模糊控制_WM算法_模糊规则提取

2023-12-12 17:18

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

Nginx location匹配模式与规则详解

《Nginxlocation匹配模式与规则详解》:本文主要介绍Nginxlocation匹配模式与规则,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、环境二、匹配模式1. 精准模式2. 前缀模式(不继续匹配正则)3. 前缀模式(继续匹配正则)4. 正则模式(大

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

Python实现word文档内容智能提取以及合成

《Python实现word文档内容智能提取以及合成》这篇文章主要为大家详细介绍了如何使用Python实现从10个左右的docx文档中抽取内容,再调整语言风格后生成新的文档,感兴趣的小伙伴可以了解一下... 目录核心思路技术路径实现步骤阶段一:准备工作阶段二:内容提取 (python 脚本)阶段三:语言风格调

一文详解如何在Python中从字符串中提取部分内容

《一文详解如何在Python中从字符串中提取部分内容》:本文主要介绍如何在Python中从字符串中提取部分内容的相关资料,包括使用正则表达式、Pyparsing库、AST(抽象语法树)、字符串操作... 目录前言解决方案方法一:使用正则表达式方法二:使用 Pyparsing方法三:使用 AST方法四:使用字

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n

详解nginx 中location和 proxy_pass的匹配规则

《详解nginx中location和proxy_pass的匹配规则》location是Nginx中用来匹配客户端请求URI的指令,决定如何处理特定路径的请求,它定义了请求的路由规则,后续的配置(如... 目录location 的作用语法示例:location /www.chinasem.cntestproxy

Mybatis 传参与排序模糊查询功能实现

《Mybatis传参与排序模糊查询功能实现》:本文主要介绍Mybatis传参与排序模糊查询功能实现,本文通过实例代码给大家介绍的非常详细,感兴趣的朋友跟随小编一起看看吧... 目录一、#{ }和${ }传参的区别二、排序三、like查询四、数据库连接池五、mysql 开发企业规范一、#{ }和${ }传参的

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