粗糙集方法在RoboCup仿真球队中的应用
C5_0算法在RoboCup传球训练中的应用研究
Application of C5. 0 A lgorithm in Passing Ball Training of RoboCup
ZHANG J ia- w ang, HAN Guang- sheng, ZHANG W ei
( Schoo l of E lectronic Info rm ation & Contro l Eng ineer ing, Beijing U niversity of T echnology, Be ijing 100022, Ch ina)
本文提出了一种 在角色分配基础上的决 策树算法, 此算 法不但方法简单、训练时间较短并且 效果较好。将 其应用于 R oboCup仿真球队中, 有效地训练球员 的传球能力。
2 决策树方法
算法的基本原 理如下: 决 策树 ( Dec ision T ree) 是以 实例 为基础的归纳学习算法, 也是应用最为广 泛的归纳 学习算法 之一。在决 策 树 的各 种 算法 中, 最 具 影响 是 ID 3( Interative D ichotom ic V ersion3) [ 6] 算法。 ID3算 法是 由 Q u inlan于 1986 年提出的, 他将 Shannon 的信 息论 引入 到了 决策 树 算法 中, 把信息熵作为选择测试属性的 标准, 对训 练实例集 进行分类 并构造决策树来预测 如何由属性对整个实例空间进行划分。 2. 1 ID3算法 [7]
用 sij表示 sj 子集中 ci 属于类的元组的数量, 则属性 A 对于分
类 ci ( i= 1, 2, ∀, m ) 的熵可由下式计算
E (A )
v
=#
s1j +
j= 1
∀+ |S |
试析RobCup3D的进攻策略
防守。本文主要论述一系列进攻策略，详细阐述了进攻中的阵形和团队配合。
关键词：R oboCup；进攻策略；阵形；团队配合
中 图 分 类 号 ：TP18
文 献 标 识 码 ：A
绪论
攻需留有三个，中路定要留守一个，因为中路 后卫的角色转换回到本方场地，让后卫前去封
RoboCup 简介
进攻是到达球门最快的方法；另外，球员之间 堵对方球员的进攻。当然，对方要先过了中锋
然现在是全攻全守的时代，但是为了自己后场 成功的机率。
[5]皮燕妮，史忠科.基于单目视觉的汽车防偏
的防守，必须要留下一到两人防守。这样才能
2.3.2 角色转换
预警系统研究[J].计算机仿真，2005(10):44- 46.
保证球队的全心全意进攻，保障进攻的顺利
在进攻受阻后，便要进入决策转换中。当
性。不妨我们就称这两个为后卫。这样，参加进 传球出现失误，或是对方先进攻时，边锋要往
上面论述的是进攻配合的思想。要完成这 一个好的进攻策略可以给你创造更好的防守。
在增加了以上的规则后，机器人决策系统 样的配合，就要有两个行走的函数，一个是在 本文对进攻策略做了简单的描述，并提倡球队
就显得更加重要。也使设计决策系统的时候增 拿球后，一个是没有拿球的。拿球的行走动作 的团队配合。
多了许多注意事项。特别是对球队的防守起了 要设计的快一点，没拿球的要设计的慢一点，
在仿真组 3D 比赛中，阵形的优劣直接影 素，包括比赛中的噪声干扰。这种进攻决策的 现代电子技术,2004,(19):18- 21.
