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

详解C#如何提取PDF文档中的图片

详解C#如何提取PDF文档中的图片

《详解C#如何提取PDF文档中的图片》提取图片可以将这些图像资源进行单独保存,方便后续在不同的项目中使用,下面我们就来看看如何使用C#通过代码从PDF文档中提取图片吧... 当 PDF 文件中包含有价值的图片，如艺术画作、设计素材、报告图表等，提取图片可以将这些图像资源进行单独保存，方便后续在不同的项目中使
阅读更多...
SpringBoot实现MD5加盐算法的示例代码

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.
阅读更多...
Java时间轮调度算法的代码实现

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组（时间轮）和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时
阅读更多...
Python实现常用文本内容提取

Python实现常用文本内容提取

《Python实现常用文本内容提取》在日常工作和学习中,我们经常需要从PDF、Word文档中提取文本,本文将介绍如何使用Python编写一个文本内容提取工具,有需要的小伙伴可以参考下... 目录一、引言二、文本内容提取的原理三、文本内容提取的设计四、文本内容提取的实现五、完整代码示例一、引言在日常工作和学
阅读更多...
C++字符串提取和分割的多种方法

C++字符串提取和分割的多种方法

《C++字符串提取和分割的多种方法》在C++编程中,字符串处理是一个常见的任务,尤其是在需要从字符串中提取特定数据时,本文将详细探讨如何使用C++标准库中的工具来提取和分割字符串,并分析不同方法的适用... 目录1. 字符串提取的基本方法1.1 使用 std::istringstream 和 >> 操作符示
阅读更多...
基于Python开发批量提取Excel图片的小工具

基于Python开发批量提取Excel图片的小工具

《基于Python开发批量提取Excel图片的小工具》这篇文章主要为大家详细介绍了如何使用Python中的openpyxl库开发一个小工具,可以实现批量提取Excel图片,有需要的小伙伴可以参考一下... 目前有一个需求，就是批量读取当前目录下所有文件夹里的Excel文件，去获取出Excel文件中的图片，并
阅读更多...
详解如何使用Python提取视频文件中的音频

详解如何使用Python提取视频文件中的音频

《详解如何使用Python提取视频文件中的音频》在多媒体处理中,有时我们需要从视频文件中提取音频,本文为大家整理了几种使用Python编程语言提取视频文件中的音频的方法,大家可以根据需要进行选择... 目录引言代码部分方法扩展引言在多媒体处理中，有时我们需要从视频文件中提取音频，以便进一步处理或分析。本文
阅读更多...
如何通过Golang的container/list实现LRU缓存算法

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣：146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.
阅读更多...
基于Python实现一个PDF特殊字体提取工具

基于Python实现一个PDF特殊字体提取工具

《基于Python实现一个PDF特殊字体提取工具》在PDF文档处理场景中,我们常常需要针对特定格式的文本内容进行提取分析,本文介绍的PDF特殊字体提取器是一款基于Python开发的桌面应用程序感兴趣的... 目录一、应用背景与功能概述二、技术架构与核心组件2.1 技术选型2.2 系统架构三、核心功能实现解析
阅读更多...
golang字符串匹配算法解读

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt（KMP）算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串（称为
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2