模糊控制_WM算法_模糊规则提取

2023-12-12 17:18
文章标签 算法 提取 模糊 规则 模糊控制 wm

本文主要是介绍模糊控制_WM算法_模糊规则提取，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

模糊控制——WM算法  

在现代智能控制算法中，模糊控制是在实际控制系统设计中使用比较成熟的一种方法。模糊控制可以使用在一些无法建立系统模型的场合，根据专家经验确定模糊规则，实现对系统的控制。

这里主要介绍一种基本的模糊控制算法，WM算法。该算法的思想是根据采样的数据对（一组输入、输出数据），确定出模糊规则，通常是一条数据对就可以确定一条规则。

首先我们需要确定系统的输入输出数量，假设系统为单输入单输出。对输入变量x，输出变量y分别划分模糊集合，可以使用正态分布隶属度函数，或者三角隶属度函数来划分。这叫做变量的模糊化。如x的论域为[0,2],划分13个模糊集合，分别为A1,A2,A3,...,A13,如下图：

  对于输出y,论域为[-1.5,1.5],划分13个模糊集合，为B1,B2,B3,...,B13，如下图所示：

现在有0-2论域上均匀分布的样本点共21个，利用它们来确定模糊规则。

需要分别计算每一个数据点在模糊集合上的隶属度，选取最高的隶属度值作为确定一条模糊规则的依据。如样本点（0.2,1），需要计算0.2在输入隶属度函数中的隶属度值，需要计算13个值，找出其中最大的值如A5，则输入为A5；再计算输出1在13个模糊集合中的隶属度函数值，找出最大的那个，如B2，则输出为B2；由此可以确定一条模糊规则：IF x=A5 THEN y=B2;由此可以确定21个规则；但是这些规则有大量的重复和冲突的规则，需要计算它们置信度

conf=u(Ax)*u(By);

由此公式可以求出矛盾规则的置信度，把置信度低的规则去掉；按照WM算法的提出则王立新的做法，还应该乘上一个专家经验系数，也就是专家认为这条规则的可信度大不大。上面的公式改写为：

conf=u*u(Ax)*u(By);

由此可以建立模糊规则库；

上面表中的第一行代表输入x的隶属集合的下标，第二行代表输出y的隶属集合的下标。

利用模糊规则库，计算输出y;根据去模糊化公式：

即可计算输出。

选用函数

y=0.9*sin(PI*x)+0.3*cos(3*PI*x);

以下是在matlab中的仿真代码：

（1）计算输出变量y的隶属度函数

function u = u_y_B(y,a,left,right,step)
%u_y_B
% 计算输出变量y的隶属度函数值
%y:输出变量的值
%a：区间中点的值
%left:表示论域区间的左端点
%right：表示论域区间的右端点
%step:三角形底边长的一半
%论域为[-1.5,1.5]，共有5个模糊区间：B1,B2,B3,B4,B5
b=a-step;
c=a+step;
len=length(y);
u=zeros(1,len);
for i=1:lenif a==left+stepif y(i)>=b&&y(i)<=au(i)=1;endif y(i)>a&&y(i)<=cu(i)=(c-y(i))/(c-a);endif y(i)<b||y(i)>cu(i)=0;endelseif a==right-stepif y(i)>=b&&y(i)<=au(i)=(y(i)-b)/(a-b);endif y(i)>a&&y(i)<=cu(i)=1;endif y(i)<b||y(i)>cu(i)=0;end  elseif y(i)>=b&&y(i)<=au(i)=(y(i)-b)/(a-b);endif y(i)>a&&y(i)<=cu(i)=(c-y(i))/(c-a);endif y(i)<b||y(i)>cu(i)=0;endend
end
end

（2）计算输入隶属度（输入模糊化）

function u=u_x_input(x)
%计算任意一个输入在输入模糊区间A1，A2，A3，A4，A5，A6，A7上各自的隶属度值
% x：输入值
% u：输出一个有隶属度组成的数组
a=0;
u=zeros(1,10);
for i=1:10a=a+0.2;u(i)=u_x_A(x,a); 
end
end
function u= u_x_A(x,a)
%u_x_A
% 计算输入变量x的隶属度函数值
%x:输入变量的值
%a：区间中点的值
%论域为[0,2]，共有10个模糊区间A1,A2,A3,A4,A5,A6,A7，A8，A9，A10
len=length(x);
u=zeros(1,len);
b=a-0.2;
c=a+0.2;
for i=1:lenif a==0.2if x(i)>=b&&x(i)<=au(i)=1;endif x(i)>a&&x(i)<=cu(i)=(c-x(i))/(c-a);endif x(i)<b||x(i)>cu(i)=0;endelseif a==1.8if x(i)>=b&&x(i)<=au(i)=(x(i)-b)/(a-b);endif x(i)>a&&x(i)<=cu(i)=1;endif x(i)<b||x(i)>cu(i)=0;end  elseif x(i)>=b&&x(i)<=au(i)=(x(i)-b)/(a-b);endif x(i)>a&&x(i)<=cu(i)=(c-x(i))/(c-a);endif x(i)<b||x(i)>cu(i)=0;endend
end
end

