模糊演算法

Ⅰ 神經網路演算法 遺傳演算法 模糊演算法 哪個好

沒有哪種演算法更好的說法，因為每種演算法都有自己的優勢。只能說某種演算法在處理某種問題時，效果更好更合適。

1. 神經網路不能說是一種演算法，它是一種數學網路結構，各神經元的權值、閾值是用某種訓練演算法計算出來的。神經網路適用於非線性系統，可用於難以用數學表達式來描述的系統。

2. 遺傳演算法在全局尋優問題上效果很好，因其收斂速度較快，且不易陷入局部極小點。其中實數編碼法適合與神經網路結合，例如GA-BP神經網路。

3. 模糊演算法可將一些難以量化的參數模糊處理，並且演算法較簡單，尤其是適用於專家經驗佔主要地位的系統，因為添加一條專家經驗只需往規則庫里添加一條語句即可。用這種演算法要注意區間不能劃得太寬，否則演算法太不精確。
   

Ⅱ 模糊推理演算法有沒有最大

1965年,Zadeh教授提出了模糊集的概念。從那時起,模糊推理理論得到了迅猛的發展,在理論與應用兩方面的研究成果層出不窮。現在,已經誕生了幾百種模糊推理方法,它們都從不同方面不同程度地改進和改善了模糊推理理論,卻很難改變模糊推理的邏輯基礎不嚴格的現狀。究其原因,這與模糊推理理論發展至今卻還沒有一個公認的系統化的評價標准不無關系。但由於模糊推理的多樣性和復雜性,一個公認標準的制定不可能一蹴而就,而是需要長期的探索和研究。
模糊推理方法的重要性質有很多,其中,還原性是對模糊推理方法最基本的要求,也是研究得最多的模糊推理方法的重要性質之一。雖然在還原性方面已有諸多研究成果,但至今為止仍沒有對模糊推理方法還原性的系統性研究成果。作為模糊推理方法最重要的性質和公認的基本要求,有必要對常用模糊推理方法在各種情況下的還原性進行全面系統的研究,再根據研究結果,改進現有模糊推理方法,或是提出新的性能更好的模糊推理方法。這對制定一個合理的評價模糊推理方法的統一標准,完善模糊推理方法的邏輯基礎,都是相當重要的。在另一方面,邏輯與推理密不可分,模糊邏輯自身價值的體現主要取決於模糊邏輯系統所具有的推理能力。因此,除了對模糊推理方法的研究,研究其相應的模糊邏輯形式系統也是十分必要的。
本論文的主要研究內容是,以幾種最具代表性的模糊推理方法:CRI方法、三I演算法、真值流推理方法和AARS演算法為例,對模糊推理方法的還原性進行了全面系統的研究,並總結了影響模糊推理方法還原性的因素,再根據系統研究還原性的結論,提出一種具有還原性的模糊推理方法。首先,介紹了模糊推理中重要的模糊集合運算和蘊涵運算元的性質,總結了模糊推理模型的類型和多種解決方法。其次,以幾種常見模糊推理方法為代表,對各種模糊推理方法的是否具有還原性進行了系統研究,並總結了影響模糊推理方法還原性的因素。然後,根據前面的研究成果,提出一種新的具有還原性的相似度演算法,證明了該新演算法的還原性,還提供了比較新演算法與CRI方法、AARS演算法推理結果和模糊系統逼近性的實驗圖像。最後,建立了一個與新演算法相對應的模糊邏輯形式系統。
基於目前模糊邏輯與模糊推理的亟待解決的問題,本論文在模糊邏輯已經取得諸多成果的大背景下,結合經典邏輯和非經典邏輯研究的一般方法,對模糊邏輯的演算和推理進行深入研究,希望能為今後的研究工作奠定堅實的基礎。

Ⅲ 模糊數學演算法軟體

matlab裡面沒有模糊軟體包嗎？ http://www.mathworks.com/procts/fuzzylogic/
用 Matlab 中的 Fuzzy 工具箱做一個簡單的模糊控制，流程如下：1、創建一個 FIS (Fuzzy Inference System ) 對象，a = newfis(fisName,fisType,andMethod,orMethod,impMethod, aggMethod,defuzzMethod)一般只用提供第一個參數即可，後面均用默認值。2、增加模糊語言變數a = addvar(a,'varType','varName',varBounds)模糊變數有兩類：input 和 output。在每增加模糊變數，都會按順序分配一個 index，後面要通過該 index 來使用該變數。3、增加模糊語言名稱，即模糊集合。a = addmf(a,'varType',varIndex,'mfName','mfType',mfParams)每個模糊語言名稱從屬於一個模糊語言。Fuzzy 工具箱中沒有找到離散模糊集合的隸屬度表示方法，暫且用插值後的連續函數代替。參數 mfType 即隸屬度函數(Membership Functions)，它可以是 Gaussmf、trimf、trapmf等，也可以是自定義的函數。每一個語言名稱也會有一個 index，按加入的先後順序得到，從 1 開始。4、增加控制規則，即模糊推理的規則。a = addrule(a,ruleList)
其中 ruleList 是一個矩陣，每一行為一條規則，他們之間是 ALSO 的關系。假定該 FIS 有 N 個輸入和 M 個輸出，則每行有 N+M+2 個元素，前 N 個數分別表示 N 個輸入變數的某一個語言名稱的 index，沒有的話用 0 表示，後面的 M 個數也類似，最後兩個分別表示該條規則的權重和個條件的關系，1 表示 AND，2 表示 OR。例如，當「輸入1」 為「名稱1」 和 「輸入2」 為「名稱3」 時，輸出為 「 輸出1」 的「狀態2」，則寫為：[1 3 2 1 1]5、給定輸入，得到輸出，即進行模糊推理。output = evalfis(input,fismat)其中 fismat 為前面建立的那個 FIS 對象。一個完整的例子如下：clear all;
a = newfis('myfis');a = addvar(a,'input','E',[0 7]);
a = addmf(a,'input',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'input',1,'big','trimf',[1.6667 6 7]);a = addvar(a,'output','U',[0 7]);
a = addmf(a,'output',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'output',1,'big','trimf',[1.6667 6 7]);rulelist = [1 1 1 1;
2 2 1 1];
a = addrule(a,rulelist);u = evalfis(4,a)其結果為：u = 4.221

