模糊推理系统编辑器实验

模糊推理系统编辑器实验
模糊推理系统编辑器实验

实验二

一、实验目的

1、熟悉MATLAB中模糊系统工具箱的使用方法

2、掌握模糊推理系统编辑器的使用

3、掌握模糊规则以及模糊隶属度函数的意义和编辑器的使用

方法

二、实验内容

1、模糊推理系统编辑器

1)命令窗口中键入命令:fuzzy,激活基本模糊推理系统编辑器,选择菜单“File→Export→to workspace…”,以

“wuyunhe233080108”为文件名保存到工作空间,如图

1所示:

图1 基本模糊推理系统编辑器

2)选择菜单“Edit→add Variable…→Input”添加输入变量,使系统成为双输入,然后为变量命名:input1→service

(服务),input2→food(食物),output1→tip,如图2

所示:

图2 双输入模糊控制系统

2、隶属度函数编辑器

在命令窗口输入mfedit或者用菜单选项“Edit→Membership Function”都可以打开隶属度函数编辑器。

对于变量service,加入三个模糊隶属度函数分别如下:Name=’service’

Range=[0 10]

MumMfs=3

MF1=’poor’:’gaussmf’,[1.5 0]

MF2=’good’:’gaussmf’,[1.5 0]

MF3=’excellent’:’gaussmf’,[1.5 0]

对于变量service,加入三条隶属度函数分别如下: Name=‘service’

Range=[0 10]

MumMfs=3

MF1=‘poor’’: ‘gaussmf’,[1.5 0]

MF2=‘good’: ‘gaussmf’,[1.5 5]

MF3=‘excellent’: ‘gaussmf’,[1.5 10]

对于变量food,加入两条隶属函数:

Name=‘food’

Range=[0 10]

MumMfs=2

MF1=‘rancid’: ‘trapmf’,[0 0 1 3]

MF2=‘delicious’: ‘trapmf’,[7 9 10 10]

对于变量tip,加入三条隶属函数:

Name=‘tip’

Range=[0 30]

MumMfs=3

MF1=‘cheap’: ‘trimf’,[0 5 10]

MF2=‘average’: ‘trimf’,[10 15 20]

MF3=‘generous’: ‘trimf’,[20 25 30]

完成上述的隶属度函数编辑后,保存文件到workspace,可以得到图3,图4和图5的界面。

3、模糊规则编辑器

在命令窗口中键入ruleedit或者选择模糊规则菜单都可以打开模糊规则编辑器。

例如,在service变量中选取poor,在food变量中选取rancid,在connection中选取or,单击Add rule,出现结果:

If(service is poor)or (food is rancid) then (tip is cheap)(1)

括号中的数字是该规则的权重值。

在option中更改format选项还可以得到不同的显示方式。

将显示方式设置为symbolic,显示将变为:

(service==poor)|(food==rancid)=>(tip==cheap)(1)

将显示方式设置为indexed,显示将变为:

1.1,1(1):2

依据此模糊规则编辑并保存文件到workspace,可得到图6显示的结果。

图3

图4

图5

图6

4、模糊推理输入、输出曲面视图

在MATLAB命令窗口中输入surface,显示模糊推理系统的输入、输出特性曲面,如图7所示。

图7

三、实验体会

本实验是基于模糊控制fuzzy函数的,建立了service、food、tip三个模糊变量,并分别对这三个模糊变量建立对应的隶属度函数,根据实际情况建立模糊规则,如图6所示,从而等到模糊推理系统的输入、输出特性曲面,如图7所示。通过这次实验学习了MATLAB中模糊系统工具箱的使用方法,学习了模糊推理系统编辑器的使用方法,学习了模糊规则以及模糊隶属度函数的意义和编辑器的使用方法。巩固了课堂知识,让我受益匪浅。

实验3模糊工具箱模糊推理

. . . . . 实验三模糊工具箱的模糊洗衣机推理系统设计 一、实验目的 1、掌握Matlab模糊工具箱的应用。 2、掌握模糊集合的基本运算。 3、能够使用Simulink工具箱设计模糊控制系统。 二、实验设备 1、PC机 2、Matlab软件 三、实验内容 使用MATLAB模糊工具箱设计一个洗衣机模糊控制: 1)模糊控制器的结构 选用单变量二维模糊控制器。控制器的输入为衣物的污泥和油脂,输出为洗涤时间。 2)定义输入输出模糊集 将污泥(WN)分为三个模糊集:SD(污泥少),MD(污泥中),LD(污泥多),取值范围为[0,100]。 选用如下隶属函数:

?? ?? ? ??≤<-=?? ?≤<-≤≤=≤≤-==100 5050/)50()(1005050/)100(50 050/)(50050/)50()(污泥 x x x x x x x x x x x LD MD SD μμμμ 将油脂(YZ)分为三个模糊集:NG (无油脂),MG (油脂中),LG (油脂多),取值范围为[0,100]。选用如下隶属函数: ?? ?? ? ??≤≤-=?? ?≤<-≤≤=≤≤-==100 5050/)50()(1005050/)100(50 050/)(50050 /)50()(油脂 y y y y y y y y y y y LG MG NG μμμμ 将洗涤时间(XDSJ)分为三个模糊集:VS (很短),S (短),M (中等),L (长),VL (很长),取值范围为[0,60]。选用如下隶属函数: ? ???? ??? ??? ??≤≤-=???≤<-≤≤-=?? ?≤<-≤≤-=???≤<-≤≤=≤≤-==60 4020 /)40()(604020/)60(402515/)25()(402515/)40(251015/)10()(251015/)25(10010 /)(10010 /)10()(洗涤时间 z z z z z z z z z z z z z x z z z z z z z VL L M S VS μμμμμμ 4)建立模糊控制规则 根据人的操作经验设计模糊规则,模糊规则设计的标准为:“污泥越多,油脂越多,洗涤时间越长”;“污泥适中,油脂适中,洗涤时间适中”;“污泥越少,油脂越少,洗涤时间越短”。 5)建立模糊控制表