响着球队的胜负。在比赛中共有六个机器人球 好处是，通过传切，可以使三个进攻点的其中 [4]王荣本.新型视觉导航 AGV 的优势与应用
员，除了守门员，便只有五人可以参与进攻。虽 一个寻到一个比较空阔的射门场所，提高射门 前景[J].物流技术与应用,2005(7):23- 27
粗糙集理论及其应用研究
粗糙集理论及其应用研究一、粗糙集理论概述粗糙集是一种用于解决不确定性问题的数学工具。
粗糙集理论中知识被理解为对事物进行区分的能力，在形式上表现为对论域的划分，因而通过论域上的等价关系表示。
粗糙集通过一对上、下近似算子来刻画事物，它不需要数据以外的任何先验知识，因此具有很高的客观性。
目前，粗糙集被广泛用于决策分析、机器学习、数据挖掘等领域[1~6]。
二、粗糙集中的基本概念[7]定义1 论域、概念。
设U是所需研究的对象组成的非空有限集合，称为一个论域，即论域U。
论域U的任意一个子集XU，称为论域U的一个概念。
论域U中任意一个子集簇称为关于U的知识。
定义2 知识库。
给定一个论域U和U上的一簇等价关系S，称二元组K=(U，S)是关于论域U的知识库或近似空间。
定义3 不可分辨关系。
给定一个论域U和U上的一簇等价关系S，若PS，且P≠?，则∩P仍然是论域U上的一个等价关系，称为P上的不可分辨关系，记做IND(P)。
称划分U/IND(P)为知识库K=(U，S)中关于论域U的P-基本知识。
定义4 上近似、下近似。
设有知识库K=(U，S)。
其中U为论域，S为U 上的一簇等价关系。
对于X∈U和论域U上的一个等价关系R∈IND(K)，则X关于R的下近似和上近似分别为：下近似R(X)=∪{Y∈U/R|YX}上近似R(X)=∪{Y∈U/R|Y∩X=?}集合的上近似和下近似是粗糙集中最核心的概念，粗糙集的数字特征以及拓扑特征都是由它们来描述和刻画的。
当R=(X)时，称X是R-精确集;当R(X)≠(X)时，称X是R-粗糙集，即X是粗糙集。
三、粗糙集理论的优势随着人们对粗糙集理论的不断研究，它的应用领域在不断扩大，粗糙集理论的优势在于:1)他不需要专家的经验知识，而仅利用现实实例数据本身提供的信息;2)能搜索数据的最小集合，能从实例数据中获取易于证实的规则知识，最后，它同时允许使用定性和定量的数据。
近年来，粗糙集理论应用到了许多领域。
RoboCup 机器人足球仿真比赛开发设计
ＲｏｂｏＣｕｐ机器人足球仿真比赛开发设计＊ 郭叶军熊蓉吴铁军(浙江大学控制科学与工程学系工业控制技术国家重点实验室杭州 310027)E-mail: yjguo@摘要：机器人世界杯足球锦标赛(The Robot World Cup)，简称RoboCup，通过提供一个标准任务来促进分布式人工智能、智能机器人技术及其相关领域的研究与发展。
本文在介绍RoboCup仿真环境的基础上，系统完整地介绍了客户端程序的开发设计流程，阐述了其中涉及到的一些主要问题和算法，最后简要综述目前国际上的典型高层算法结构。
关键词： RoboCup 机器人足球比赛多智能体系统随着计算机技术的发展，分布式人工智能中多智能体系统(MAS：Multi-agent System)的理论及应用研究已经成为人工智能研究的热点。
RoboCup1则是人工智能和机器人技术的一个集中体现，被认为是继深蓝战胜人类国际象棋冠军卡斯帕洛夫后的又一里程碑式挑战，目标是到2050年完全类人的机器人足球队能够战胜当时的人类足球冠军队伍。
RoboCup包括多种比赛方式，主要分为软件仿真比赛和实物系列的机器人足球比赛。
由于软件仿真比赛无需考虑实际的硬件复杂性，避免硬件实现的不足，可以集中于研究多智能体合作与对抗问题，因此，目前参加仿真组比赛的队伍数目最多。
本文的内容涉及RoboCup仿真比赛，系统地介绍了client程序开发设计完整流程，可以作为是开发完整的RoboCup仿真程序的入门指南。
１．RoboCup仿真比赛介绍２ RoboCup仿真比赛提供了一个完全分布式控制、实时异步多智能体的环境，通过这个平台，测试各种理论、算法和Agent体系结构，在实时异步、有噪声的对抗环境下，研究多智能体间的合作和对抗问题。
仿真比赛在一个标准的计算机环境内进行，采用Client/Server 方式，由RoboCup联合会提供Server系统rcsoccersim(版本8之前名为soccerserver)，参赛队编写各自的客户端程序，模拟实际足球队员进行比赛。
粗糙集理论在飞行模拟中的应用案例解析
粗糙集理论在飞行模拟中的应用案例解析飞行模拟是航空领域中非常重要的一项技术，它可以提供真实的飞行环境和体验，用于飞行员的培训和飞行器的研发。
而粗糙集理论作为一种基于不完全信息的数据分析方法，近年来在飞行模拟中的应用也逐渐受到关注。
本文将通过一个实际案例，探讨粗糙集理论在飞行模拟中的应用。
案例背景某航空公司拥有一支庞大的飞行员队伍，他们需要定期进行模拟飞行训练以保持飞行技能的熟练度。
