4、模糊推理系统与人工神经网络详解

模糊推理系统与人工神经网络详解

1. 模糊推理系统基础

1.1 基本概念

在模糊推理系统中，语言变量是一个重要概念。它本质上是一种变量，其取值为自然语言中的单词、短语或句子。这一概念由 Zadeh 在 1975 年首次提出，旨在为描述过于复杂或定义不明确的现象提供一种方式，而传统的精确方法难以胜任。

为了说明语言变量的概念，我们先定义模糊变量。模糊变量可由三个因素来表征：变量名称、论域以及对该模糊变量的描述。例如，在论域 {60, 70, 80, 90, 100} 中，模糊变量“高分”可描述为 0/60 + 0.1/70 + 0.5/80 + 0.9/90 + 1/100，“低分”可定义为 1/60 + 0.9/70 + 0.5/80 + 0.1/90 + 0/100。语言变量处于比模糊变量更高的层次，它以模糊变量作为其取值。例如，对于论域 {60, 70, 80, 90, 100} 内的语言变量“分数”，其取值可以是 {极低、低、中、高、极高}，其中每个取值都是一个如前文所定义的模糊变量。

模糊推理系统的基本思想是将人类知识融入一组模糊 IF - THEN 规则中，这些规则涉及对语言变量的操作。一个典型的模糊推理系统结构由四个组件组成：模糊化器、模糊规则库、模糊推理引擎和去模糊化器。其一般结构如图 1 所示。

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-