本文介绍: 模糊系统的强大功能是允许基于稀疏规则系统最小的开销进行复杂、直观的行为。请注意,我们的隶属函数域是粗略的,仅定义整数,但 fuzz.interp_membership 允许有效分辨率按需增加。该系统可以响应输入任意小的变化,并且处理负担最小

Python模糊控制

概念和术语

模糊逻辑(Fuzzy Logic)是一种方法论,其基础是可以在连续统一体上表达某物的“真实性”。这就是说某事不是真或假,而是部分正确部分错误

模糊变量(fuzzy variable具有明确的值(crisp value),该值在预定义的域(在模糊逻辑术语中,称为宇宙universe))上取一些数字。明确的值是我们如何使用普通数学来思考变量例如,如果我的模糊变量是给某人多少小费,它的范围将是 0 到 25%,并且它可能采用 15% 的清晰值。

模糊变量也有几个用于描述变量的术语。这些项合在一起就是模糊集(fuzzy set),可以用来描述模糊变量的“模糊值”。这些术语通常是形容词,如“差”、“平庸”和“好”。每个术语都有一个隶属函数membership function),它定义一个明确的值如何在 0 到 1 的范围映射到该术语。本质上,它描述了某物“有多好”。
所以,回到小费的例子一个“好小费”可能有一个成员函数,它有一个介于 15% 和 25% 之间的非零值,其中 25% 是一个“完全好的小费”(即,它的成员资格是 1.0)并且15% 是一个“勉强好的小费”(即它的成员是 0.1)。

模糊控制系统使用一组规则链接模糊变量。这些规则只是描述一个或多个模糊变量如何与另一个相关映射。这些是用 IF-THEN 语句表示的; IF 部分称为前件(antecedent ),THEN 部分称为后件(consequent)。在小费示例中,一条规则可能是“如果服务好,那么小费也不错”。与如何使用规则根据前提值计算结果相关精确数学超出了本入门指南范围

小费问题

“小费问题”通常用于说明模糊逻辑原理一组紧凑、直观的专家规则生成复杂行为的能力。

以小费为例,如果我们创建一个控制器估计我们应该在餐厅给的小费,我们可以这样构建它:

代码实战

1.选择输入输出模糊集
2.定义输入输出隶属度函数(不同的隶属度函数,会导致不同的控制特性
3.建立模糊控制
4.建立模糊控制规则
5.模糊推理
6.反模糊化
7.输出结果绘制结果3D图
例子输入为服务(service)和质量(quality)两个参数,输出为得到的小费(tip)

输入变量

关于用餐时给多少小费的决定有许多变量。考虑其中两个:

输出变量

输出变量只是小费金额,以百分比表示

代码逻辑

出于讨论的目的,假设我们需要输入变量和输出变量的“高”、“中”和“低”隶属函数。这些在 scikit-fuzzy 中定义如下

import numpy as np
import skfuzzy as fuzz
import matplotlib.pyplot as plt

# Generate universe variables
#   * Quality and service on subjective ranges [0, 10]
#   * Tip has a range of [0, 25] in units of percentage points
x_qual = np.arange(0, 11, 1)
x_serv = np.arange(0, 11, 1)
x_tip  = np.arange(0, 26, 1)

# Generate fuzzy membership functions
qual_lo = fuzz.trimf(x_qual, [0, 0, 5])
qual_md = fuzz.trimf(x_qual, [0, 5, 10])
qual_hi = fuzz.trimf(x_qual, [5, 10, 10])
serv_lo = fuzz.trimf(x_serv, [0, 0, 5])
serv_md = fuzz.trimf(x_serv, [0, 5, 10])
serv_hi = fuzz.trimf(x_serv, [5, 10, 10])
tip_lo = fuzz.trimf(x_tip, [0, 0, 13])
tip_md = fuzz.trimf(x_tip, [0, 13, 25])
tip_hi = fuzz.trimf(x_tip, [13, 25, 25])

# Visualize these universes and membership functions
fig, (ax0, ax1, ax2) = plt.subplots(nrows=3, figsize=(8, 9))

ax0.plot(x_qual, qual_lo, 'b', linewidth=1.5, label='Bad')
ax0.plot(x_qual, qual_md, 'g', linewidth=1.5, label='Decent')
ax0.plot(x_qual, qual_hi, 'r', linewidth=1.5, label='Great')
ax0.set_title('Food quality')
ax0.legend()

ax1.plot(x_serv, serv_lo, 'b', linewidth=1.5, label='Poor')
ax1.plot(x_serv, serv_md, 'g', linewidth=1.5, label='Acceptable')
ax1.plot(x_serv, serv_hi, 'r', linewidth=1.5, label='Amazing')
ax1.set_title('Service quality')
ax1.legend()

ax2.plot(x_tip, tip_lo, 'b', linewidth=1.5, label='Low')
ax2.plot(x_tip, tip_md, 'g', linewidth=1.5, label='Medium')
ax2.plot(x_tip, tip_hi, 'r', linewidth=1.5, label='High')
ax2.set_title('Tip amount')
ax2.legend()

# Turn off top/right axes
for ax in (ax0, ax1, ax2):
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)
    ax.get_xaxis().tick_bottom()
    ax.get_yaxis().tick_left()

plt.tight_layout()
plt.show()