12 模糊综合评价模型

二 模糊综合评价模型 模糊综合评判方法,是一种运用模糊数学原理分析和评价具有“模糊性”的事物的系统分析方法。它是一种以模糊推理为主的定性与定量相结合、精确与非精确相统一的分析评价方法。由于这种方法在处理各种难以用精确数学方法描述的复杂系统问题方面所表现出的独特的优越性,近年来已在许多学科领域中得到了十分广泛的应用。 2.1 模糊综合评判模型 2.1.1单层次模糊综合评判模型 给定两个有限论域 U={u 1,u 2,…,um } (1) V={v 1,v 2,…,v n } (2) (1)式中,U 代表所有的评判因素所组成的集合;(2)式中,V 代表所有的评语等级所组成的集合。 如果着眼于第i(i=1,2,…,m)个评判因素u i ,其单因素评判结果为R i =[r i1,r i2,…,r in ],则m 个评判因素的评判决策矩阵为 111121221 2221 2 n n m m m mn R r r r R r r r R R r r r ???? ????????==???? ???? ???????? (3) 就是U 到V 上的一个模糊关系。 如果对各评判因数的权数分配为:1,2,,m A a a a ??=?? (显然,A 是论域U 上的一,个模糊子集,且101,1m i i i a a =≤≤=∑)则应用模糊变换的合成运算,可以得 到论域V 上的一个模糊子集,即综合评判结果: 1,2,,n B A R b b b ??=?=?? (4) 2.1.2多层次模糊综合评判模型 在复杂大系统中,需要考虑的因素往往是很多的,而且因素之间还存在着不同的层次。这时,应用单层次模糊综合评判模型就很难得出正确的评判结果。所以,在这种情况下,就需要将评判因素集合按照某种属性分成几类,先对每一类进行综合评判,然后再对各类评判结果进行类之间的高层次综合评判。这样,就产生了多层次模糊综合评判问题。 多层次模糊综合评判模型的建立,可按以下步骤进行: (1)对评判因素集合U ,按某个属性,将其划分成m 个子集,使它们满足: 1 () m i i i j U U U U i j =?=????=Φ≠?∑ (5)

神经网络与模糊控制考试题及答案

一、填空题 1、模糊控制器由模糊化接口、解模糊接口、知识库和模糊推理机组成 2、一个单神经元的输入是 1.0 ,其权值是 1.5,阀值是-2,则其激活函数的净输入是-0.5 ,当激活函数是阶跃函数,则神经元的输出是 1 3、神经网络的学习方式有导师监督学习、无导师监督学习 和灌输式学习 4、清晰化化的方法有三种:平均最大隶属度法、最大隶属度取最小/最大值法和中位数法,加权平均法 5、模糊控制规则的建立有多种方法,是:基于专家经验和控制知识、基于操作人员的实际控制过程和基于过程的模糊模型,基于学习 6、神经网络控制的结构归结为神经网络监督控制、神经网络直接逆动态控制、神网自适应控制、神网自适应评判控制、神网内模控制、神网预测控制六类 7.傅京逊首次提出智能控制的概念,并归纳出的3种类型智能控制系统是、和。 7、人作为控制器的控制系统、人机结合作为控制器的控制系统、无人参与的自主控 制系统 8、智能控制主要解决传统控制难以解决的复杂系统的控制问题,其研究的对象具备的3个特点为、和。 8、不确定性、高度的非线性、复杂的任务要求 9.智能控制系统的主要类型有、、、 、和。 9、分级递阶控制系统,专家控制系统,神经控制系统,模糊控制系统,学习控制系统,集成或者(复合)混合控制系统 10.智能控制的不确定性的模型包括两类:(1); (2)。 10、(1)模型未知或知之甚少;(2)模型的结构和参数可能在很大范围内变化。11.控制论的三要素是:信息、反馈和控制。 12.建立一个实用的专家系统的步骤包括三个方面的设计,它们分别是、 和。知识库的设计推理机的设计人机接口的设计 13.专家系统的核心组成部分为和。知识库、推理机 14.专家系统中的知识库包括了3类知识,它们分别为、、 和。判断性规则控制性规则数据

在线推理法模糊控制器实验报告

在线推理式模糊逻辑控制器设计实验报告 学院:电力学院 专业:自动化 学号: 姓名: 时间:2013年11月16日

一、实验目的 利用Matlab软件实现模糊控制系统仿真实验,了解模糊控制的在线推理方法的基本原理及实现过程。 二、实验要求 以matlab模糊工具箱中提供的一个水位模糊控制系统仿真的实例,定义语言变量的语言值,设置隶属度函数,根据提供的规则建立模糊逻辑控制器。最后启动仿真,观察水位变化曲线。 三、实验步骤 叙述在线推理模糊控制的仿真的主要步骤。 1)在matlab命令窗口输入:sltank,打开水位控制系统的simulink仿真模型图,如图; 2)在matlab的命令窗口中,输入指令:fuzzy,便打开了模糊推理系统编辑器(FIS Editor),如图;