然而，由于飞行模拟器的时间和资源有限，无法对每个飞行员都进行全面的训练。
因此，航空公司希望能够通过粗糙集理论的方法，选择出最具代表性和关键性的训练场景，以达到高效的训练效果。
粗糙集理论在训练场景选择中的应用首先，我们需要收集和整理大量的飞行数据，包括不同机型、不同航线、不同天气条件下的飞行数据。
然后，利用粗糙集理论的思想，对这些数据进行分析和挖掘。
粗糙集理论的核心思想是通过粗糙近似来描述数据之间的关系。
在飞行模拟中，我们可以将不同训练场景看作是一个个决策属性，而飞行员的表现则是一个个条件属性。
通过对这些属性进行分析，可以帮助我们找到最具代表性和关键性的训练场景。
首先，我们可以利用粗糙集理论中的约简技术，将冗余和无关的属性去除，从而简化数据集。
这样可以减少训练场景的数量，提高训练效率。
其次，我们可以利用粗糙集理论中的核心近似技术，对数据进行分类和聚类。
通过将相似的训练场景归为一类，可以帮助我们找到具有代表性的训练场景。
同时，通过将不同的飞行员归为一类，可以帮助我们找到关键性的训练场景。
最后，我们可以利用粗糙集理论中的决策规则技术，对数据进行分析和预测。
通过分析不同训练场景和飞行员的关系，可以帮助我们预测出不同飞行员在不同场景下的表现，从而选择出最适合的训练场景。
案例分析通过对飞行数据的分析和挖掘，我们得到了一些有关训练场景选择的结论。
首先，我们发现在恶劣天气条件下的训练场景对飞行员的技能提高具有重要意义。
这是因为在恶劣天气条件下，飞行员需要应对更多的挑战和困难，提高了他们的应变能力和决策能力。
掌握粗糙集理论在机器学习中的高效应用方法
掌握粗糙集理论在机器学习中的高效应用方法近年来，机器学习技术的快速发展为我们提供了许多强大的工具和方法来解决实际问题。
而粗糙集理论作为一种重要的数据分析方法，已经被广泛应用于机器学习领域。
本文将介绍如何高效地应用粗糙集理论在机器学习中，以提高数据分析和模型构建的效率和准确性。
一、粗糙集理论简介粗糙集理论是由波兰学者Zdzislaw Pawlak于1982年提出的一种数据分析方法。
它基于近似推理和不确定性的概念，通过对数据集进行粗化和细化操作，从而得到数据的粗糙和精确描述。
粗糙集理论主要包括近似集合、属性约简和决策规则等概念和方法。
二、粗糙集理论在特征选择中的应用特征选择是机器学习中非常重要的一步，它能够从原始数据中选择出最具代表性的特征，提高模型的准确性和泛化能力。
而粗糙集理论提供了一种有效的方法来进行特征选择。
通过计算属性的重要性和依赖度等指标，可以得到数据集的属性约简，从而减少特征的数量，提高模型的效率和可解释性。
三、粗糙集理论在分类问题中的应用分类是机器学习中最常见的任务之一。
而粗糙集理论可以帮助我们构建有效的分类模型。
通过计算属性的依赖度和决策规则等指标，可以得到数据集的决策规则集合，从而实现对数据的分类和预测。
此外，粗糙集理论还可以通过属性约简和决策规则的合并等操作，提高分类模型的准确性和泛化能力。
四、粗糙集理论在聚类分析中的应用聚类分析是机器学习中另一个重要的任务，它能够将数据集中的对象划分为若干个相似的组。
而粗糙集理论可以帮助我们进行有效的聚类分析。
通过计算对象之间的相似度和属性的重要性等指标，可以得到数据集的粗糙聚类结果。
此外，粗糙集理论还可以通过属性约简和对象的合并等操作，提高聚类模型的准确性和稳定性。
五、粗糙集理论在异常检测中的应用异常检测是机器学习中重要的一项任务，它能够帮助我们发现数据中的异常行为和异常对象。
而粗糙集理论可以提供一种有效的方法来进行异常检测。
通过计算对象的异常度和属性的重要性等指标，可以得到数据集的异常检测结果。
微软(MS)仿真组-RoboCup_3D类人仿真比赛规则
微软(MS)仿真组RoboCup 3D类人仿真比赛规则（2008年8月）目录1.场地 (3)2.球队和球员 (4)3.比赛过程 (5)4.犯规 (7)5.问题与讨论 (8)1.场地场地为570cm×420cm的矩形，场地中450cm×300cm的矩形范围为界内，场地四角有四个角柱。
为了防止机器人离开场地，在整个场地的外边缘有透明的围墙。
沿着场地两侧边线有六个初始点，两侧禁区正前各有一个点球点，中圈中心有一个开球点。
这些点都是由两条10cm垂直相交、宽度为5cm的直线标出。
在场地上，所有可见的线包括：边线、底线（球门线为底线在球门柱之间的部分）、中场线、中圈以及禁区的边界线，所有可视的线的宽度均为5cm。
各部分区域定义如下：场地：场地为两条边线和两条底线所包含的区域，边线和底线都是场地的一部分。
球完全出界为出界，球完全越过球门线为进球。
禁区：禁区是整个禁区边界线包围的区域，禁区线和相对应的底线中间部分也是禁区的一部分。
机器人两脚完全进入禁区视作进入禁区。
中圈：中圈是中圈边界线包围的区域，中圈线是中圈的一部分。
开球时，机器人的脚可以部分进入中圈，但是任何一只脚不得完全进入中圈。