在这里插入图片描述

模糊规则

现在,为了使这些三角形有用,我们定义了输入和输出变量之间的模糊关系。出于我们示例的目的,请考虑三个简单规则

  1. 如果食物不好或服务很差,那么小费会很低
  2. 如果服务可以接受,那么小费将是中等
  3. 如果食物很棒或服务很棒,那么小费就会很高。
服务质量小费食品质量 Bad Decent Great
Poor Low Low Medium
Acceptable Low Medium High
Amazing Medium High High

大多数人会同意这些规则,但规则很模糊。将不精确的规则映射到明确的、可操作提示中是一项挑战。这是模糊逻辑擅长的任务

规则应用

在以下情况下提示什么

在这里插入图片描述

# We need the activation of our fuzzy membership functions at these values.
# The exact values 6.5 and 9.8 do not exist on our universes...
# This is what fuzz.interp_membership exists for!
qual_level_lo = fuzz.interp_membership(x_qual, qual_lo, 6.5)
qual_level_md = fuzz.interp_membership(x_qual, qual_md, 6.5)
qual_level_hi = fuzz.interp_membership(x_qual, qual_hi, 6.5)

serv_level_lo = fuzz.interp_membership(x_serv, serv_lo, 9.8)
serv_level_md = fuzz.interp_membership(x_serv, serv_md, 9.8)
serv_level_hi = fuzz.interp_membership(x_serv, serv_hi, 9.8)

# Now we take our rules and apply them. Rule 1 concerns bad food OR service.
# The OR operator means we take the maximum of these two.
active_rule1 = np.fmax(qual_level_lo, serv_level_lo)

# Now we apply this by clipping the top off the corresponding output
# membership function with `np.fmin`
tip_activation_lo = np.fmin(active_rule1, tip_lo)  # removed entirely to 0

# For rule 2 we connect acceptable service to medium tipping
tip_activation_md = np.fmin(serv_level_md, tip_md)

# For rule 3 we connect high service OR high food with high tipping
active_rule3 = np.fmax(qual_level_hi, serv_level_hi)
tip_activation_hi = np.fmin(active_rule3, tip_hi)
tip0 = np.zeros_like(x_tip)

# Visualize this
fig, ax0 = plt.subplots(figsize=(8, 3))

ax0.fill_between(x_tip, tip0, tip_activation_lo, facecolor='b', alpha=0.7)
ax0.plot(x_tip, tip_lo, 'b', linewidth=0.5, linestyle='--', )
ax0.fill_between(x_tip, tip0, tip_activation_md, facecolor='g', alpha=0.7)
ax0.plot(x_tip, tip_md, 'g', linewidth=0.5, linestyle='--')
ax0.fill_between(x_tip, tip0, tip_activation_hi, facecolor='r', alpha=0.7)
ax0.plot(x_tip, tip_hi, 'r', linewidth=0.5, linestyle='--')
ax0.set_title('Output membership activity')

# Turn off top/right axes
for ax in (ax0,):
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)
    ax.get_xaxis().tick_bottom()
    ax.get_yaxis().tick_left()

plt.tight_layout()

在这里插入图片描述

规则聚合

在已知每个输出隶属函数的活动的情况下,必须组合所有输出隶属函数。这通常是使用最大运算符完成的。此步骤也称为聚合

去模糊化 (Defuzzification)

最后,为了得到真实世界的答案,我们从模糊隶属函数的世界回到清晰的逻辑。出于本示例的目的,将使用质心方法

结果显示小费为20.22%

# Aggregate all three output membership functions together
aggregated = np.fmax(tip_activation_lo,
                     np.fmax(tip_activation_md, tip_activation_hi))

# Calculate defuzzified result
tip = fuzz.defuzz(x_tip, aggregated, 'centroid')
tip_activation = fuzz.interp_membership(x_tip, aggregated, tip)  # for plot

# Visualize this
fig, ax0 = plt.subplots(figsize=(8, 3))

ax0.plot(x_tip, tip_lo, 'b', linewidth=0.5, linestyle='--', )
ax0.plot(x_tip, tip_md, 'g', linewidth=0.5, linestyle='--')
ax0.plot(x_tip, tip_hi, 'r', linewidth=0.5, linestyle='--')
ax0.fill_between(x_tip, tip0, aggregated, facecolor='Orange', alpha=0.7)
ax0.plot([tip, tip], [0, tip_activation], 'k', linewidth=1.5, alpha=0.9)
ax0.set_title('Aggregated membership and result (line)')

# Turn off top/right axes
for ax in (ax0,):
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)
    ax.get_xaxis().tick_bottom()
    ax.get_yaxis().tick_left()

plt.tight_layout()
plt.show()

在这里插入图片描述

最后的思考

模糊系统的强大功能是允许基于稀疏的规则系统以最小的开销进行复杂、直观的行为。请注意,我们的隶属函数域是粗略的,仅定义为整数,但 fuzz.interp_membership 允许有效分辨率按需增加。该系统可以响应输入任意小的变化,并且处理负担最小

reference

@misc{BibEntry2023May,
title = {{General examples {ifmmodeelsetextemdashfi} skfuzzy v0.2 docs}},
year = {2023},
month = may,
note = {[Online; accessed 19. May 2023]},
url = {https://pythonhosted.org/scikit-fuzzy/auto_examples/index.html}
}

原文地址:https://blog.csdn.net/orDream/article/details/130760866

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任

如若转载,请注明出处:http://www.7code.cn/show_24932.html

如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱:suwngjj01@126.com进行投诉反馈,一经查实,立即删除

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注