3)利用FIS Editor编辑器的Edit/Add variable/input菜单,添加一条输入语言变量,并将两个输入语言和一个输出语言变量的名称分别定义为:level;rate;valve。其中,level代表水位(三个语言值:低,高,正好),rate代表变化率(三个语言值:正,不变,负),valve代表阀门(五个语言变量:不变,迅速打开,迅速关闭,缓慢打开,缓慢关闭); 4)①利用FIS Editor编辑器的Edit/membership function菜单,打开隶属度函数编辑器,如下图,将输入语言变量level的取值范围(range)和显示范围(display range)设置为[-1,1],隶属度函数类型(type)设置为高斯型函数(gaussmf),而所包含的三条曲线的名称(name)和参数(parameters)([宽度中心点])分别设置为:high,[0.3 -1];okay [0.3 0];low [0.3 1]。其中high 、okay、low分别代表水位高、正好、低; ②将输入语言变量rate的取值范围(range)和显示范围(display range) 设置为[-0.1,0.1],隶属度函数类型(type)设置为高斯型函数(gaussmf),而 所包含的三条曲线的名称(name)和参数(parameters)([宽度中心点])分

模糊控制系统建模与仿真分析

题目:模糊控制系统建模与仿真分析 一、实验目的 1、熟悉Matlab软件的基本操作方法 2、掌握用matlab/Fuzzy logic toolbox进行模糊控制系统建模仿真的基本方法。 3、熟悉模糊控制系统设计的基本方法 二、实验学时:4学时 三、实验原理 MATLAB R2008提供了建立模糊逻辑推理系统的仿真工具箱——Fuzzy Logic Toolbox,版本为Fuzzy Logic Toolbox2.2.7。建立模糊逻辑推理系统有两种基本方法,第一种方法是借助模糊推理系统编辑器(Fuzzy Logic Editor)的图形界面工具建立模糊逻辑推理系统,第二种方法是利用命令建立模糊逻辑推理系统。第一种方法使用简单、建模方便,适合于初学模糊逻辑控制系统建模与仿真的读者。第二种方法稍难一些,但对深入了解模糊逻辑推理系统的MATLAB仿真知识大有帮助。下面分别讲述两种方法,读者可自行选择阅读。 1模糊逻辑工具箱图形界面工具 模糊逻辑工具箱图形工具是为了方便用户建立模糊推理系统而推出的图形化设计工具,在这里可快速方便的建立模糊推理系统并观测模糊规则、推理输出等。模糊逻辑推理图形工具主要包括:基本模糊推理系统编辑器(fuzzy)、隶属函数编辑器(mfedit)、模糊规则编辑器(ruleedit)、模糊规则观测器(ruleview)、模糊推理输入输出曲面观测器(surfview)。下面分别介绍它们的基本使用方法。 1.1基本模糊推理系统编辑器 在Command Windows输入“fuzzy”命令,弹出如下图 1所示的“FIS Editor”(模糊推理系统编辑器)窗口。在这里可以对包括输入、输出模糊语言变量的名称、模糊推理系统的类型和名称、模糊逻辑推理的各种运算(与、或、蕴含、规则合成、解模糊化)等高层属性进行编辑。同时,还可以打开模糊推理系统的隶属函数编辑器(mfedit)、模糊规则编辑器(ruleedit)、模糊规则观测器(ruleview)、模糊推理输入输出曲面观测器(surfview)。

模糊神经网络讲义

模糊神经网络(备课笔记) 参考书: 杨纶标,高英仪。《模糊数学原理及应用》(第三版),广 州:华南理工大学出版社 彭祖赠。模糊数学及其应用。武汉:武汉科技大学 胡宝清。模糊理论基础。武汉:武汉大学出版社 王士同。模糊系统、模糊神经网络及应用程序设计。 《模糊系统、模糊神经网络及应用程序设计》 本书全面介绍了模糊系统、模糊神经网络的基本要领概念与原理,并以此为基础,介绍了大量的应用实例及编程实现实例。 顾名思义,模糊神经网络就是模糊系统和神经网络的结合,本质上就是将常规的神经网络(如前向反馈神经网络,Hopfield神经网络)赋予模糊输入信号和模糊权值。 选自【模糊神经网络P17】 预备知识 复杂的东西是难以精确化的,这使得人们所需要的精确性和问题的复杂性间形成了尖锐的矛盾。 正如模糊数学的创始人L.A.Zadeh(查德)教授(美国加利福尼亚大学)所说:“当系统的复杂性增加时,我们使它精确化的能力将减小。直到达到一个阈值,一旦超越它,复杂性和精确性将相互排斥。”这就是著名的“互克性原理”。 该原理告诉我们,复杂性越高,有意义的精确化能力就越低;而复杂性意味着因素众多,以致人们往往不可能同时考察所有因素,只能把研究对象适当简化或抽象成模型,即抓住其中的主要部分而忽略掉次要部分。当在一个被压缩了的低维因素空间考虑问题时,即使本来是明确的概念,也会变得模糊起来。或者某些抽象简化模型本身就带有概念的不清晰,如“光滑铰链”这个力学模型,什么叫“光滑”、什么叫“粗糙”就没有一个明确的定义,客观上两者之间没有绝对分明的界限;主观上,决策者对此类非程序化决策做出判断时,主要是根据他的经验、能力和直观感觉等模糊概念进行决策的。 或者判断一个人的好坏,本来有很多因素,比如人品、性格、相貌

