模糊逻辑学习--模糊推理过程

这里推荐搭建先看这个ppt，再看后面matlab的实现，这样你会很清晰，为了赚点积分，这里设置一下积分，抱歉大家了。

详细讲解模糊逻辑的ppt

模糊推理是使用模糊逻辑制定从给定输入到输出的映射的过程。然后，映射提供了基础，从中可以做出决策或识别出模式。模糊推理的过程涉及隶属函数，逻辑运算和If-Then规则中描述的所有部分。

本节介绍了模糊推理过程，并使用双输入，单输出，三规则小费问题的例子基本小费的问题，你在更详细的介绍看到的。下图显示了此示例的基本结构：

 

信息从左到右，从两个输入流到一个输出。规则的并行性质是模糊逻辑系统更重要的方面之一。逻辑不是从基于断点的模式之间进行尖锐的切换，而是从系统行为受一条规则或另一条规则支配的区域平稳地流动。

模糊推理过程包括五个部分：

• 模糊化输入变量

• 模糊算子（AND或OR）在先行词中的应用

• 从前到后的含义

• 跨规则汇总结果

• 模糊化

甲模糊推理图显示模糊推理过程的所有部分-从模糊化通过去模糊化。

步骤1.模糊化输入

第一步是获取输入，并通过隶属函数确定输入所属的适当模糊集的程度。在Fuzzy Logic Toolbox™软件中，输入始终是一个清晰的数值，限于输入变量的论述范围（在这种情况下为0到10之间的间隔），而输出则是合格语言集中的模糊隶属度（总是介于0和1之间的间隔）。输入的模糊化等于表查找或功能评估。

该示例基于三个规则，每个规则都取决于将输入分解为许多不同的模糊语言集：服务差，服务好，食物腐烂，食物可口，等等。在评估规则之前，必须根据这些语言集中的每一个对输入进行模糊处理。例如，食物在多大程度上真正美味？下图显示了假设餐厅的食物（等级从0到10）通过语言的隶属度，其作为语言变量的美味程度。在这种情况下，我们将食物的等级评定为8，根据您对美味的图形化定义，美味成员关系函数的µ = 0.7。

以这种方式，每个输入都模糊了规则要求的所有合格成员资格函数。

步骤2.应用模糊运算符

在对输入进行模糊处理之后，您将知道每个规则对前提的每个部分的满意程度。如果给定规则的前提有一个以上的部分，则应用模糊算子获得一个数字，该数字表示该规则的前提的结果。然后将此数字应用于输出功能。模糊运算符的输入是来自模糊输入变量的两个或多个隶属度值。输出是单个真值。

如“ 逻辑运算”部分所述，可以为AND运算或OR运算填充任意数量的定义明确的方法。在工具箱中，支持两种内置的AND方法：min（最小）和prod（产品）。还支持两种内置的OR方法：max（maximum）和概率OR方法probor。的根据等式计算概率OR方法（也称为代数和）

probor（ a， b）= a + b - ab

除了这些内置方法之外，您还可以通过编写任何函数并将其设置为选择的方法来为AND和OR创建自己的方法。

下图显示了工作中的OR运算符max，它评估了小费计算的规则3的前提。前项的两个不同部分（服务非常好，食物也很美味）的模糊隶属度值分别为0.0和0.7。模糊或运算符只需选择两个值中的最大值0.7，即可完成规则3的模糊运算。概率OR方法仍将得到0.7。

步骤3.应用蕴涵方法

在应用隐含方法之前，必须确定规则的权重。每个规则都有一个权重（0到1之间的一个数字），该权重将应用于前一个给定的数字。通常，此权重为1（如本例所示），因此对暗示过程完全没有影响。您可能会不时地想通过将一个规则的权重值更改为1而不是其他来加权。

在为每个规则分配了适当的权重之后，便会实施隐含方法。结果是由隶属度函数表示的模糊集，该模糊集适当地加权了归因于该模糊集的语言特征。结果使用与该前提关联的功能（单个数字）进行整形。隐含过程的输入是一个由先决条件给出的数字，而输出是一个模糊集。隐含实现每个规则。支持两种内置方法，它们与AND方法使用的功能相同：min（最小）将截断输出模糊集，而prod（乘积）将缩放输出模糊集。

步骤4.汇总所有输出

由于决策基于对FIS中所有规则的测试，因此必须以某种方式组合规则才能做出决策。聚合是将代表每个规则的输出的模糊集组合为单个模糊集的过程。对于每个输出变量，聚合仅发生一次，就在第五个也是最后一步，即去模糊化之前。聚合过程的输入是隐含过程为每个规则返回的截断输出函数的列表。聚合过程的输出是每个输出变量的一个模糊集。

只要聚合方法是可交换的（始终应该如此），那么执行规则的顺序就不重要了。支持三种内置方法：

• max （最大值）

• probor （概率OR）

• sum （仅是每个规则的输出集的总和）

在下图中，所有这三个规则已放在一起，以显示每个规则的输出如何组合或聚合到单个模糊集中，该模糊集的隶属函数为每个输出（提示）值分配权重。

第5步。

输入 解模糊处理是一个模糊集（合计输出模糊集），并且输出是单个数字。尽管模糊有助于中间步骤中的规则评估，但每个变量的最终期望输出通常为单个数字。但是，模糊集的集合包含一系列输出值，因此必须对其进行去模糊处理，以便从该集中解析单个输出值。

支持五种内置的反模糊化方法：质心，平分线，最大值的中间值（输出集最大值的平均值），最大值的最大值和最小值的最大值。也许最流行的去模糊方法是质心计算，它返回曲线下方的区域中心，如下所示：

虽然总输出模糊集的覆盖范围是从0％到30％，但去模糊值在5％到25％之间。这些限制分别对应于cheap和generous隶属函数的质心。

模糊推理图

模糊推理图是本节到目前为止介绍的所有较小图的合成。它同时显示您检查过的模糊推理过程的所有部分。信息流经模糊推理图，如下图所示。

在此图中，流程从左下方的输入开始向上，然后跨每一行或每个规则，然后向下的规则输出在右下方完成。从语言变量的模糊化一直到总输出的去模糊化，这种紧凑的流程可以立即显示所有内容。

下图显示了实际的全尺寸模糊推理图。在模糊推理图中有很多可以看的东西，但是当您习惯了它之后，就可以很快地学习到很多关于系统的知识。例如，从带有这些特定输入的图表中，您可以轻松地看到，蕴含方法是使用最小功能。该最大值函数被用于模糊或操作。规则3（前面显示的图中最底部的一行）对输出的影响最大。等等。规则浏览器中所描述的规则浏览器是一个MATLAB ®模糊推理图的实施。