模糊控制原理
阿新 • • 發佈：2019-02-08
我們通常可以用“模糊計算”籠統地代表諸如模糊推理（FIS，Fuzzy Inference System）、模糊邏輯（Fuzzy Logic）、模糊系統等模糊應用領域中所用到的計算方法及理論。在這些系統中，廣泛地應用了模糊集理論，並揉和了人工智慧的其他手段，因此模糊計算也常常與人工智慧相聯絡。由於模糊計算方法可以表現事物本身性質的內在不確定性，因此它可以模擬人腦認識客觀世界的非精確、非線性的資訊處理能力。亦此亦彼的模糊邏輯
美國西佛羅里達大學的詹姆斯教授曾舉過一個鮮明的例子。假如你不幸在沙漠迷了路，而且幾天沒喝過水，這時你見到兩瓶水，其中一瓶貼有標籤：“純淨水概率是0.91”，另一瓶標著“純淨水的程度是0.91”。你選哪一瓶呢？相信會是後者。因為後者的水雖然不太乾淨，但肯定沒毒，這裡的0.91表現的是水的純淨程度而非“是不是純淨水”，而前者則表明有19％的可能不是純淨水。再比如“人到中年”，就是一個模糊事件，人們對“中年”的理解並不是精確的一個歲數。
從上邊的例子，可以看到模糊邏輯不是二者邏輯——非此即彼的推理，它也不是傳統意義的多值邏輯，而是在承認事物隸屬真值中間過渡性的同時，還認為事物在形態和類屬方面具有亦此亦彼性、模稜兩可性——模糊性。正因如此，模糊計算可以處理不精確的模糊輸入資訊，可以有效降低感官靈敏度和精確度的要求，而且所需要儲存空間少，能夠抓住資訊處理的主要矛盾，保證資訊處理的實時性、多功能性和滿意性。
美國加州大學L.A.Zadeh博士於1965年發表了關於模糊集的論文，首次提出了表達事物模糊性的重要概念——隸屬函式。這篇論文把元素對集的隸屬度從原來的非0即1推廣到可以取區間【0，1】的任何值，這樣用隸屬度定量地描述論域中元素符合論域概念的程度，就實現了對普通集合的擴充套件，從而可以用隸屬函式表示模糊集。模糊集理論構成了模糊計算系統的基礎，人們在此基礎上把人工智慧中關於知識表示和推理的方法引入進來，或者說把模糊集理論用到知識工程中去就形成了模糊邏輯和模糊推理;為了克服這些模糊系統知識獲取的不足及學習能力低下的缺點，又把神經計算加入到這些模糊系統中，形成了模糊神經系統。這些研究都成為人工智慧研究的熱點，因為它們表現出了許多領域專家才具有的能力。同時，這些模糊系統在計算形式上一般都以數值計算為主，也通常被人們歸為軟計算、智慧計算的範疇。
模糊計算的實戰應用
模糊計算在應用上可是一點都不含糊，其應用範圍非常廣泛，它在家電產品中的應用已被人們所接受，例如，模糊洗衣機、模糊冰箱、模糊相機等。另外，在專家系統、智慧控制等許多系統中，模糊計算也都大顯身手。究其原因，就在於它的工作方式與人類的認知過程是極為相似的。在這裡，筆者結合自己的研究實踐，以一個建築結構選型的專家系統為例，說明模糊推理系統是如何模仿領域專家的思維進行工作的，其中所用到的步驟、計算過程在其他模糊系統中也具有典型的代表性。
FIS的系統構成與工作原理