模糊控制原理http://www.skychip.cn/article/article/art579.htm亦此亦彼的模糊逻辑美国西佛罗里达大学的詹姆斯教授曾举过一个鲜明的例子。假如你不幸在沙漠迷了路，而且几天没喝过水，这时你见到两瓶水，其中一瓶贴有标签：“纯净水概率是0.91”，另一瓶标着“纯净水的程度是0.91”。你选哪一瓶呢？相信会是后者。因为后者的水虽然不太干净，但肯定没毒，这里的0.91表现的是水的纯净程度而非“是不是纯净水”，而前者则表明有19％的可能不是纯净水。再比如“人到中年”，就是一个模糊事件，人们对“中年”的理解并不是精确的一个岁数。从上边的例子，可以看到模糊逻辑不是二者逻辑——非此即彼的推理，它也不是传统意义的多值逻辑，而是在承认事物隶属真值中间过渡性的同时，还认为事物在形态和类属方面具有亦此亦彼性、模棱两可性——模糊性。正因如此，模糊计算可以处理不精确的模糊输入信息，可以有效降低感官灵敏度和精确度的要求，而且所需要存储空间少，能够抓住信息处理的主要矛盾，保证信息处理的实时性、多功能性和满意性。美国加州大学L.A.Zadeh博士于1965年发表了关于模糊集的论文，首次提出了表达事物模糊性的重要概念——隶属函数。这篇论文把元素对集的隶属度从原来的非0即1推广到可以取区间【0，1】的任何值，这样用隶属度定量地描述论域中元素符合论域概念的程度，就实现了对普通集合的扩展，从而可以用隶属函数表示模糊集。模糊集理论构成了模糊计算系统的基础，人们在此基础上把人工智能中关于知识表示和推理的方法引入进来，或者说把模糊集理论用到知识工程中去就形成了模糊逻辑和模糊推理;为了克服这些模糊系统知识获取的不足及学习能力低下的缺点，又把神经计算加入到这些模糊系统中，形成了模糊神经系统。这些研究都成为人工智能研究的热点，因为它们表现出了许多领域专家才具有的能力。同时，这些模糊系统在计算形式上一般都以数值计算为主，也通常被人们归为软计算、智能计算的范畴。模糊计算的实战应用模糊计算在应用上可是一点都不含糊，其应用范围非常广泛，它在家电产品中的应用已被人们所接受，例如，模糊洗衣机、模糊冰箱、模糊相机等。另外，在专家系统、智能控制等许多系统中，模糊计算也都大显身手。究其原因，就在于它的工作方式与人类的认知过程是极为相似的。在这里，笔者结合自己的研究实践，以一个建筑结构选型的专家系统为例，说明模糊推理系统是如何模仿领域专家的思维进行工作的，其中所用到的步骤、计算过程在其他模糊系统中也具有典型的代表性。FIS的系统构成与工作原理模糊推理系统的基本结构由四个重要部件组成（见图１）：知识库、推理机制、模糊化输入接口与去模糊化输出接口。知识库又包含模糊if-then规则库和数据库。规则库（rulebase）中的模糊规则定义和体现了与领域问题有关的专家经验或知识，而数据库则定义模糊规则中用到的隶属函数。模糊规则的形式一般为ifAisathenBisb，其中A与B都是语言变量（linguisticvariable）而a和b则是由隶属函数映射到的语言值（linguisticvalues）。例如“ifH很适应then结构很合理”这样一条模糊规则中，建筑高度“H”与“结构”都是语言变量，而“很适应”与“很合理”分别是它们的语言值，在数据库中都有相应的隶属函数加以定义。推理机制（decision-makingunit）按照这些规则和所给的事实（例如针对某一拟定方案）执行推理过程，求得合理的输出或结论（例如方案的评价值）。模糊输入接口（fuzzificationinterface）将明确的输入转换为对应隶属函数的模糊语言值，而去模糊输出接口则将模糊的计算结果转换为明确的输出。由图1我们可以看到，FIS的建立分为三个步骤：一是挑选能够反映系统工作机制的控制输入输出变量；二是挑选这些变量的模糊子集；三是用模糊规则建立输出集与输入集的关系。而模糊系统F用三个步骤将输入x映射到输出F(x)。第一步是将输入x并联地匹配到所有“如果部分”的模糊集合，这一步依据输入x属于每一个“如果部分”集合A的程度来“激活”或“启动”模糊规则。第二步是叠加所有按比例收缩的“则部分”集合，生成最终的输出集合。第三步是去模糊化，系统计算出最终输出集的形心或重心作为输出F（x），常用的去模糊化方法有：面积中心法、面积等分法、极值法等。FIS的推理机制我们以对建筑设计高度是否适应所选的结构形式这一单因素评价为例看看系统的推理过程（见图２）。对上述的“ifH很适应then结构很合理”规则而言，我们可以把H看作模糊单点，与“很适应”求交运算，得到H的“很适应”程度，亦即该规则前件的支持程度，再与“很合理”求交运算得到的模糊集便衡量了该关系得以成立的权重。通俗而言，即“H很适应”得到多大