图一仿真比赛足球场地示意图（此图并非完全按照比例绘制）球门高度为90cm，球门内侧三个面涂有颜色，右半场球门为黄色，左半场球门为蓝色。
场地四角有角柱，角柱高度为90cm，有三段黄蓝相间30cm宽的色带组成，右半场的角柱中间部分为蓝色，左半场的角柱中间为黄色。
2.球队和球员2.1球队仿真比赛由两支球队组成——黄队和蓝队。
每队参赛的球员数（包括守门员）为3个。
双方所有球员的身体躯干部分为各自队伍的颜色标识。
在比赛的过程中，黄队一直在右半场，防守黄色球门；蓝队一直在左半场，即防守蓝色球门。
比赛交换半场交换场地时，只交换机器人控制权，即如果某队上半场控制蓝队机器人所在半场为左半场，那么下半场则控制黄队机器人所在半场为右半场。
RoboCup3D仿真中双足机器人的运动规划与智能决策
Thesis Submitted to Nanjing University of Posts and Telecommunications for the Degree of Master of Engineering
By Zheng Chonghu Supervisor: Prof. Wang Baoyun and Lecturer Liang Zhiwei March 2013
Keywords: RoboCup3D, Robot soccer, Kalman filter, Dynamic and complicated environment, Smooth ND obstacle avoidance algorithm
II
目录
摘要 .......................................................................................................................................................................... I Abstract ..................................................................................................................................................................II 第一章 绪论 ...........................................................................................................
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
—215—粗糙集方法在RoboCup 仿真球队中的应用徐 怡1，李龙澍2，李学俊1(1. 安徽大学计算智能与信号处理教育部重点实验室，合肥 230039；2. 安徽大学计算机科学与技术学院，合肥 230039）摘 要：基于粗糙集的决策分析方法，对RoboCup 仿真球队中Agent 的行为执行效果进行评测，并且在当前行为的执行效果不理想的情况下，通过适当的调节可控属性值来选择有助于此行为的辅助行为。
使得Agent 能够根据当前场上的状态，更有效地决定下一步的行动。
并以射门为例，通过实验证明了该方法的有效性。
关键词：粗糙集；机器人足球；行为评测；行为选择Application of Rough Set in RoboCup Simulator League LearningXU Yi 1, LI Long-shu 2, LI Xue-jun 1(1. Key Lab of IC&SP at Anhui University, Ministry of Education, Hefei 230039; 2. Department of Computer Science and technology, Anhui University, Hefei 230039)【Abstract 】Estimating the action’s effect of agent in RoboCup simulator league based on Rough Set is discussed and when the action’s effect is not good, choosing one ancillary action which is good for it by adjusting the values of the controllable attributions is presented. It makes the agent can determine the next action effectively according to the current status in the field. Taking shooting for example, this paper certify that this approach is effective by testing.