模糊神经网络技术研究的现状及展望

模糊神经网络技术研究的现状及展望 摘要:本文对模糊神经网络技术研究的现状进行了综述,首先介绍了模糊控制技术和神经网络技术的发展,然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性,接着对模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述,指出了目前模糊神经网络的研究发展中还存在的一些问题,并对模糊神经网络的发展进行了展望。 关键字:模糊控制;神经网络;模糊神经网络 引言 系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此,通过模拟人类学习和自适应能力,人们提出了智能控制的思想。控制理论专家Austrom(1991)在IFAC大会上指出:模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上,并非建立在工业过程所产生的操作数据上,且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握,这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法,各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取了模糊逻辑和神经网络的优点,避免了两者的缺点,已成为当今智能控制研究的热点之一了。 1 模糊神经网络的提出 模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年,英国著名学者E.H.Mamdani将模糊逻辑和模糊语言用于工业控制,提出了模糊控制论。至今,模糊控制已成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。 人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮,其基本思想是从仿生学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆,分类和优化计算等功能,在解决高度非线性和严重不确定系统的控制问题方面,显示了巨大的优势和潜力 模糊控制系统与神经网络系统具有整体功能的等效性[2],两者都是无模型的估计器,都不需要建立任何的数学模型,只需要根据输入的采样数据去估计其需要的决策:神经网络根据学习算法,而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上,两者具有相同的正规数学特性,且共享同一状态空间[3]。 另一方面,模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是从输入到输出的“黑箱式”非线性映射,但不具备像模糊控制那样的因果规律以及模糊逻辑推理的将强的知识表达能力。将两者结合,后者正好弥补前者的这点不足,而神经网络的强大自学习能力则可避免模糊控制规则和隶属函数的主观性,从而提高模糊控制的置信度。 因此,模糊逻辑和神经网络虽然有着本质上的不同,但由于两者都是用于处理不确定性问题,不精确性问题,两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射能力[4];Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT,Fuzzy Approximation Theorem)[5];Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots 和Grabish(1993)、Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和神经网络有着密切联系,正是由于这类理论上的共性,才使模糊逻辑

模糊控制系统设计及实现

物理与电子工程学院 《人工智能》 课程设计报告 课题名称模糊控制系统的设计与实现专业自动化 班级 2班 学生姓名梁检满 学号 指导教师崔明月 成绩 2014年6月18日

模糊控制系统的设计与实现 摘要 自然界与人类社会有关系的系统绝大部分是模糊系统,这类系统的数学模型不能由经典的物理定律和数学描述来建立。本文在模糊控制理论基础上设计模糊温控系统,利用专家经验建立模糊系统控制规则库,由规则库得到相应的控制决策,并分析系统隶属度函数,利用matlab与simulink结合进行仿真。仿真结果表明,该系统的各项性能指标良好,具有一定的自适应性。模糊控制算法不但简单实用,而且响应速度快,超调量小,控制效果良好。 关键词:模糊逻辑;隶属度函数;模糊控制; 控制算法

1引言 在传统的控制领域里,控制系统动态模式的精确与否是影响控制优劣的最主要关键,系统动态的信息越详细,则越能达到精确控制的目的。随着社会及科技的发展,现代工程实践对系统的控制要求也在不断地提高,但对于复杂的系统,由于变量太多,往往难以正确的描述系统的动态,随着人类生产、生活对控制的精细需求,传统的控制理论已渐渐不能满足工艺要求。虽然于是工程师利用各种方法来简化系统动态,以达成控制的目的,但却不尽理想。换言之,传统的控制理论对于明确系统有强而有力的控制能力,但对于过于复杂或难以精确描述的系统,则显得无能为力了,因此便尝试着以模糊数学来处理这些控制问题。 “模糊”是人类感知万物、获取知识、思维推理、决策实施的重要特征。模糊并非是将这个世界变得模糊,而是让世界进入一个更现实的层次。“模糊”比“清晰”所拥有的信息量更大,内涵更丰富,更符合客观世界。“模糊控制理论”是由美国学者加利福尼亚大学著名教授L. A. Zadeh于1965年首先提出,至今已有50多年的历史。模糊控制是用模糊数学的知识模仿人脑的思维方式,对模糊现象进行识别和判决,给出精确的控制量,对被控对象进行控制,它是用语言规则描述知识和经验的方法,结合先进的计算机技术,通过模糊推理进行判决的一种高级控制策略。它含有人工智能所包括的推理、学习和联想三大要素;它不是采用纯数学建模的方法,而是将相关专家的知识和思维、学习与推理、联想和决策过程,有计算机来实现辨识和建模并进行控制。因此,它无疑是属于智能控制范畴,而且发展至今已发展成为人工智能领域中的一个重要分支。其理论发展之迅速,应用领域之广泛,控制效果之显著,实为世人关注。 在工业生产过程中,温度控制是重要环节,控制精度直接影响系统的运行和产品质量。在传统的温度控制方法中,一般采取双向可控硅装置,并结合简单控制算法(如PID算法),使温度控制

实验3模糊工具箱模糊推理

实用文档 实验三 模糊工具箱的模糊洗衣机推理系统设计 一、 实验目的 1、掌握Matlab 模糊工具箱的应用。 2、掌握模糊集合的基本运算。 3、能够使用Simulink 工具箱设计模糊控制系统。 二、 实验设备 1、PC 机 2、Matlab 软件 三、 实验容 使用MATLAB 模糊工具箱设计一个洗衣机模糊控制: 1)模糊控制器的结构 选用单变量二维模糊控制器。控制器的输入为衣物的污泥和油脂,输出为洗涤时间。 2)定义输入输出模糊集 将污泥(WN)分为三个模糊集:SD (污泥少),MD (污泥中),LD (污泥多),取值围为[0,100]。 选用如下隶属函数: ?? ?? ? ??≤<-=?? ?≤<-≤≤=≤≤-==100 5050/)50()(1005050/)100(50050/)(50050 /)50()(污泥 x x x x x x x x x x x LD MD SD μμμμ 将油脂(YZ)分为三个模糊集:NG (无油脂),MG (油脂中),LG (油脂多),取值围为[0,100]。选用如下隶属函数:

