智能控制中解决控制问题并没有对被控对象进行精确的数学建模。
模糊控制是模拟人类的语言系统来进行控制,人类的语言描述中就具有模糊性。
更完善的引入见我的另一篇文章:link~
在《智能控制导论》系列中不会涉及琐碎的细节。
- 如何才能使计算机模拟人类的语言系统呢?
这就涉及到模糊数学
了。模糊数学就是搭建起了精确数字到模糊推理之间的一个桥梁。
模糊数学中的三个重要概念:
- 模糊集合
- 模糊关系
- 模糊推理
在语言描述中有这么一类集合,其中的元素以呆种程度隶属于这个集合,这类集合我们称之为“模糊集合”,而每个元素属于这个集合的程度,我们称之为该元素的“隶属度”
例子:
概念
模糊集合:其值以某种程度隶属于这个集合。(年轻、高温、大)
论域:被讨论的对象。例如:年龄、温度、体积。
论域元素:被讨论对象的取值。(可以是连续或者离散)
以去果园摘苹果为例:
模糊集合:大苹果
论域:苹果的重量
论域元素:苹果重量的不同取值
模糊集合的表示
当论域元素为离散时,有三种表述法:
- Zadeh表述法
- 序偶表述法
- 向量表述法
省略了论域元素
模糊集合的基本运算
论域中的每一个元素对A的隶属度都为0。
论域中的每一个元素对A的隶属度都为1。
(讨论的前提是A\B论域元素相同
第一个图表示A和B的隶属度函数(纵轴为隶属度、横轴为论域
模糊集合运算性质
在上面进行模糊集合求并集和交集的过程中采用了最大和最小运算,除此之外还有别的算子
我们统称这样的运算为:模糊算子 (作用为两个模糊集合的论域元素)
隶属度及隶属函数
这类集合内的元素以某种程度的属于这个集合,我们把属于的程度起名为隶属度。
当论域为连续域时,隶属度就变成了隶属度函数
此处:积分符号不代表数学上的积分运算,而是代表论域上的元素u与隶属度
u
A
u_A
uA之间对应关系的一个总括。
这个时候隶属度就用一个连续的曲线来表示:
横坐标代表论域上的元素,纵坐标代表隶属度
- 这个在解模糊化的时候很常用
a和c分别代表三角形底部的2个点的横坐标,b代表三角形的顶点横坐标
同时这个函数的定义域是总体论域,不能认为只包含中间三角形部分
使用高斯函数设计隶属度的例子:
如何确定隶属度函数?
-
模糊统计法
一般用于对模糊关系不明确的情况 -
主观经验法
结合个人经验,经过分析和推理,直接给出隶属度。(通常采用的方法) -
神经网络法
利用神经网络的学习功能,由神经网络自动生成隶属度函数,并通过网络的学习自动调整隶属度。