智能控制导论 # 模糊控制 - 理论基础：模糊数学 1 模糊集合和隶属度

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：

1. Zadeh表述法
2. 序偶表述法
3. 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$u_A$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。