【模糊逻辑】Type-1 Fuzzy Systems-1

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$x^{\prime }$，而输出y则是$x^{\prime }$的非线性函数，即$y=x^{\prime }$。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$x_1$是$F_1$，…，并且$x_m$是$F_m$，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${\mu }_{A^{\ast }}(x)$，可以表示如下
$${\mu }_X(x)=\{\begin{array}{lr}1,x=x^{{}^{\prime }}& \\ 0,x\ne x^{{}^{\prime }}& \end{array}$$
对于非单例模糊化器(Non-Singleton Fuzzifier)，它存在${\mu }_X(x^{\prime })=1$，并且其余值随$x^{\prime }$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$x^{\prime }$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$F_1^l\times ...\times F_p^l=A^l$

其中$R_Z^l$的MF隶属函数${\mu }_{R_Z^l}(\mathbf{x},y)$

可将上式利用三角模算子（T-norm）连接，其中$T_{i=1}^p$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