【模糊数学基础】Mamdani推理法

Mamdani 推理法

Mamdani 推理法是模糊控制中最常用的推理方法之一，特别适用于模糊控制器设计。它基于模糊逻辑，通过模糊化、模糊规则和去模糊化的过程进行推理和决策。

Mamdani 推理法的主要步骤如下：

1. 模糊化（Fuzzification）：
   将输入变量（ crisp inputs ）转换为模糊集。也就是将实际的数值输入映射到一个模糊集合中，通常是通过隶属度函数进行转换。

2. 规则库（Rule Base）：
   使用一组模糊规则来描述系统的行为，规则的格式通常为“如果 A，则 B”。这些规则采用语言变量（如“低”、“中”、“高”）来表示。

3. 推理（Inference）：
   根据模糊规则库和输入的模糊集合，使用推理机制进行推理。推理的目的是计算每个输出的模糊值，通常是使用“最小-最大”或“乘法-加法”方法。

4. 去模糊化（Defuzzification）：
   将推理得到的模糊集合转换为实际的输出（crisp output）。常见的去模糊化方法有“重心法”或“最大隶属度法”。

---

Mamdani 推理法步骤详解

1. 模糊化

将输入的实际数值（crisp input）转换为模糊集。例如，假设有输入变量“温度”，温度值为 30°C，假设温度的模糊化集合包括“低温”、“中温”和“高温”，每个模糊集合都有相应的隶属度函数，温度 30°C 对应的隶属度可能是：

• 低温：0.1
• 中温：0.7
• 高温：0.2

2. 应用规则库

假设有以下模糊规则：

• 规则 1：如果温度是“低温”，则风速是“慢”
• 规则 2：如果温度是“高温”，则风速是“快”

在规则应用时，我们根据输入的模糊值，确定规则的激活程度。例如，如果温度为 30°C 对应的隶属度是“低温 0.1”，“中温 0.7”，“高温 0.2”，则根据这些隶属度值激活相应的规则。

3. 推理（Inference）

对于每个规则，使用规则的隶属度进行推理。具体地，通过模糊乘法（通常是最小化运算）将输入的隶属度与规则的输出进行结合。例如：

• 对于“低温”规则，输出是“慢”，假设“慢”的隶属度函数是 0.4，则激活度为 $0.1\times 0.4=0.04$。
• 对于“高温”规则，输出是“快”，假设“快”的隶属度函数是 0.8，则激活度为 $0.2\times 0.8=0.16$。

4. 去模糊化

将推理得到的模糊结果转换为实际值。常用的去模糊化方法是重心法（Centroid method）。重心法的公式为：

$y=$