模糊逻辑学习--模糊推理过程

以这种方式，每个输入都模糊了规则要求的所有合格成员资格函数。

步骤2.应用模糊运算符

在对输入进行模糊处理之后，您将知道每个规则对前提的每个部分的满意程度。如果给定规则的前提有一个以上的部分，则应用模糊算子获得一个数字，该数字表示该规则的前提的结果。然后将此数字应用于输出功能。模糊运算符的输入是来自模糊输入变量的两个或多个隶属度值。输出是单个真值。

如“ 逻辑运算”部分所述，可以为AND运算或OR运算填充任意数量的定义明确的方法。在工具箱中，支持两种内置的AND方法：min（最小）和prod（产品）。还支持两种内置的OR方法：max（maximum）和概率OR方法probor。的根据等式计算概率OR方法（也称为代数和）

除了这些内置方法之外，您还可以通过编写任何函数并将其设置为选择的方法来为AND和OR创建自己的方法。

下图显示了工作中的OR运算符max，它评估了小费计算的规则3的前提。前项的两个不同部分（服务非常好，食物也很美味）的模糊隶属度值分别为0.0和0.7。模糊或运算符只需选择两个值中的最大值0.7，即可完成规则3的模糊运算。概率OR方法仍将得到0.7。

步骤3.应用蕴涵方法

在应用隐含方法之前，必须确定规则的权重。每个规则都有一个权重（0到1之间的一个数字），该权重将应用于前一个给定的数字。通常，此权重为1（如本例所示），因此对暗示过程完全没有影响。您可能会不时地想通过将一个规则的权重值更改为1而不是其他来加权。

在为每个规则分配了适当的权重之后，便会实施隐含方法。结果是由隶属度函数表示的模糊集，该模糊集适当地加权了归因于该模糊集的语言特征。结果使用与该前提关联的功能（单个数字）进行整形。隐含过程的输入是一个由先决条件给出的数字，而输出是一个模糊集。隐含实现每个规则。支持两种内置方法，它们与AND方法使用的功能相同：min（最小）将截断输出模糊集，而prod（乘积）将缩放输出模糊集。

步骤4.汇总所有输出

由于决策基于对FIS中所有规则的测试，因此必须以某种方式组合规则才能做出决策。聚合是将代表每个规则的输出的模糊集组合为单个模糊集的过程。对于每个输出变量，聚合仅发生一次，就在第五个也是最后一步，即去模糊化之前。聚合过程的输入是隐含过程为每个规则返回的截断输出函数的列表。聚合过程的输出是每个输出变量的一个模糊集。

只要聚合方法是可交换的（始终应该如此），那么执行规则的顺序就不重要了。支持三种内置方法：

• max （最大值）

• probor （概率OR）

• sum （仅是每个规则的输出集的总和）

在下图中，所有这三个规则已放在一起，以显示每个规则的输出如何组合或聚合到单个模糊集中，该模糊集的隶属函数为每个输出（提示）值分配权重。

第5步。

输入 解模糊处理是一个模糊集（合计输出模糊集），并且输出是单个数字。尽管模糊有助于中间步骤中的规则评估，但每个变量的最终期望输出通常为单个数字。但是，模糊集的集合包含一系列输出值，因此必须对其进行去模糊处理，以便从该集中解析单个输出值。

支持五种内置的反模糊化方法：质心，平分线，最大值的中间值（输出集最大值的平均值），最大值的最大值和最小值的最大值。也许最流行的去模糊方法是质心计算，它返回曲线下方的区域中心，如下所示：