matlab 模糊控制 输出隶属度函数,模糊控制中的隶属度函数怎么确定

满意答案

02ae427d08e371d7e90d5b995e828d6d.png

ZCD1993

2016.12.28

02ae427d08e371d7e90d5b995e828d6d.png

采纳率:47%    等级:12

已帮助:9218人

你说的应该是模糊控制的隶属度函数吧 (1)模糊统计法:   模糊统计法的基本思想是对论域U上的一个确定元素vo是否属于论域上的一个可变动的清晰集合A3作出清晰的判断.对于不同的试验者,清晰集合 A3可以有不同的边界,但它们都对应于同一个模糊集A.模糊统计法的计算步骤是:在每次统计中, vo是固定的,A3的值是可变的,作 n次试验,其模糊统计可按下式进行计算   v0对 A 的隶属频率 = v0∈A 的次数 / 试验总次数 n    随着 n的增大,隶属频率也会趋向稳定,这个稳定值就是 vo对A 的隶属度值.这种方法较直观地反映了模糊概念中的隶属程度,但其计算量相当大.   (2)例证法:   例证法的主要思想是从已知有限个μA的值,来估计论域 U 上的模糊子集 A 的隶属函数.如论域 U代表全体人类,A 是“高个子的人”.显然 A 是一个模糊子集.为了确定μA,先确定一个高度值 h,然后选定几个语言真值(即一句话的真实程度)中的一个来回答某人是否算“高个子”.如语言真值可分为“真的”、“大致真的”、“似真似假”、“大致假的”和“假的”五种情况,并且分别用数字1、0.75、0.5、0.25、0来表示这些语言真值.对 n个不同高度h1、h2、…、hn都作同样的询问,即可以得到 A 的隶属度函数的离散表示.   (3)专家经验法:   专家经验法是根据专家的实际经验给出模糊信息的处理算式或相应权系数值来确定隶属函数的一种方法.在许多情况下,经常是初步确定粗略的隶属函数,然后再通过“学习”和实践检验逐步修改和完善,而实际效果正是检验和调整隶属函数的依据.   (4)二元对比排序法:   二元对比排序法是一种较实用的确定隶属度函数的方法.它通过对多个事物之间的两两对比来确定某种特征下的顺序,由此来决定这些事物对该特征的隶属函数的大体形状.二元对比排序法根据对比测度不同,可分为相对比较法、对比平均法、优先关系定序法和相似优先对比法等. 编辑本段举例

03分享举报

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
matlab隶属度函数通常用于模糊逻辑控制系统(FLC)和模糊集合论隶属度函数是一个将实数映射到[0,1]之间的函数,用于描述一个元素在某个模糊集合所占的比例大小,通常用符号μ表示。 在matlab隶属度函数可以通过定义数学函数来实现,比如sigmoid函数,高斯函数等。以下是一个使用matlab隶属度函数处理数据的例子: 假设我们有一组评分数据,数据范围为0到10,想将这些数据归一化为模糊集合“低”,“”,“高”,并用隶属度函数表示它们在各个模糊集合所占的比例大小。 1. 首先,我们定义三个隶属度函数,用于表示“低”,“”,“高”这三个模糊集合: mu_low = @(x) max(0, 1 - x/5); % “低”集合的隶属度函数 mu_mid = @(x) max(0, min(x/5, 2-x/5)); % “”集合的隶属度函数 mu_high = @(x) max(0, (x-5)/5); % “高”集合的隶属度函数 在上述定义,函数输入为对应的数据,函数输出为该数据在对应模糊集合的隶属度大小。 2. 接下来,我们可以使用定义好的隶属度函数来处理我们的评分数据,计算它们在每个模糊集合的隶属度大小: % 评分数据 scores = [2, 5.5, 7, 9, 3, 6.5, 8]; % 计算隶属度大小 low_degree = arrayfun(mu_low, scores); mid_degree = arrayfun(mu_mid, scores); high_degree = arrayfun(mu_high, scores); 在上述代码,arrayfun函数可以对输入的数据向量应用指定的函数,并返回输出向量。 3. 最后,我们可以将隶属度大小可视化出来,以更直观地了解数据在各个模糊集合所占比例: % 可视化隶属度大小 figure(); plot(scores, low_degree, '-o', 'LineWidth', 2); hold on; plot(scores, mid_degree, '-o', 'LineWidth', 2); plot(scores, high_degree, '-o', 'LineWidth', 2); xlabel('评分'); ylabel('隶属度大小'); legend('低', '', '高'); 在上述可视化,评分为x轴,隶属度大小为y轴。每个数据点在三条曲线的位置,即为在对应模糊集合所占比例。从图可以看出,评分较低的数据更多地靠近“低”集合,评分较高的数据更多地靠近“高”集合,评分等的数据则更多地靠近“”集合。 综上,通过定义数学函数来表示隶属度函数,并使用arrayfun函数计算输入数据在各个模糊集合的隶属度大小,可在matlab使用隶属度函数处理数据。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值