但是，为了引入模糊控制，在这些数据进入模糊控制器之前，必须先对他们先进行“模糊化”！这包括如下的工作：确定符合模糊控制器要求的输入量。例如，常用输入量是误差和误差的改变量。即E和∆E其中为K时刻的期望值∆E[k]=E[k]-E[k-1]y[k]为K时刻的实际输出值将这些输入变量进行尺度变换，使其落在各自的论域范围例：E和∆E的常用论域为[-6，+6]将已变换到相应论域的的输入量进行模糊处理，使原先精确量变成模糊量，并用相应的模糊集合表示。也就是说：确定当前输入量落在哪些模糊集中，相应的隶属度值分别是多少？——这是为后面的模糊推理作准备。知识库knowledgebase，包括Datebase=各模糊集的隶属度函数，尺度变换因子，以及模糊空间的分级数。Rulebase=用模糊语言变量表示的一系列控制规则，反应了专家的经验。模糊推理FuzzyReasoning⁄推理机=inference这是模糊控制器的核心，它模拟人的推理机制。它是通过模糊逻辑中的蕴涵关系以及推理规则来进行的。我们在上一章已介绍其中的一些内容，接下去还要继续介绍。Defuzzifier:清晰化，逆模糊化，…这部分的作用是将通过模糊推理得到的控制量（！模糊量）变换成实际用于控制的清晰量。包括：a)将模糊的控制量经清晰化变换成表示在论域范围内的清晰量；b)将表示在论域范围的清晰量经尺度变换实际的控制量。下面对模糊控制器所涉及的各方面进行介绍。§2模糊控制规则§3输入模糊化这里采用三角形的membershipfunction，并采用连续量的输入量。例：e=3.4，则另外也有采用Bell—shaped:也可采用离散化表示的输入量，相应的隶属度函数值也是离散的。例如：x的离散值范围-6[-6，-5.5]|6[5.5，6]-5(-5.5，-4.5]|5[4.5，5.5)-4(-4.5，-3.5]|4[3.5，4.5)-3(-3.5，-2.5]|3[2.5，3.5)-2(-2.5，-1.5]|2[1.5，2.5)-1(-1.5，-0.5]|1[0.5，1.5)0(-0.5，0.5]|相应的隶属度函数值离散点处理的方法计算量小，但精确性往往不够。我们把对输入变量分割成NL，NM，…，PL等模糊集合的过程称为模糊分割。模糊分割的结果，决定了最大可能的模糊规则的个数。如果E和∆E都分割为7个模糊集合，那么组合的结果为7×7=49条规则分割数太小，那么分割得太粗，控制性能不佳；太细，则计算量增加。实际还是凭经验和试凑§4模糊规则与模糊决策这是很容易理解的，E正大，即y太小，∆E负小，即误差在减小，但太慢，那么，应该大幅度增加U，使E减小得更快这里采用∆U为输出量，使控制量的输出为U（k+1）=U（k）+∆U（k）使得即便规则有误，也不至于U（k+1）太离谱当然，U需要限幅[UMIN，UMAX]根据模糊控制规则进行模糊推理和决策有两种方法综合法：根据规则库，确实输入和输出的关系R,然后2)并行法：对规则分别处理，根据各规则的匹配程度再相应地结合起来先介绍综合法模糊决策的综合法设第L条规则是：IF<AL1andAL2…Aln>THEN<Bl>则那么，整个规则库的所有相关规则综合处理，得到模糊关系R于是，如果有输入A1,A2,…,An,则输出为B例，某个模糊控制器只有两条规则rule-1:IF<eisE1and∆eisc1>THEN<∆uisu1>rule-2:IF<eisE2and∆eisc2>THEN<∆uisu2>其中那么类似的如果当前输入为则可取1，也可取2，或取1.5求模糊关系R是一件非常麻烦的事，有时候辛苦算好后的R并不能准确的反映实际的情况，那么还要修改规则库，再求R，反复很多次；另外，实际计算R很费机时，对实时控制有影响。所以，经常采用离线计算，在线查表方式。并行法设规则rule-l:IF<Al1andAl2and…andAln>THEN<Bl>那么，k=1,…,n就表示当前输入状态对规则rule-l的匹配程度显然，如果αl=1:完全匹配；如果αl=0；完全不匹配，无关。我们也把αl称为第L条规则的激励强度常用的模糊决策方法有以下几种：最小运算规则法，也称Mamdani法其中是第L条规则结论部分，控制作用的模糊集的隶属函数是该规则对最后控制决策的贡献而，l=1,…,NN=规则数UA1乘运算规则型，——也称Larsen法即根据上面的方法得到的结论仍是输出论域上的模糊集，这是不能用来输出到被控对象的，还需要一个清晰化过程，即解模糊过程，才能得到控制量的清晰值。这在后面会讲到。评价函数型如果规则形式为IF<x1isA1andx2isA2,…andxnisAn>THEN<y=fl(x1,x2,…,xn)>那么，实际控制作用为-