【模糊逻辑】Type-1 Fuzzy Systems
3.1 第一类模糊系统(Type-1 Fuzzy Systems)
该系统由规则、模糊化器、推理引擎、去模糊化器构成。其中输入为具体的 x ′ x' x′,而输出y则是 x ′ x' x′的非线性函数,即 y = x ′ y=x' y=x′。本章节的主要任务就是对以上系统的各模块进行介绍,并构造该非线性函数。
3.2 规则(Rules)
以下介绍非常重要且常见的6种规则:
Incomplete IF Rules
假设有p个输入,现在有一规则仅需对其中m个输入(子集)进行前提判断,例如
如果
x
1
x_1
x1是
F
1
F_1
F1,…,并且
x
m
x_m
xm是
F
m
F_m
Fm,则y是G。
此处,m+1到p的输入则没有进行规则进行判断。如果将IN表示为Incomplete的缩写,可以将将其转换为complete IF rules
Mixed Rules
并非所有的规则都适用“and”来连接,有些适用“or”,或者两者都同时使用;
其中将以上的规则,转换为两条规则
Fuzzy Statement Rules
有些规则没有任何前提(antecedent),是对涉及的模糊集的描述。
Comparative Rules
有些规则是具有比较性的,例如
用IF-THEN规则,可以表述如下
Unless Rules
一些规则适用“unless”来进行连接,例如
将其转换为IF-THEN规则
利用De Morgan’s Law,可以将上式拆分为
Quantifier Rules
该规则一般涉及到一些量词“some”、“all”。
3.3模糊化器(Fuzzifier)
单例模糊化器(Singleton Fuzzifier),先前介绍过其MF
μ
A
∗
(
x
)
\mu_{A^*}(x)
μA∗(x),可以表示如下
μ
X
(
x
)
=
{
1
,
x
=
x
′
0
,
x
≠
x
′
\mu_{X}(x)= \left\{ \begin{array}{lr} 1 ,x=x^{'} & \\ 0 ,x\ne x^{'} & \end{array} \right.
μX(x)={1,x=x′0,x=x′
对于非单例模糊化器(Non-Singleton Fuzzifier),它存在
μ
X
(
x
′
)
=
1
\mu_{X}(x')=1
μX(x′)=1,并且其余值随
x
′
x'
x′相距变远而MF值递减。
典型的例子可以有三角MF和高斯MF。
为何要引入非单例模糊化器?
如果给定一个具体的值,在没有噪声影响下,其必然是精确的,适用单例模糊化器;
但是,在现实情况下,往往受到白噪声的影响,那么其
x
′
x'
x′依然是最有可能的,当然也有很大可能是其邻近值。
3.4 模糊推理引擎(Fuzzy Inference Engine)
3.4.1 综合结果
此处我们以Mamdani模糊系统来讲述,如下图所示,来对该模糊推理引擎进行研究
有
F
1
l
×
.
.
.
×
F
p
l
=
A
l
F_1^l\times...\times F_p^l=A^l
F1l×...×Fpl=Al
其中
R
Z
l
R_Z^l
RZl的MF隶属函数
μ
R
Z
l
(
x
,
y
)
\mu_{R_Z^l}(\bold{x},y)
μRZl(x,y)
可将上式利用三角模算子(T-norm)连接,其中
T
i
=
1
p
T_{i=1}^p
Ti=1p表示利用T-nrom进行连续连接
对于p维输入,可以表示为
通过sup-star组合来对输入模糊集与输出进行非线性映射(不记得sup-star组合的,可以去看下之前的文章,这里放了传送门),可得到
将前面的输入模糊集对应的MF以及规则对应的MF分别带入
此处着重研究(3.11)最后一行的大括号中的部分,我们称其为firing level
值得注意的是,对于确定的x’来说,其实上式的结果为一个具体的数值,而非函数;
而这里我们认为其数值的变化,依赖于x’。
可以将原先复杂的(3.11)表示为
可以留意到,如果上式为两部分T-norm结合而来,如果firing level为全零,则说明该规则没有起作用(not fire),所以输出的y为零。
将firing level每一项分开表示
firing level可以用T-norm连续连接来表示