推理过程的去模糊化（Defuzzification）方法详解

搏博

于 2025-03-25 14:34:39 发布

阅读量1.5k

点赞数 21

分类专栏：人工智能原理文章标签：算法 python 开发语言人工智能机器学习

本文链接：https://blog.csdn.net/lzm12278828/article/details/146502584

版权

人工智能原理专栏收录该内容

72 篇文章

订阅专栏

准备工作

1.在一个空调阀门控制系统中，模糊推理过程的简化步骤

（1）定义输入变量T和H的隶属函数

（2）建立规则库

（3）计算每个规则的激活强度

（4）聚合所有规则的输出

（5）解模糊化（去模糊化）得到具体数值

2.以下是空调阀门控制系统的完整示例

（1）场景：空调阀门控制系统

（2）输入变量：

温度T=28∘C

湿度H=70%

（3）模糊规则库：

如果T 高且 H 高，则 Y 全开。

如果T 中或 H 中，则 Y 半开。

如果T 低且 H 低，则 Y 关闭。

（4）步骤说明：

1）模糊化：T=28 ∘C 的隶属度：

中温（Medium）：0.8

高温（High）：0.2

2）H=70% 的隶属度：

中湿（Medium）：0.4

高湿（High）：0.6

（5）规则评估：

规则1：激活强度 = min(0.2, 0.6) = 0.2 → 裁剪“全开”隶属函数至高度0.2。

规则2：激活强度 = max(0.8, 0.4) = 0.8 → 裁剪“半开”隶属函数至高度0.8。

规则3：激活强度 = 0 → 无贡献。

（6）聚合：将规则1和规则2的裁剪结果取最大值，得到综合输出隶属度。

（7）解模糊化：使用重心法计算聚合后的隶属度曲线质心，假设得到Y=65%。

3.去模糊化（Defuzzification）在推理过程中的位置

由示例可知，去模糊化是模糊推理的最后一步，目标是将模糊推理输出的隶属度分布转换为精确的数值，用于实际控制或决策。先再次回顾一下去模糊化的前后操作过程：

去模糊化的前一步：聚合 (Aggregation)

（1）目标：将所有规则的输出隶属度合并为一个综合的模糊输出集合。

（2）方法：将每条规则裁剪后的输出隶属函数取最大值或求和，得到最终的模糊输出隶属度分布。

（3）示例的聚合过程：

规则1的裁剪输出为高度0.2的“全开”隶属函数。

规则2的裁剪输出为高度0.8的“半开”隶属函数。

聚合结果 = max(规则1输出, 规则2输出)。

图1 聚合过程

解模糊化 (Defuzzification)

目标：将模糊的输出隶属度转换为精确的控制值（如阀门开度Y=65%）。

图2 解模糊过程

以上内容可以看我的CSND文章：图解模糊推理过程（超详细步骤）-CSDN博客

以下是主流去模糊化方法的超详细介绍：

一、重心法（Centroid Method，面积中心法）

1.重心法原理

计算模糊输出隶属度曲线下面积的质心，将该质心的横坐标作为最终的精确输出值。一个典型的重心法示意图以及具体步骤：

图3 重心法示意图

（1）模糊推理结果：在模糊控制系统中，经过模糊推理后，通常会得到一个模糊输出，这个模糊输出由多个模糊集合（隶属函数）组成，每个模糊集合都有一个相应的隶属度。如图2中，其中一个模糊集合{高度0.8的“半开”隶属函数,高度0.2的“全开”隶属函数}，聚合后的结果为：该集合的隶属度是max(高度0.8的“半开”隶属函数,高度0.2的“全开”隶属函数)=0.8。

（2）隶属度曲线下的面积：对于每个模糊集合，其隶属度函数在定义域内形成一条曲线。曲线与定义域轴之间的区域构成了一个面积（运行空调阀门控制系统，可得如图4中的灰色背景部分，python代码在下面）。

图4 重心法解模糊化

（3）质心计算：质心（重心）是这个面积的中心点，其横坐标即为解模糊后的精确输出值。质心的计算可以通过积分来实现，具体公式如下：

2.步骤

（1）模糊输出隶属度函数：假设我们有三个模糊集合（例如，"低温"、"中温"、"高温"），每个集合都有一个隶属度函数，这些函数在输出变量的定义域内形成不同的曲线。

（2）计算曲线下面积：对于每个模糊集合，计算其隶属度函数曲线与定义域轴之间的面积。这可以通过数值积分方法实现。

（3）确定面积的质心：将所有模糊集合的面积综合考虑，找到这些面积的质心。质心的位置由上述公式计算得出。

（4）最终输出值：质心的横坐标即为解模糊后的精确输出值，它综合了所有模糊集合的信息，给出了一个明确的数值结果。

3.python示例

以下是基于上文提供的场景和步骤的Python实现代码，它将绘制重心法计算聚合后的隶属度曲线，并标识出曲线与轴之间的区域面积以及质心位置：

import numpy as np

import matplotlib.pyplot as plt



# 设置字体为SimHei显示中文

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签

plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号



# 定义三角形隶属函数

def triangular_mf(x, a, b, c):

