流之用,不作任何商业用途,若涉及版权问题请速与作者联系,望悉知

  • 2
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值