Ⅳ 什麼事模糊遺傳演算法

模糊遺傳演算法，即基於模糊邏輯的遺傳演算法。相關的文獻還是有的，具體你可以到網路文庫或者豆丁網或者道客巴巴等網站進行在線閱讀。
模糊遺傳演算法FGA步驟：
1. 生成大小為n的由初始解組成的群體。即x_1=(x_{10},x_{11},x_{12},...,x_{1N}),...,x_n=(x_{n0},x_{n1},...,x_{nN}).
2. for i=1 to 給定的循環次數 do
3. BEGIN
4. 對每個x, 計算對應的Y的質心，即m(f(x_i)).
令TOTAL＝sum(m(f(x_i))), 部分和SUM_k=sum(m(f(x_i))), 1<=k<=n, 以此構造區間I_i。
I_1＝[0, SUM_1]; Ii=[SUM_i-1,SUM_i], 2<=i<=n-1; I_n=[SUM_{n-1},SUM_n].
5. 繁殖以產生新群體。
設w_i是[0,TOTAL]上的隨機數，1<=i<=n, 若 w_i<=I_i, 則選 x_i進入新群體。
注意新群體的構造組成應按選擇的循序組成。
6. 交叉。 對繁殖而產生的群體中每對模糊集(x_1,x_2),(x_2,x_4)等，通過交叉生成其兩個後代。
7. 變異。 設q是變異的概率，則變異的操作是通過對模糊集上的某一元素隨機更換而完成的。
8. END

Ⅳ 模糊隸屬度計算公式

v0對A的隸屬頻率=v0∈A的次數/試驗總次數n。

隸屬度函數的建立是分為定性和定量來確定的。其中，定性隸屬度大多是根據剖分面積元或者專家試打分，定量隸屬度根據標准，參照模糊隸屬度公式計算。

模糊統計法的基本思想是對論域U上的一個確定元素vo是否屬於論域上的一個可變動的清晰集合A3作出清晰的判斷。對於不同的試驗者，清晰集合A3可以有不同的邊界，但它們都對應於同一個模糊集A。模糊統計法的計算步驟是：在每次統計中，vo是固定的，A3的值是可變的。

模糊性

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信息，可以有效降低感官靈敏度和精確度的要求，而且所需要存儲空間少，能夠抓住信息處理的主要矛盾，保證信息處理的實時性、多功能性和滿意性。

Ⅵ 什麼叫模糊控制演算法

模糊控制技術是利用模糊控制演算法控制變頻器的電壓和頻率的一種技術，通過模糊控制技術可使被控電動機的升速時間得到控制，以避免升速過快對電動機使用壽命的影響以及升速過慢而影響工作效率。

Ⅶ 關於圖像去模糊演算法，重賞

1 從沒聽過IBD演算法
2 NAS-RIF不是很難可以自己編
3 但是 模擬退火，不是機器學習中的嗎？也能做去模糊嗎？
我以前做過維納濾波去運動模糊的。
對樓主的這個課題比較感興趣，可以繼續討論。

Ⅷ 什麼叫模糊PID演算法

說實話不是一兩句能說清楚，簡單說就是用模糊控制加PID控制。PID控制是通過P I D即比例積分微分三個參數控制的策略。這個估計樓主肯定懂。模糊PID演算法就是通過模糊控制來控制這三個參數，實時改變參數以便達到更好的控制策略。具體的，內容樓主找本資料慢慢研究。

Ⅸ 什麼是模糊預測演算法啊

模糊預測控制演算法

Fuzzy Prediction Control Algorithm

翟春艷 李書臣

摘 要：模糊預測控制(FPC)是近年來發展起來的新型控制演算法,是模糊控制與預測控制相結合的產物.文章在預測控制的模型預測、滾動優化、反饋校正機理下,對模糊預測控制模型及其優化控制演算法作了歸納,並對模糊預測控制今後的發展進行了展望.

模糊表的一部分，就是個數組，多少個輸入就做個幾維數組就可以了(3514字)liyu2005[28次]2004-3-20 18:16:07
unsigned char outputs[MF_TOT], // 模糊輸出mu值
fuzzy_out; // 模糊控制值
unsigned char input[INPUT_TOT] ={ // 模糊輸入
0, 0
};
unsigned char code input_memf[INPUT_TOT][MF_TOT][256]={
// 輸入功能函數
{
{ // velocity: VSLOW
0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF,
0xFF,
0xFF, 0xFF,
0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF,
0xFF,
0xFF, 0xF6,
0xED, 0xE4, 0xDB, 0xD2, 0xC9, 0xC0, 0xB7, 0xAE, 0xA5, 0x9C, 0x93, 0x8A, 0x81,
0x78,
173
0x6F, 0x66,
0x5D, 0x54, 0x4B, 0x42, 0x39, 0x30, 0x27, 0x1E, 0x15, 0x0C, 0x03, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00
}

http://www.newcyber3d.com/cds/ch_cd05/intro_cga.htm