Fuzzify输入

第一步是把输入和确定他们属于每个人的程度适当的模糊集通过隶属度函数(模糊化)。在模糊逻辑工具箱™软件,输入总是脆数值有限论域的输入变量(在这种情况下,间隔从0到10)。输出是一个模糊隶属程度的排位赛语言设置(总是间隔从0到1)。输入量的模糊化,查表或一个函数的评估。

这个例子是建立在三个规则,每个规则取决于解决输入几个不同的模糊语言集:服务很差,服务很好,食物变质,食物是美味的,等等。规则可以评估之前,输入必须fuzzified根据每种语言集。例如,在多大程度上是食物好吃吗?下图显示了如何假设的餐馆的食物(评价等级从0到10)合格的语言变量美味使用成员函数。在这种情况下,我们速度的食物作为8日,美味的图形化定义,对应µ= 0.7美味的隶属函数。

在这种方式中,每个输入fuzzified所有所需的合格的隶属度函数的规则。

应用模糊算子

fuzzified输入后,你知道的每个部分的前期是每个规则的满意。如果一个规则的先行词有多个部分,模糊算子应用于获得一个数字,代表统治前期的结果。这个数字是然后用于输出函数。模糊算子的输入两个或两个以上的成员来自fuzzified输入变量的值。输出是一个真值。

中描述的逻辑运算任意数量的明确的方法可以填写和操作或操作。在工具箱中,两个内置支持和方法:金宝app最小值(最低)和刺激(产品)。两个内置或方法也支持:金宝app马克斯(最大)probor(概率)。概率或方法(也称为代数和)计算根据方程:

除了这些内置的方法,您可以创建自己的方法,或通过编写任何功能和设置你的方法的选择。有关更多信息,请参见建立模糊系统使用自定义函数。

下图演示了OR操作符马克斯通过评估引爆的第三条规则计算的前提。对于给定的服务和食品评级,前期的两个元素(服务很好,食物很好吃)的模糊隶属度值产生0.0和0.7,分别。模糊或运营商选择最大的两个值,0.7。概率或方法仍将导致0.7。

运用暗示法

在应用暗示方法之前,您必须确定规则的重量。每一个规则都有重量(一个从0到1的数字),它适用于由先行词。一般来说,这个重量是1(在本例中),因此对影响过程没有影响。然而,您可以减少一个规则的影响相对于其他通过改变它的重量值1以外的东西。

适当的加权后分配给每个规则,这意味着实现方法。随之是一个模糊集表示为一个成员函数,这可归因于它的重量适当的语言特征。随之而来的是使用一个函数重塑与先行词(一个数字)。含义的输入过程是一个数字的前提,并输出模糊集。含义是对于每个规则实现的。两个内置方法支持,他们使用的是相同的函数和方法:金宝app最小值(最低),输出模糊集,截断刺激(产品),天平输出模糊集。

聚合所有输出

由于决策是基于测试在FIS的所有规则,规则输出必须以某种方式相结合。聚合的过程输出的模糊集,表示每个规则被组合到一个模糊集,聚合为每个输出变量只发生一次,最后去模糊化步骤之前。聚合过程的输入是截断的列表输出函数返回的每个规则的影响过程。聚合过程的输出是一个每个输出变量的模糊集。

只要聚合方法是交换,那么规则执行的顺序不重要。支持三个内置方法。金宝app

显示在下图中,所有三个规则来显示如何聚合到单个规则输出模糊集的隶属函数分配一个权重对每一个输出(小费)值。

Defuzzify

去模糊化过程总输出的输入模糊集和输出是一个数字。尽可能多的模糊性帮助规则评估在中间步骤,最终期望输出值为每个变量通常是一个数字。然而,模糊集的集合包含了一系列的输出值,因此必须defuzzified获得一个输出值的设置。

有五个内置的去模糊化方法支持:重心,平分线,中间最大的平均输出的最大值设置),最大最大最大的和最金宝app小的。也许最受欢迎的质心计算去模糊化方法,它返回的中心下的面积总模糊集,如下图所示。

虽然总输出模糊集覆盖范围从0%不过30%,defuzzified值在5%和25%之间。这些限制对应的质心便宜的和慷慨的分别隶属度函数。

模糊推理图

模糊推理图是所有小的复合图提出了到目前为止在这一节中。它同时显示所有部分模糊推理过程的检查。信息流动通过模糊推理图如下图所示。

在这个图中,流动资金的投入在左下角,在每一行,然后规则输出到右下角。这个紧凑的流动显示的一切,从语言变量模糊化通过去模糊化的总输出。

下图显示了实际的全尺寸的模糊推理图基本小费问题。使用模糊推理图,你可以学到很多关于系统如何运作。例如,对于特定的输入在这个图中,您可以看到,言下之意是截断的方法最小值函数。的马克斯函数是用于模糊或操作。规则3(最底层的行之前)所示的图中最强的影响输出。更多信息查看规则推理图模糊系统,明白了使用模糊逻辑分析模糊系统设计师。