?? ?? ? ??≤≤-=?? ?≤<-≤≤=≤≤-==100 5050/)50()(1005050/)100(50050/)(50050/)50()(油脂 y y y y y y y y y y y LG MG NG μμμμ 将洗涤时间(XDSJ)分为三个模糊集:VS (很短),S (短),M (中等),L (长),VL (很长),取值围为[0,60]。选用如下隶属函数: ? ???? ??? ??? ??≤≤-=???≤<-≤≤-=?? ?≤<-≤≤-=???≤<-≤≤=≤≤-==60 4020 /)40()(604020/)60(402515/)25()(402515/)40(251015/)10()(251015/)25(10010 /)(10010 /)10()(洗涤时间 z z z z z z z z z z z z z x z z z z z z z VL L M S VS μμμμμμ 4)建立模糊控制规则 根据人的操作经验设计模糊规则,模糊规则设计的标准为:“污泥越多,油脂越多,洗涤时间越长”;“污泥适中,油脂适中,洗涤时间适中”;“污泥越少,油脂越少,洗涤时间越短”。 5)建立模糊控制表 根据模糊规则的设计标准,建立模糊规则表 四、 实验步骤 第一步:打开模糊推理系统编辑器

模糊推理神经网络诊断模型案例

模糊推理神经网络诊断模型案例 [摘要]本文基于通用神经网络的自适应性和诊断的建模方法,建立了一种新的故障诊断模型一模糊神经网络诊断模型,并对它的智能诊断机理和突出特点进行了深入分析。最后,将该诊断模型应用于某大型汽轮发电机组故障诊断中,分析得出它具有明显的提高诊断精确度的优越性。 [关键词]神经网络故障诊断智能诊断 1模糊推理神经网络诊断模型建立 1.1通用网络模型自适应动态特性 比较两类典型的神经网络一前向BP网络与反馈Hopfied网络,可以发现其核心是单层神经网络,则两类网络可以用一个通用神经网络模型来描述。根据点集拓扑理论和人工神经网络空间概念,对这个通用神经网络模型的特征进行分析得出以下两个结论,证明从略。 定理1神经网络空间在紧集上的连续函数空间C上以及按L2范数在平方可积函数空间I上都是稠密的。 推论1由通用神经网络模型所生成的任何开集可以一致逼近紧集上的连续映射函数f∈C(Rn。Rm)。 由推论1表明,通用网络模型所概括的任何开集(如BP网络、Hopfied网络、BAM网络)通过自学习都能一致逼近紧集上的连续映射函数f∈(Rn,Rm),因而具有良好的自学习、自适应动态特性。 1.2诊断建模方法 设xjn(j=1,2,...,k)对应反映设备运行状态第n个观测样本的k个特征参数,yin,(i=1,2,...l)对应第n个样本的1种故障模式,共有N个样本xjn∈RN,yin∈RN,[n=1,2,...,N),则故障模式向量Y={yin,i=1,2,...,l}与特征参数向量x={xin,i=1,2,...,k}间的内在关系用函数P表示,有:X=P(Y)。当N→∞时,函数P的逆函数存在,以函数S表示,有:Y=S(X) 诊断问题建模的实质就是根据有限的样本集,确定函数S(X)的一等价映射关系SS(X),使得对于任意的ε>0,满足:

(整理)人工智能-模糊推理.

目录 引言 1不確定性與模糊逻辑 1.1古典逻辑 1.2 模糊逻辑 1.2.1 一维隶属函数参数值 1.2.2 二维隶属函数参数值 2 模糊关系 2.1 模糊关系的定义 2.2 模糊关系的表示 3 模糊集合 3.1 模糊集合的概念 3.2 模糊集合的表示 3.3 模糊集合的运算性质 4 模糊逻辑 5 简单遗传算法 6 模糊遗传算法 7 关于模糊遗传算法的新方法

引言 模糊逻辑指模仿人脑的不确定性概念判断、推理思维方式,对于模型未知或不能确定的描述系统,以及强非线性、大滞后的控制对象,应用模糊集合和模糊规则进行推理,表达过渡性界限或定性知识经验,模拟人脑方式,实行模糊综合判断,推理解决常规方法难于对付的规则型模糊信息问题。模糊逻辑善于表达界限不清晰的定性知识与经验,它借助于隶属度函数概念,区分模糊集合,处理模糊关系,模拟人脑实施规则型推理,解决因“排中律”的逻辑破缺产生的种种不确定问题 。 一、 不確定性與模糊逻辑 ? 妻子: Do you love me ? ? 丈夫: Yes .(布林逻辑) ? 妻子: How much ? (模糊逻辑) 布林逻辑(Boolean Logic):二值,布林逻辑:{真,假} {0,1}; 模糊逻辑(Fuzzy Logic):多值,模糊逻辑:部分为真(部分为假),而不是非真即假。模糊逻辑取消了二值之间非此即彼的对立,用隶属度表示二值间的过度状态(1---完全属于这个集合;0---完全不属于这个集合)。 1.1 古典逻辑 对于任意一个集合A ,论域中的任何一个元素x ,或者属于A ,或者不属于A ,集合A 也可以由其特征函数定义: 1.2 模糊逻辑 论域上的元素可以“部分地属于”集合A 。一个元素属于集合A 的程度称为 隶属度,模糊集合可用隶属度函数定义。 1.2.1 一维隶属函数参数化 1) 三角形隶属函数: (如图1.1) 1,()0,A x A f x x A ∈?=???

