基于模糊数学地软测量方法.pptVIP

5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用： ◆ 输入输出模糊量的隶属度图： 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用： ◆ 模糊规则：根据模型特点最多可抽取125条规则，而实际上由于样本数据所包含的一定规律性和重叠性，再加上对模糊规则的进一步筛选，故抽取出了以下16条可信推理规则： 1. If A = PB and B = PB and C = PB then D = D4 　　2. If A = PB and B = PM and C = PM then D = D4 　　3. If A = PB and B = ZR and C = ZR then D = D3 　　4. If A = PB and B = NM and C = NM then D = D2 　　5. If A = PB and C = NB and D = NB then D = D1 　　6. If A = PM and B = PB and C = PB then D = D3 　　7. If A = PM and B = ZR and C = ZR then D = D2 　　8. If A = PM and B = NM and C = NM then D = D2 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用： ◆ 模糊规则： 9. If A = PM and B = NB and C = NB then D = D1 10. If A = ZR and B = PB and C = PB then D = D2 11. If A = ZR and B = PM and C = PM then D = D2 12. If A = ZR and B = ZR and C = ZR then D = D1 13. If A = NM and B = PB and C = PB then D = D2 14. If A = NM and B = PM and C = PM then D = D1 15. If A = NM and B = ZR and C = ZR then D = D1 16. If A = NB and B = PB and C = PB then D = D1 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用： ◆ 模糊推理的实现：可以采用神经网络实现模糊推理。模糊输入变量A,B,C的论域都是[-3,3]，模糊子集都为{PB, PM, ZR, NM, NB}，而模糊输出变量D的论域为[-2,3]，模糊子集为{D1, D2, D3, D4}，则输入层神经元的个数为21个，输出层神经元的个数为6个。隐层节点数可选为16个。用该神经网络实现从A,B,C到D的推理，每一条模糊规则都对应一对输入输出数据，训练采用BP算法，使输入信号对应于期望的输出值，每一个输出单元对应输出变量空间的一个量化值，因此，输出的模糊子集D可以用量化空间上的隶属函数来表示。训练好的网络可以实现快速推理。 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用： ◆ 仿真：对6组测量数据的储粮状态进行预测，这6组数据经数据处理后用模糊语言可分别描述为： 　(1) A=NB B=PB C=NM； (2) A=PB B=ZR C=NM； 　(3) A=PM B=PB C=ZR； (4) A=PB B=PM C=NM；  　(5) A=NB B=ZR C=NB； (6) A=PB B=NM C=NB。 5.2 模糊检测技术应用实例 基于模糊数学的软测量在粮情测控系统中的应用： ◆ 仿真：经模糊推理可得出输出D 的模糊集分别为: (1) [ 0.0002 –0.0003 -0.0013 0.0544 0.5093 0.9670]; (2) [ -0.0005 0.5004 0.9990 0.4993 0.0008 -0.0005]; (3) [0.0043 0.4996 1.0012 0.5606 -0.0022 -0.0014]; (4) [0.5008 1.0024 -0.0002 0.0013 0.0019 -0.0042] ; (5) [0.0010 -0.0001 -0.0029 0.0206 0.4957 0.9834] ; (6)