【Key words 】rough set; RoboCup; action estimation; action choosing计 算 机 工 程Computer Engineering 第33卷 第24期Vol.33 No.24 2007年12月December 2007·人工智能及识别技术·文章编号：1000—3428(2007)24—0215—02文献标识码：A中图分类号：TP18仿真机器人足球赛RoboCup 是一个国际性的研究和教育项目，是一种典型的多Agent 系统。
RoboCup 仿真比赛标准计算机环境的主要特点是：动态实时性；环境干扰，合作与协调性，受限的通信带宽等[1]。
这些特点使得仿真球队的设计非常复杂，完全依靠手工编程实现任务非常繁重甚至无法实现。
近年来，MAS(Multi-Agent System)的学习成为一个新的研究热点，其关键是用学习技术增强Agent 的智能，即Agent 自己解决问题的能力。
在实际比赛中，每个智能体需要根据场上的实时环境来决定当前所执行的动作能否达到目标期望，若能则直接执行，否则需要选择其他的动作来执行，这就涉及到一个行为评测和行为选择的问题[2]。
Pawlak 提出的粗糙集理论[3]，是一种有效的处理不完整性和不确定性的数学工具，通过对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。
由于粗糙集自身的特点，使得它很适合对Agent 的行为进行评测。
并且在当前行为的执行效果不理想的情况下，通过适当的调节选择有助于此行为的辅助行为。
1 Rough 集的基本概念下面简要介绍文中所涉及到的粗糙集的基本概念[4]。
定义1 (知识表达系统) 一个知识表达系统S 可表达为S =<U , C , D , V , f >，其中，U 表示对象的集合，即论域；R =C ∪D ，是属性的集合，其中，C 表示条件属性集；D 表示决策属性集；V =∪r ∈R V r 是属性值的集合，其中，Ｖr 是属性r ∈R 的值域；f 是信息函数，f :Ｕ×R →Ｖ，即f(x ,R )∈Ｖr ，它指定了Ｕ中每一对象x 的属性值。
定义2 (决策规则) 令X i 是Ｕ中根据条件属性C 定义的分类，Y j 是Ｕ中根据决策属性D 定义的分类，定义一个函数Dx : Des C (X i )→Des D (Y j )，X i ∩Y j ≠Φ。
函数Dx 称为决策表Ｔ中的决策规则。
Des C (X i )表示对X i 的特征描述，Des D (Y j ) 表示对Y j 的特征描述。
规则的确定性因子μ(X i , Y j )=|X i ∩Y j |/|X i |，0<μ(X i ,Y j )≤1。
目前从知识表达系统中推理决策规则有多种方法，较常用的是通过对决策表进行约简产生决策规则，其一般步骤 如下：(1)进行条件属性的简化，即从决策表中消去某些列；(2)消去重复的行；(3)消去每一决策规则中的属性的冗余值，即属性值的约简；(4)输出决策规则。
对于属性和属性值的约简有很多方法，详细算法见文献[5-8]。
2 粗糙集在RoboCup 仿真比赛中的应用实际比赛中场上环境复杂多变，根据当前的环境来评测Agent 当前行为的执行效果，需要考虑众多的因素。
由于比赛是实时的，仿真环境中存在干扰，因此采集到的数据可能不准确，甚至是错误的；由于球员视野的限制，所采集到的数据也可能是不完整的。
粗糙集作为一种处理不完整性和不确定性数据的有效工具，对于这些问题都能够较好地解决。
首先介绍两个相关术语：可控属性和不可控属性。
可控属性是指，Agent 可以通过自身的一些行为进行改变的属性，例如，Agent 可以通过转动身体来改变身体的朝向；不可控属性则是指Agent 所不能控制的属性，这类属性的改变不依赖或不完全依赖于Agent 的行为，例如，其他Agent 的速度。
本文提出一个算法具体说明如何利用粗糙集方法，根据基金项目：国家自然科学基金资助项目(60273043)；安徽省高校拔尖人才基金资助项目(05025102)；安徽省自然科学基金资助项目(050420204)作者简介：徐 怡(1981－)，女，博士研究生，主研方向：不精确信息处理，RoboCup 仿真比赛；李龙澍，教授、博士生导师；李学俊，讲师、博士研究生收稿日期：2007-03-25 E-mail ：xuyi1023@当前场上的比赛环境对Agent的当前行为效果进行评测。
并且在当前行为的执行效果不理想的情况下，通过适当调节可控属性选择有助于此行为的辅助行为，从而提高Agent的智能性。
算法步骤如下：步骤1 尽量多收集与当前行为b有关的属性因素构成属性集Q。
步骤2 对应于属性集Q，采集尽量多的样本数据用于学习。