    # 避免除以零的情况

    if b == a or b == c:

        return np.zeros_like(x)

    return np.maximum(0, np.minimum((x - a) / (b - a), (c - x) / (c - b)))



# 定义裁剪隶属函数

def clip_mf(x, mf, height):

    return np.minimum(mf, height)



# 定义解模糊化（重心法）

def centroid_defuzzification(x, aggregated_mf):

    # 避免除以零的情况

    denominator = np.trapz(aggregated_mf, x)

    if denominator == 0:

        return 0

    return np.trapz(x * aggregated_mf, x) / denominator



# 定义输出变量 Y 的隶属函数

def valve_mf(x):

    # 调整参数以避免除以零的情况

    closed = triangular_mf(x, 0, 10, 50)

    half_open = triangular_mf(x, 20, 50, 80)

    fully_open = triangular_mf(x, 50, 90, 100)

    return closed, half_open, fully_open



# 生成输入值

x_valve = np.linspace(0, 100, 1000)



# 获取隶属函数

closed, half_open, fully_open = valve_mf(x_valve)



# 规则评估

rule1_activation = 0.2  # 规则1的激活强度

rule2_activation = 0.8  # 规则2的激活强度



# 裁剪隶属函数

clipped_fully_open = clip_mf(x_valve, fully_open, rule1_activation)

clipped_half_open = clip_mf(x_valve, half_open, rule2_activation)



# 聚合

aggregated_mf = np.maximum(clipped_fully_open, clipped_half_open)



# 解模糊化

y_centroid = centroid_defuzzification(x_valve, aggregated_mf)



# 绘制图形

plt.figure(figsize=(10, 6))



# 绘制裁剪后的隶属函数

plt.plot(x_valve, clipped_fully_open, 'b--', linewidth=1, alpha=0.7, label='规则1：全开（裁剪后）')

plt.plot(x_valve, clipped_half_open, 'g--', linewidth=1, alpha=0.7, label='规则2：半开（裁剪后）')



# 绘制聚合后的隶属度曲线

plt.plot(x_valve, aggregated_mf, 'r', linewidth=2, label='聚合后的隶属度曲线')



# 填充曲线与轴之间的区域

plt.fill_between(x_valve, aggregated_mf, 0, color='gray', alpha=0.3, label='曲线下的面积')



# 标识质心

plt.axvline(x=y_centroid, color='m', linestyle='--', linewidth=2, label=f'质心 (Y={y_centroid:.2f}%)')



# 设置图形属性

plt.title('重心法解模糊化')

plt.xlabel('冷气阀门打开度 (%)')

plt.ylabel('隶属度')

plt.legend()

plt.grid(True)

plt.show()

代码说明：

（1）三角形隶属函数：定义了三角形隶属函数triangular_mf，用于生成隶属度曲线。

（2）裁剪隶属函数：定义了clip_mf函数，用于根据规则的激活强度裁剪隶属函数。

（3）解模糊化：实现了重心法解模糊化函数centroid_defuzzification，计算聚合后的隶属度曲线的质心。

（4）输出隶属函数：定义了冷气阀门打开度 Y 的三个隶属函数（关闭、半开、全开）。

（5）规则评估与裁剪：根据规则的激活强度裁剪对应的隶属函数。

（6）聚合：将裁剪后的隶属函数取最大值，得到综合隶属度曲线。

（7）绘图：绘制了裁剪后的隶属函数、聚合后的隶属度曲线，并填充了曲线与轴之间的区域，标识出质心位置。

4.特点

（1）优点：输出平滑，综合所有隶属度信息。适合连续控制场景（如温度调节）。

（2）缺点：计算复杂（需积分运算）。实时性较差，适合离线或高算力系统。

（3）适用场景：高精度控制系统（如工业机器人）。

二、最大值平均法（Mean of Maxima, MoM）

1.原理

取隶属度函数达到最大值的所有点，然后计算这些点的平均值作为最终的解模糊化结果。原理步骤：

（1）确定隶属度函数的最大值点：找到隶属度函数μ(y) 达到最大值的所有点y。

（2）计算最大值点的平均值：对这些最大值点进行平均，得到最终的解模糊化值。

公式：

2.python示例

代码如下：

import numpy as np

import matplotlib.pyplot as plt



# 设置字体为SimHei显示中文

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签

plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号



# 定义三角形隶属函数

def triangular_mf(x, a, b, c):

    return np.maximum(0, np.minimum((x - a) / (b - a), (c - x) / (c - b)))



# 定义输出变量 Y 的隶属函数

def valve_mf(x):

    closed = triangular_mf(x, 0, 10, 50)

    half_open = triangular_mf(x, 20, 50, 80)

    fully_open = triangular_mf(x, 50, 90, 100)

    return closed, half_open, fully_open



# 生成输入值

x_valve = np.linspace(0, 100, 1000)



# 获取隶属函数

closed, half_open, fully_open = valve_mf(x_valve)



