现在的位置: 首页 > 综合 > 正文

fuzzy logic模糊计算的原理

2013年05月24日 ⁄ 综合 ⁄ 共 945字 ⁄ 字号 评论关闭

为什么需要 模糊计算? 

首先,弄清楚 传统计算的方式:精确的数学语言,定量化分析,无法解决 概念模糊的问题,如大房子,小个子,小伙子等。

原因就是 有一些概念模糊的问题,需要模糊计算来处理。

模糊计算与普通计算的 明显不同之处在哪里?

普通计算,一般是函数式,一一对应的关系。

而模糊计算,一个变量,可以对应于多个状态值,当然,这些个状态与普通的函数表示也不是完全相同的,并不是完全确定的,它们有一个隶属度,或者说概率,来表示这个状态。

隶属度表示程度,它的值越大,表明这个状态的概率越高,反之则表明这个状态的概率越低 。

什么是模糊函数、隶属度函数?

三角函数,梯形函数,sigmoid函数等,类似一些分段函数,或者一些变换函数。

什么是模糊逻辑,运算?

符合普通集合的计算法则。并、交、补; 幂等律、交换律、结合律、分配率、摩根律

什么是模糊推理、模糊规则?

模糊推理时,依赖的规则,就是模糊规则。一般都是 ”if,then:如果,就是“ 的形式

将输入的模糊集合,通过一定的运算对应到特定的输出模糊集,这个计算过程就是模糊推理。将输入转化为输出。

其过程模块包括:模糊规则库、模糊化、推理方法、去模糊化

模糊化:根据隶属度函数从具体的输入得到对模糊集隶属度的过程

推理方法:从模糊规则和输入对相关模糊集的隶属度得到模糊结论的方法

去模糊化: 将模糊结论转化为具体的、精确的输出的过程

其计算流程大致如下:

输入(采集数据) ——> 模糊化(分段函数、分布函数,得到 隶属度模糊集(特征数据)) ——> 规则库 + 推理方法 ——> 模糊结论——> 去模糊化

普通模糊计算的缺点:

模糊规则的专家库设计,这个目前需要人为的专家来设计,无演化能力。

特点: 推理能力强,模拟人脑的非线性、非精确的信息处理能力。

模糊计算的应用:

推荐系统

控制领域的专家系统

演化:

模糊神经网络系统

汇集神经网络和模糊计算是优点,即人工神经网络具有 较强的自学习和联想功能能力,人工干预少,精度较高,对专家知识的利用也较好;而模糊计算的特点有 推理过程容易理解、专家知识利用较好、对样本的要求较低等。

1. 利用神经网络,来学习、演化模糊规则库。类似数据挖掘的过程,模糊竞争学习算法 : 利用神经网络来增强的 模糊计算系统

2. 利用模糊控制方法,不断改善神经网络的性能,如模糊BP算法 :利用模糊计算增强的神经网络

抱歉!评论已关闭.