步骤3 由属性集和样本数据构成决策表，其中，条件属性即为Q，决策属性即为由样本数据得到的b执行成功与否的结论，由于所收集数据的不完备性，该决策表也是不完备的。
步骤4 利用上述的粗糙集方法对决策表进行约简，可以得出一系列决策规则，并计算每一规则相应的确定性因子。
特别注意，对于所得决策规则即使它的结论表明行为执行是成功的，由于决策表自身的不完备性，并不能说该行为执行成功的概率是100%，为此笔者用确定性因子表示b执行成功的概率。
对于b执行失败的规则，其确定性因子记为0，所有的规则构成一个规则库。
步骤5 在实际比赛时当Agent为实现目标执行b时，将当前场上的环境情况与规则库中的规则进行匹配，若存在某一匹配规则的确定性因子大于某一阈值δ，说明此时b执行成功的概率比较大，可以执行b，否则转步骤6。
步骤6 从该规则的条件属性中取出那些可控属性，记为Q'，根据Q' 建立一张“属性－行为”对应表，每一个可控属性q i∈Q'，对应于一个行为集合b(q i)。
当Agent 执行b(q i)中的任一行为时，属性q i的值都会改变。
对于任意的q i∈Q'，分别计算其对应的属性值在改变的情况下行为b执行成功的概率，记为p i，找出p i中的最大值，记为p*，其对应的属性为q* 。
若p* >δ，则执行b(q*) 中的一个行为，并改变属性q* 的值到相应的范围内。
值得注意的是：在算法的步骤6中，总能通过适当调整可控属性的值，使得行为b执行成功的概率大于δ，即一定存在一个有助于b的辅助行为可供选择。
3 应用实例下面以射门为例，说明如何对Agent的行为进行训练，使Agent学会根据场上的当前状态判断是否可以射门，并在不可以射门的情况下选择有助于射门成功的辅助行为。
首先，收集了54个与射门有关的因素构成属性集Q，具体分类如下：射手距射门点的距离SP_dist，射门路线与身体朝向的夹角SP_ang，射门点距球门边框的最小距离SP_out。
守门员的信息：射手距守门员的距离Goalie_dist，守门员和射手所在的直线与射门路线的夹角Goalie_ang，守门员和射手之间距离与SP_dist的比值Goalie_radio。
将对手按与射门路线的夹角进行排序，其中，角度最小的两名对手的相关信息：到射手的距离Opponent1_dist, Opponent2_dist；与射门路线的夹角Opponent1_ang, Opponent2_ang；与射手之间距离与SP_dist的比值Opponent1_radio, Opponent2_radio。
球的信息：球到射手的距离Ball_dist；球的运动方向与射门方向的夹角Ball_ang；球的速度Ball_speed。
射手的信息：射手的速度Shooter_speed；射手身体朝向与头朝向的夹角Shooter_ang。
距离射手一定距离且与射门路线的夹角在一定范围内的对手个数：Num_di_aj，(i{5,10,15, 20}, j{2*k|1 k 10})。
根据属性集Q，采集了近3 000个训练样本，由粗糙集算法得出射门的部分决策规则及相应的确定性因子如下所示，其中，s表示射门成功；f表示射门失败；μ为规则的确定性因子，表示射门成功的概率：规则1 If(Goalie_radio>0.812) and (Num_d10_a14≤0) and (Ball_ang≤105.62) then(s)；μ=74.5%规则2 If(Goalie_radio>0.812)and(Num_d10_a14≤0) and (Ball_ang>105.62) and (Opponent2_dist>15.8)and(SP_ang> 119.25) then(s)；μ=86.5%规则3 If(Goalie_radio>0.812)and(Num_d10_a14≤0) and (Ball_ang>105.62) and (Opponent2_dist>15.8) and (SP_ang≤119.25) and (Ball_dist>0.7) and (Ball_speed>3.0) then(s)；μ=51.2%规则4 If(Goalie_radio>0.812) and (Num_d10_a14≤0) and (Ball_ang>105.62) and (Opponent2_dist>15.8) and (SP_ang≤119.25) and (Ball_dist>0.7) and (Ball_speed≤3.0) then(f)；μ=0规则5 If(Goalie_radio>0.812) and (Num_d10_a14≤0) and (Ball_ang>105.62) and (Opponent2_dist>15.8) and (SP_ang≤119.25) and (Ball_dist≤0.7) and (Opponent2_radio> 2.21) then(s)；μ=34.8%假设当前有一个样本如表1所示，通过查找规则库可知与规则4相匹配，但当前射门是失败的。