在线推理式模糊控制器实验指导书

在线推理式模糊控制器设计实验指导书 一、实验目的 利用Matlab软件实现模糊控制系统仿真实验,了解模糊控制的在线推理方法的基本原理及实现过程。 二、实验要求 以matlab模糊工具箱中提供的一个水位模糊控制系统仿真的实例,定义语言变量的语言值,设置隶属度函数,根据提供的规则建立模糊逻辑控制器。最后启动仿真,观察水位变化曲线。 三、实验内容 1、模糊推理的五个步骤 1)输入变量的模糊化fuzzy inputs 这是模糊推理的第一步,是获取输入变量,并确定它们的隶属函数,从而确定属于每个模糊集合的隶属度。 2) 应用模糊算子Apply Fuzzy Operator 完成了输入模糊化,就知道了对于每个模糊规则,前提中每一个部分被满足的程度。如果一个给定规则的前提有多个部分,则要应用模糊算子来获得一个数值,这个数值表示前提对于该规则的满足程度。模糊算子有模糊交(AND)和模糊或(OR)算子。 3) 应用推理方法Apply Implication Method 推理的类型有mamdani和sugeno 推理。Mamdani推理法是一种在模糊控制中普遍使用的方法,它本质上仍然是一种合成推理方法,只不过对模糊蕴涵关系取不同的形式而已。Mamdani型推理,从每个规则的结果中得到的模糊集通过聚类运算后得到结果模糊集,被反模糊化后得到系统输出。Sugeon型推理:其中

每个规则的结果是输入的线性组合,而输出是结果的加权线性组合。 4) 输出的聚类Aggregate All Outputs 由于决策是在对模糊推理系统中所有规则进行综合考虑的基础上做出的,因此必须以某种方式将规则结合起来以做出决策。聚类就是这样一个过程,它将表示每个规则输出的模糊集结合成一个单独的模糊集。聚类方法有max,probor(概率乘),sum。其中,sum执行的是各规则输出集的简单相加。 5) 解模糊化Defuzzify 解模糊化过程也叫反模糊化过程,它的输入是一个模糊集,既上一步的聚类输出模糊集,其输出为一个单值。模糊集的聚类中包含很多输出值,因此必须进行反模糊化,以从集合中解析出一个单输出值。 2、模糊逻辑工具箱的介绍 模糊逻辑工具箱提供的图形用户界面(GUI)工具有五个:模糊推理系统(FIS)编辑器;隶属函数编辑器;模糊规则编辑器;模糊规则观察器;输出曲面观察器。1)FIS编辑器: Matlab的FIS界面如图3所示。在matlab的launch pad窗口中,用鼠标双击模糊逻辑系统工具箱(fuzzy logic toolbox)中的FIS Editor viewer项,打开模糊推理系统编辑器(FIS Editor),或者直接在matlab命令窗口中输入指令:fuzzy。FIS处理系统有多少个输入变量,输出变量,名称是什么,模糊算子“与”(min,prod乘积,custom自定义),“或”(max大,probor 概率统计方法,custom),推理方法(min,prod,custom),聚类方法(max,probor,sum,custom),解模糊的方法(centroid质心法,bisector中位线法,middle of maximum,largest of maximum,smallest of maximum)。

Sugeno模型模糊推理matlab实验

实验报告1 实验目的: 实现2输入单输出的sugeno模糊模型。模糊规则如下: If X是小(small)和Y是小,then z= -x+y+1; If X是小(small)和Y是大,then z= -y+3; If X是大(large)和Y是小,then z= -x +3; If X是大(large)和Y是大,then z= x+y+2; 实验方法: 利用matlab提供的模糊控制工具箱(fuzzy) 实验步骤: 1.打开matlab软件在工作空间中输入fuzzy,调出模糊工具箱,如图1所示: 图1 2. 由于实验要求是2输入单输出,所以在edit下拉菜单中选择add variable—input 图2 3. 设置2个输入X和Y和1个输出Z的隶属度函数,输入X的隶属度函数设置为高斯型,输入Y的隶属度函数设置为钟型,如下图3和图4所示: 图3 X的隶属度函数Y的隶属度函数

由于是要目的中的推理规则符合是一般的一阶线性Sugeno模型规则的形式为: if x is A and y is B then z = px + qy + r; 式中, x和y为输入语言变量, A和B为推理前件的模糊集合, z为输出语言变量, p, q, r为常数 根据要求依次将4个输出中的线性参数设置为:[-1 1 1];[0 -1 3];[-1 0 3] 和[1 1 2] 图4 4. 设置模糊规则:双击工具箱中间的规则块。根据实验要求中的模糊规则,依次将规则添加到规则库中,如下所示: 图5 实验结论 经上面4个步骤就完成了该实验要求,可以观察该模糊模型的规则库和输入输出曲面图,结果如下图6和图7所示:

自适应神经模糊推理系统及其仿真应用

自适应神经模糊推理系统及其仿真应用 刘雨刚,耿立明,杨威 辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛(125105) 摘 要:本文介绍了自适应神经模糊推理系统的结构,以及如何用MATLAB 模糊工具箱提供的ANFIS 应用工具仿真,完成训练模糊神经网络。 关键词:自适应神经模糊推理系统,MATLAB ,模糊神经网络 0 引言 由Jyh-Shing R.Jang 提出的自适应神经模糊推理系统[1],是一种基于Takagi -Sugeno 模型的模糊推理系统(简称ANFIS )。研究表明,当输入模糊集采用非梯形/非三角形的隶属函数时,Sugeno 型模糊系统需要的模糊规则及输入的模糊集的个数较少。 1 基于Takagi -Sugeno 模型的自适应神经模糊推理系统 所考虑的模糊推理系统有两输入和,单输出f 。 1x 2x 对于零阶T-S 模糊模型,模糊规则的第i 条规则有如下形式: ⑴ 后件为恒值:Ri : ),...,2,1( , 221121n i f y Then A x A x If i i i ==是和是 ⑵ 后件为一阶线性方程:Ri : 0,1,2)(j ),( ,...,2,1 ),( , 221102*********是常数是和是=++===ij i i i i i i i a x a x a a x x f n i x x f y Then A x A x If 式中,Ri 表示第i 条规则,Ai 表示模糊子集,即{NL ,NM ,NS ,ZO ,PS ,PM ,PL}={“负 大”,“负中”,“负小”,“零”,“正小”,“正中”,“正大”}。 在T-S 模型中,每条规则的结论部分是个线性方程,表示系统局部的线性输入/输出关系,而系统的总输入是所有线性子系统输出的加权平均,可以表示全局的非线性输入输出关系,所以,T-S 模型是一种对非线性系统局部线性化的描述方法,它具有非常重要的研究意义和广泛的应用范围[2]。 典型的单交叉路口东、南、西、北四个方向,每个方向均有右行、直行和左行三股车流。依据各个车道的车流信息,以路口流通能力最大或排队候车的时间最短为目标,通过设计自适应神经模糊推理系统,对交叉路口交通信号进行控制,实时确定各个相位的配时,具体地 说每一相交通信号的配时e i (i=1,2,3,4) 由该相位的主队列w1、后继相的主队列w2两者确定,当前相的主队列起决定作用,后继相的主队列起调节作用。所谓主队列是一个相位两个方向中车辆等待数较大的等待队列。 2 ANFIS 的结构 根据给出的模糊系统模型,输入为w1和w2,模糊标记取{负大,负中,负小,零,正小,正中,正大},由此可构造出一个具有模糊功能的神经网络,如图1所示的ANFIS 结构