（3）WM算法实现脚本

clc;
clear;
PI=3.1415926;
t=0:0.01:2;
y=0.9*sin(PI*t)+0.3*cos(3*PI*t);
plot(t,y);%原始图像
xlabel('输出值x');
ylabel('输入值y');
grid on;
title('y=0.9*sin(PI*t)+0.3*cos(3*PI*t)');%获取采样点,采样21组数据
sample_x=0:0.1:2;
sample_y=0.9*sin(PI*sample_x)+0.3*cos(3*PI*sample_x);
sample_num=length(sample_x);%采样个数%论域x划分set_X个模糊区间，使用正态（高斯）形隶属函数,论域[0,2]
set_X=13;
xmin=0;
xmax=2;
x_step=(xmax-xmin)/(set_X-1);%x模糊集合的步长
av_x=xmin:x_step:xmax;       %计算高斯分布均值
sigma_x=sqrt(-x_step^2/(8*log(0.5)));%计算高斯分布方差
%sigma_x=0.09;
x=xmin:0.01:xmax;
figure(2)
for i=1:set_Xplot(gaussmf(x,[sigma_x,av_x(i)]));%绘制x的模糊函数曲线hold on;
endlegend('A1','A2','A3','A4','A5','A6','A7','A8','A9','A10','A11','A12','A13');xlabel('输入值x');ylabel('隶属度值u(x)');set(gca,'XTick',0:50:250);set(gca,'XTickLabel',{'0','0.5','1.0','1.5','2','2.5'});title('输入变量x的模糊区间划分以及隶属度');%论域y划分set_Y模糊区间，使用三角隶属函数,论域[-1.5,1.5]
figure(3)
set_Y=13;
ymin=-1.5;%论域下限
ymax=1.5; %论域上限
y_step=(ymax-ymin)/(set_Y+1);%三角形两个尖点之间的步长
a=ymin;%保存论域下限，方便后面的隶属度计算
y=ymin:0.01:ymax;%获取一组y的数值
for i=1:set_Ya=a+y_step;plot(u_y_B(y,a,ymin,ymax,y_step));%绘制y的模糊函数曲线hold on;
endlegend('B1','B2','B3','B4','B5','B6','B7','B8','B9','B10','B11','B12','B13');xlabel('输出值y');ylabel('隶属度值u(y)');set(gca,'XTick',0:50:350);set(gca,'XTickLabel',{'-1.5','-1.0','-0.5','0','0.5','1.0','1.5','2.0'});title('输出变量y的模糊区间划分以及隶属度');%WM算法uxA=zeros(sample_num,set_X);%存储每条样本数据x的隶属度函数值uyB=zeros(sample_num,set_Y);%存储每条样本数据y的隶属度函数值for i=1:set_XuxA(:,i)=gaussmf(sample_x,[sigma_x,av_x(i)]);%sample_num个样本x的在第i个模糊区间中的隶属度值enda=ymin;for j=1:set_Ya=a+y_step;uyB(:,j)=u_y_B(sample_y,a,ymin,ymax,y_step);%sample_num个样本y的在第j个模糊区间中的隶属度值endWM_rule=zeros(3,sample_num);%保存每个样本数据所在的模糊集合的下标[~,WM_rule(1,:)]=max(uxA,[],2);%计算每个样本x所在的模糊集合下标[~,WM_rule(2,:)]=max(uyB,[],2);%计算每个样本y所在的模糊集合下标for i=1:sample_numWM_rule(3,i)=uxA(i,WM_rule(1,i))*uyB(i,WM_rule(2,i));  %计算每条规则的支持度 end%对于属于x属于同一个模糊区间，输出却不同的规则，去除信任度低的规则for i=2:sample_numif(WM_rule(1,i-1)==WM_rule(1,i))if(WM_rule(3,i-1)<=WM_rule(3,i))WM_rule(:,i-1)=0;elseWM_rule(:,i)=0;endendendWM_rule(:,all(WM_rule==0,1))=[];%去除多于的规则（把每列全为0的删除）%WM算法的模糊规则库已经建立完成
p_value=zeros(1,set_Y);%用于保存y模糊函数尖点所对应的横坐标的值
a=ymin;
for i=1:set_Ya=a+y_step;p_value(i)=a;%保存y模糊函数尖点所对应的横坐标的值
end%测试规则
x=0;
y_x=zeros(1,201);
WM_y_x=zeros(1,201);
for i=1:201x=x+0.01;ux=zeros(1,set_X);for m=1:set_Xux(m)=gaussmf(x,[sigma_x,av_x(m)]);endnum=0;num1=0;den=0;for j=1:set_Xnum=num+p_value(B_index(j))*ux(j);num1=num1+p_value(WM_rule(2,j))*ux(j);den=den+ux(j);endy_x(i)=num/den;WM_y_x(i)=num1/den;
end
figure(4);
x=0:0.01:2;
plot(x,WM_y_x,'-.b');%画出WM算法的输出曲线
hold on;
y=0.9*sin(PI*x)+0.3*cos(3*PI*x);
plot(x,y,'-g');  %画出原始函数的曲线xlabel('输入值x');ylabel('输出值y');title('使用WM、DM模糊控制算法的结果');legend('WM算法输出曲线','原始输出曲线');
grid on;