# 聚合后的隶属度曲线（假设已经通过某些规则得到）

aggregated_mf = np.maximum(half_open, fully_open * 0.7)



# 找到隶属度函数的最大值

max_value = np.max(aggregated_mf)

# 找到所有接近最大值的点，考虑浮点数精度问题

tolerance = 1e-5

max_points = x_valve[np.abs(aggregated_mf - max_value) < tolerance]



# 如果没有找到最大值点，则设置为0

if len(max_points) == 0:

    mom = 0

else:

    # 计算最大值点的平均值

    mom = np.mean(max_points)



# 绘制图形

plt.figure(figsize=(10, 6))



# 绘制聚合后的隶属度曲线

plt.plot(x_valve, aggregated_mf, 'r', linewidth=2, label='聚合后的隶属度曲线')



# 标识最大值点

for point in max_points:

    plt.axvline(x=point, color='b', linestyle='--', linewidth=1, alpha=0.7)



# 标识最大值平均法结果

plt.axvline(x=mom, color='m', linestyle='--', linewidth=2, label=f'MoM 结果 (Y={mom:.2f}%)')



# 填充曲线与轴之间的区域

plt.fill_between(x_valve, aggregated_mf, 0, color='gray', alpha=0.3, label='曲线下的面积')



# 设置图形属性

plt.title('最大值平均法解模糊化')

plt.xlabel('冷气阀门打开度 (%)')

plt.ylabel('隶属度')

plt.legend()

plt.grid(True)

plt.show()

代码说明：

（1）隶属函数定义：定义了三角形隶属函数 triangular_mf，用于生成隶属度曲线。

（2）聚合后的隶属度曲线：假设已经通过某些规则得到了聚合后的隶属度曲线 aggregated_mf。

（3）找到最大值点：通过 np.max 和 np.where 找到隶属度函数的最大值点。

（4）计算平均值：对最大值点进行平均，得到最终的解模糊化值 mom。

（5）绘图：绘制了聚合后的隶属度曲线、最大值点和最大值平均法结果，并填充了曲线下的面积。

图5 最大值平均法的示意图

3.特点

（1）优点：计算简单，实时性强。结果明确，无歧义。

（2）缺点：忽略隶属度分布形状，可能输出不连续。对多峰隶属度敏感。

（3）适用场景：快速决策系统（如电梯调度）。

三、中心平均法（Center Average）

1.原理：对各规则的输出隶属函数中心加权平均。

2.公式：

其中：wi表示第i条规则的激活强度。c i表示第i条规则输出隶属函数的中心点。

3.步骤：

（1）确定每条规则输出隶属函数的中心（如三角形顶点）。

（2）以激活强度为权重，计算加权平均。

4.示例：

规则1：激活强度0.6，中心点5。

规则2：激活强度0.4，中心点8。

最终输出：

。

5.特点

（1）优点：计算效率高，适合实时系统。结合多规则贡献，结果稳定。

（2）缺点：依赖隶属函数中心定义，不适合非对称函数。

（3）适用场景：多规则协作系统（如汽车巡航控制）。

四、高度法（Height Method）

1.原理：取隶属度最大点对应的横坐标值。

2.公式：

3.步骤：

（1）找到隶属度最大的点y。

（2）若有多个相同最大点，取第一个或最后一个。

4.示例：

输出隶属度在y=7 处达到最大值0.9。

最终输出：Y=7。

5.特点

（1）优点：计算极快，适合超实时系统。无需复杂数学运算。

（2）缺点：完全忽略隶属度分布，可能输出跳变。对噪声敏感。

（3）适用场景：低功耗嵌入式系统（如智能家居传感器）。

五、面积平分法（Bisector of Area）

1.原理：找到一条垂直直线，将隶属度曲线下面积平分为两部分。

2.公式：

3.步骤：

（1）计算隶属度曲线总面积。

（2）找到面积平分点Y。

4.特点

（1）优点：输出稳定，对称分布时与重心法一致。对异常值鲁棒性强。

（2）缺点：计算复杂，需迭代求解。

（3）适用场景：需平衡分布权重的场景（如金融风险评估）。

六、最大值左/右法（Left/Right Maximum）

1.原理：取隶属度最大区域的最左或最右端点。

左最大法：取第一个最大值点。

右最大法：取最后一个最大值点。

2.示例：

输出隶属度在区间 [4, 6] 内均为最大值0.8。

左最大法输出Y=4，右最大法输出Y=6。

3.特点

（1）优点：明确倾向保守或激进策略。

（2）缺点：输出偏向极端，可能不稳定。

（3）适用场景：风险偏好明确的决策（如投资策略选择）。

七、方法对比与选择指南

方法	计算复杂度	实时性	平滑性	适用场景
重心法	高	低	高	高精度控制（机器人、温控）
最大值平均法	低	高	中	快速决策（电梯调度）
中心平均法	中	高	中	多规则协作系统（汽车控制）
高度法	极低	极高	低	嵌入式系统（智能家居）
面积平分法	高	低	高	平衡权重场景（风险评估）
左/右最大法	低	高	低	风险偏好决策（金融、医疗）