采用模糊推理系统优化道路路线

采用模糊推理系统优化道路路线 采用模糊推理系统优化道路路线 摘要:研究项目的总体目标旨在探索综合基础设施以及交通干线的土地使用规划中的交通走廊。考虑到环境影响,交通路线的选择必须处理当前以及先前存在的条件的敏感性。虽然可以将标准分析用于解决此类性质的问题,但是它们并未在定量基础上定义一个客观方式,将一些重要但是通常在本质上不可预测的参数考虑在内。随着系统变得日益复杂,模糊逻辑成为一个更有效的模型。在初步设计阶段,模糊推理系统促进了决策。与效益与成本分析相比,此决策更加完善。在本研究中,结合决策中的工程设计、社会、环境和经济因素,对备选的路线方案进行了考虑。研究了一个用于分析不同的案例研究的一般方法。该方法可以用来证明公路线形的选择对环境的影响分析研究。 关键词:模糊逻辑、道路布局方案、环境成分、土地敏感性 中图分类号:TU997文献标识码: A 1. 引言 典型的多目标决策问题包括道路设计者需要根据重要标准从一 系列可能备选方案中选出一个备选方案。对于一条新公路而言,在选取一条最低成本的路线同时,还需满足一系列设计约束条件,如:曲线半径、限制坡度和视距要求。因为在公路设计优化中考虑到的许多成本都对地形非常敏感,所以可将地理信息系统用于获取这些成本。地理敏感成本主要涉及到权利的方式、土方工程以及环境参数(Jha 和Schonfeld, 2000)。 关于新的交通基础设施导致的复杂环境影响,可采用模糊逻辑进行正确建模。 加州大学伯克利分校的Lotfi Zadeh教授于1965年提出了模糊逻辑和集合理论。虽然模糊逻辑和概率逻辑非常类似,但是不同之处

在于设定的真实度而并非概率的可能性。随着系统变得越来越复杂,模糊逻辑变成一个更加有效的模型。在初步设计阶段,模糊推理系统促进了决策。与效益与成本分析相比,此决策更加完善。 模糊推理就是采用模糊逻辑绘制一个从给定的输入到输出映射 的过程。然后,此映射会为决策或者识别模式提供一个依据。模糊推论过程包括隶属函数、逻辑运算【比如规则】法则的所有元素。本研究采用了Mamdani类型的FIS规则(Mamdani和Assilian, 1975)。 模糊推论系统已被成功用在某些领域中,如:自动控制、数据分类、决策分析、专家系统和计算机图像。由于模糊推论系统包含了各种学科,所以它有各种名字,如基于模糊规则的系统、模糊专家系统、模糊建模、模糊联想记忆、模糊逻辑控制器以及简单(隐约)模糊系统。 最著名、最常用的模糊系统为Mamdani方法系统,其带有最大-最小型或最大乘积型推论。最大合成系指推断的模糊子集的集合体。最小合成为T模算子,将其用作推理规则(Mamdani和Assilian, 1975)。从数学形式观点来看,最小合成非常方便。因此,将其用于代表基于Mamdani类型推理的模糊系统中的【若…,则…】法则。 2. 问题陈述 许多简单的决策过程是基于单个目标,如将成本减至最低。通常必须在复杂的多环境中做决定,在这些复杂的环境中,至少有一个目标函数会对问题进行限制。公路开发工程通常包括五个阶段:规划、初步设计、详细设计、审查通过及施工。过去提出的一些模型为公路工程设计中的最佳决策提供了根本的概念步骤,尤其是针对高速公路扩建以及修复决策,这些决策对于受制于不确定因素的公路系统而言十分必要。 交通基础设施中的经典成本效益分析的两个主要限制分别为:a)以货币形式评估项目的所有影响,以至于在社会与环境方面占上风时,该方法一点也不恰当;以及b)总净收益最大化并不会表明决策对不同目标以及参与的不同社会群体的影响(Colorini等人1999)。 交通与土地使用之间有相互联系,而公众与当地决策者通常并未