仿真结果如下：

由上图可知：WM算法能够较好的拟合原始曲线。

这篇关于模糊控制_WM算法_模糊规则提取的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/485356。

相关文章

使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)

使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)

《使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)》在现代软件开发中,处理JSON数据是一项非常常见的任务,无论是从API接口获取数据,还是将数据存储为JSON格式,解析... 目录1. 背景介绍1.1 jsON简介1.2 实际案例2. 准备工作2.1 环境搭建2.1.1 添加
阅读更多...
python解析HTML并提取span标签中的文本

python解析HTML并提取span标签中的文本

《python解析HTML并提取span标签中的文本》在网页开发和数据抓取过程中,我们经常需要从HTML页面中提取信息,尤其是span元素中的文本,span标签是一个行内元素,通常用于包装一小段文本或... 目录一、安装相关依赖二、html 页面结构三、使用 BeautifulSoup javascript
阅读更多...
不懂推荐算法也能设计推荐系统

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例，告诉我们不懂推荐算法的产品，也能从产品侧出发， 设计出一款不错的推荐系统。 相信很多新手产品，看到算法二字，多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法（注：传统是指科班出身的产品都会接触过）。但对于推荐算法，多数产品对着网上搜到的资源，都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后，更是加大了理解的难度。 但，不了解推荐算法，就无法做推荐系
阅读更多...
康拓展开（hash算法中会用到）

康拓展开（hash算法中会用到）

康拓展开是一个全排列到一个自然数的双射（也就是某个全排列与某个自然数一一对应） 公式： X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。（a[i]在不同应用中的含义不同）； 典型应用： 计算当前排列在所有由小到大全排列中的顺序，也就是说求当前排列是第
阅读更多...
csu 1446 Problem J Modified LCS （扩展欧几里得算法的简单应用）

csu 1446 Problem J Modified LCS （扩展欧几里得算法的简单应用）

这是一道扩展欧几里得算法的简单应用题，这题是在湖南多校训练赛中队友ac的一道题，在比赛之后请教了队友，然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意：把题意转变下就变成了：求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点：求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个
阅读更多...
综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动，这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升：减少抖动，提高图像的清晰度和细节表现力，使得监控画面更加真实可信。 - 细节增强：在低光条件下，抖
阅读更多...
【数据结构】——原来排序算法搞懂这些就行，轻松拿捏

【数据结构】——原来排序算法搞懂这些就行，轻松拿捏

前言：快速排序的实现最重要的是找基准值，下面让我们来了解如何实现找基准值 基准值的注释：在快排的过程中，每一次我们要取一个元素作为枢纽值，以这个数字来将序列划分为两部分。 在此我们采用三数取中法，也就是取左端、中间、右端三个数，然后进行排序，将中间数作为枢纽值。 快速排序实现主框架： //快速排序 void QuickSort(int* arr, int left, int rig
阅读更多...
poj 3974 and hdu 3068 最长回文串的O（n）解法(Manacher算法)

poj 3974 and hdu 3068 最长回文串的O（n）解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大，用原来的O（n^2）会爆。 小白上的O(n^2)解法代码：TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO
阅读更多...
秋招最新大模型算法面试，熬夜都要肝完它

秋招最新大模型算法面试，熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候，不知道面试完会不会复盘、总结，做笔记的习惯，这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助，都附有完整答案，熬夜也要看完，祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
阅读更多...
dp算法练习题【8】

dp算法练习题【8】

不同二叉搜索树 96. 不同的二叉搜索树 给你一个整数 n ，求恰由 n 个节点组成且节点值从 1 到 n 互不相同的 二叉搜索树 有多少种？返回满足题意的二叉搜索树的种数。 示例 1： 输入：n = 3输出：5 示例 2： 输入：n = 1输出：1 class Solution {public int numTrees(int n) {int[] dp = new int
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2