人工智能基础 | Python实现 洗衣机模糊推理系统

运行环境

---

Pycharm + Anaconda3

已知一组污泥和油脂两个参数的模糊集合，以及对应的洗涤时间推理的结果。

现再给出一组污泥和油脂的模糊集合，进行模糊推理，推出洗涤时间的模糊集合。

最后进行模糊决策，选择洗涤时间的档次，采用最大隶属度 和 加权平均法 两种方法

1. 模糊控制规则

---

“污泥/油脂越多，洗涤时间越长”；
“污泥/油脂适中，洗涤时间适中”；
“污泥/油脂越少，洗涤时间越短”。

测试样例：
污泥 = [0,0.83,0.6]
油脂 = [0, 0.71, 0.7]

污泥和油脂都分为三个档次1、2、3 分别表示程度低、中、高
洗涤时间则分为五个档次，1、2、3、4、5分别表示时间很短、较短、中等、较高、很高

现给出控制的模糊集合污泥[0, 0.5, 1] ， 油脂[0, 0.5, 1] ， 洗涤时间[0, 0.25, 0.5, 0.75, 1]

其中的值表示隶属度，而对应的元素则省略。

程序运行逻辑图

2. 模糊规则控制矩阵

---

该矩阵是通过对污泥和油脂两个模糊集合进行模糊合成的结果，采用的是取大运算（V）。
实现代码

def getRuleMatrix(a, b, r, c):
    data = np.zeros(shape=(r, c), dtype=float)
    for i in range(len(a)):
        for j in range(len(b)):
                data[i][j] = max(a[i], b[j])
    return data
A = getRuleMatrix([0, 0.5, 1], [0, 0.5, 1], 3, 3)

结果
[[0. 0.5 1. ]
[0.5 0.5 1. ]
[1. 1. 1. ]]

3. 模糊关系

---

规则控制矩阵和洗涤时间的模糊关系，表示的是污泥和油脂进行模糊合成后的模糊集合 与 洗涤时间再次进行模糊合成的结果

需要注意的是，再次运算是[3 x 3] 的矩阵与 [1 x 5] 矩阵的计算，这里采用降维将[3 x 3] 转化为[9 x 1] 这样就可以和[1 x 5]矩阵进行模糊合成，最后生成一个[9 x 5] 的模糊关系矩阵。而且这次运算是Λ取小。
实现代码

def getRelation(A, B):
    A = [y for x in A for y in x]
    data = np.zeros(shape=(len(A), len(B)), dtype=float)
    for i in range