(完整版)模糊推理方法

几种典型的模糊推理方法 根据模糊推理的定义可知,模糊推理的结论主要取决于模糊蕴含关系),(~ Y X R 及模糊关系与模糊集合之间的合成运算法则。对于确定的模糊推理系统,模糊蕴含关系),(~ Y X R 一般是确定的,而合成运算法则并不唯一。根据合成运算法则的不同,模糊推理方法又可分为Mamdani 推理法、Larsen 推理法、Zadeh 推理法等等。 一、Mamdani 模糊推理法 Mamdani 模糊推理法是最常用的一种推理方法,其模糊蕴涵关系),(~ Y X R M 定义简单,可以通过模糊集合A ~和B ~ 的笛卡尔积(取小)求得,即 )()(),(~~~y x y x B A R M μμμΛ= (3.2.1) 例 3.2.1 已知模糊集合3211.04.01~ x x x A ++=,3 3211.03.05.08.0~y y y y B + ++=。求模糊集合A ~和B ~ 之间的模糊蕴含关系),(~ Y X R M 。 解:根据Mamdani 模糊蕴含关系的定义可知: ?? ?? ? ?????=???? ? ?????=?=1.01.01.01.01.03.04.04.01.03.05.08.0] 1.03.05.08.0[1.04.01~~),(~ οB A Y X R M Mamdani 将经典的极大—极小合成运算方法作为模糊关系与模糊集合的合成运算法则。在此定义下,Mamdani 模糊推理过程易于进行图形解释。下面通过几种具体情况来分析Mamdani 模糊推理过程。 (i) 具有单个前件的单一规则 设*~A 和A ~论域X 上的模糊集合,B ~是论域Y 上的模糊集合,A ~和B ~间的模糊关系是),(~ Y X R M ,有 大前提(规则): if x is A ~ then y is B ~ 小前提(事实): x is *~ A 结论: y is ),(~ ~~**Y X R A B M ο= 当)()(),(~~~y x y x B A R M μμμΛ=时,有 )()}()]()({[V )]}()([)({V )(~~~~X x ~~~X x ~***y y x x y x x y B B A A B A A B μωμμμμμμμΛ=ΛΛ=ΛΛ=∈∈ (3.2.2)

基于MATLAB的模糊控制系统设计

实验一基于MATLAB的模糊控制系统设计 1.1实验内容 (1)基于MATLAB图形模糊推理系统设计,小费模糊推理系统; (2)飞机下降速度模糊推理系统设计; (3)水箱液位模糊控制系统设计及仿真运行。 1.2实验步骤 1小费模糊推理系统设计 (1)在MATLAB的命令窗口输入fuzzy命令,打开模糊逻辑工具箱的图形用户界面窗口,新建一个Madmdani模糊推理系统。 (2)增加一个输入变量,将输入变量命名为service、food,输出变量为tip,这样建立了一个两输入单输出模糊推理系统框架。 (3)设计模糊化模块:双击变量图标打开Membership Fgunction Editor 窗口,分别将两个输入变量的论域均设为[0,10],输出论域为[0,30]。 通过增加隶属度函数来进行模糊空间划分。 输入变量service划分为三个模糊集:poor、good和excellent,隶属度函数均为高斯函数,参数分别为[1.5 0]、[1,5 5]和[1.5 10]; 输入变量food划分为两个模糊集:rancid和delicious,隶属度函数均为梯形函数,参数分别为[0 0 1 3]和[7 9 10 10]; 输出变量tip划分为三个模糊集:cheap、average和generous,隶属度函数均为三角形函数,参数分别为[0 5 10]、[10 15 20]和[20 25 30]。

(4)设置模糊规则:打开Rule Editor窗口,通过选择添加三条模糊规则: ①if (service is poor) or (food is rancid) then (tip is cheap) ②if (service is good) then (tip is average) ③if (service is excellent) or (food is delicious) then (tip is generous) 三条规则的权重均为 1.

实验4 Mamdani型模糊推理系统的设计与仿真

实验四 Mamdani 型模糊推理系统的设计与仿真 一、 目的和要求 1. 目的 (1) 通过本次综合设计,进一步了解模糊控制的基本原理、模糊模型的建立和模 糊控制器的设计过程。 (2) 提高控制系统的仿真能力 (3) 熟悉MATLAB 在模糊控制系统仿真中的应用。 2. 要求 (1) 充分理解实验内容,并独立完成实验报告。 (2) 实验报告要求:实验题目、实验具体内容及实验功能、结果分析、收获或不 足、程序清单。 二、 实验内容 完成对给定的对象的模糊控制仿真: (1)自选控制对象,比如传递函数()s s Ke s G ts +=-2 067.0。 (2)确定模糊控制论域和参数。 (3)在MATLAB 中输入fuzzy( ),设计模糊控制隶属度函数和控制规则。 (4)运行SIMULINK 仿真程序,绘制仿真图。 (5)运行仿真,记录实验数据和控制曲线。 (6)并分析结果。 三、 实验步骤 1)确定模糊规则 误差E 、误差变化EC 及控制量U 的模糊集定义如下: EC 和U 的模糊集均为:{NB,NM,NS,ZO,PS,PM,PB } E 的模糊集为:{NB,NM,NS,NO,PO,PS,PM,PB } 确定模糊控制规则:一般如表2所示:

表2 模糊控制规则表 2)设计模糊逻辑控制器 模糊逻辑控制系统的参数对控制性能影响很大,因此参数设置是实验的重点内容,具体步骤如下: a.打开Matlab的FIS编辑器(双击Fuzzy logic toolbox下的FIS Editor Viewer),确定模糊推理输入变量和输出变量的个数、名字。 b.打开隶属函数编辑器,选定变量的论域和显示范围,选择隶属函数的形 状和参数。 c. 打开模糊规则编辑器,编辑模糊规则。 d. 重新回到FIS编辑器界面,选择模糊算子,推理方法,聚类方法,解模糊的方法等(centroid,bisector,middle of maximum,largest of maximum,smallest of maximum)。 e. 用模糊规则观察器或输出曲面观察器,观看模糊推理情况。 f. 将建立的FIS保存到磁盘,文件名后缀为.fis。 g. 进行模糊控制仿真时,首先要将FIS发送到Matlab工作空间(workspace)中,用FIS窗口下File/Export/to workspace实现,用户建立一个工作空间变量名(例如fuzzycontrol),这个变量将FIS系统作为Matlab的一个结构进行工作。仿真时,打开fuzzy logic controller ,输入FIS变量名,就可以进行

相关文档
最新文档