模糊算法

Ⅰ 神经网络算法 遗传算法 模糊算法 哪个好

没有哪种算法更好的说法，因为每种算法都有自己的优势。只能说某种算法在处理某种问题时，效果更好更合适。

1. 神经网络不能说是一种算法，它是一种数学网络结构，各神经元的权值、阈值是用某种训练算法计算出来的。神经网络适用于非线性系统，可用于难以用数学表达式来描述的系统。

2. 遗传算法在全局寻优问题上效果很好，因其收敛速度较快，且不易陷入局部极小点。其中实数编码法适合与神经网络结合，例如GA-BP神经网络。

3. 模糊算法可将一些难以量化的参数模糊处理，并且算法较简单，尤其是适用于专家经验占主要地位的系统，因为添加一条专家经验只需往规则库里添加一条语句即可。用这种算法要注意区间不能划得太宽，否则算法太不精确。
   

Ⅱ 模糊推理算法有没有最大

1965年,Zadeh教授提出了模糊集的概念。从那时起,模糊推理理论得到了迅猛的发展,在理论与应用两方面的研究成果层出不穷。现在,已经诞生了几百种模糊推理方法,它们都从不同方面不同程度地改进和改善了模糊推理理论,却很难改变模糊推理的逻辑基础不严格的现状。究其原因,这与模糊推理理论发展至今却还没有一个公认的系统化的评价标准不无关系。但由于模糊推理的多样性和复杂性,一个公认标准的制定不可能一蹴而就,而是需要长期的探索和研究。
模糊推理方法的重要性质有很多,其中,还原性是对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质之一。虽然在还原性方面已有诸多研究成果,但至今为止仍没有对模糊推理方法还原性的系统性研究成果。作为模糊推理方法最重要的性质和公认的基本要求,有必要对常用模糊推理方法在各种情况下的还原性进行全面系统的研究,再根据研究结果,改进现有模糊推理方法,或是提出新的性能更好的模糊推理方法。这对制定一个合理的评价模糊推理方法的统一标准,完善模糊推理方法的逻辑基础,都是相当重要的。在另一方面,逻辑与推理密不可分,模糊逻辑自身价值的体现主要取决于模糊逻辑系统所具有的推理能力。因此,除了对模糊推理方法的研究,研究其相应的模糊逻辑形式系统也是十分必要的。
本论文的主要研究内容是,以几种最具代表性的模糊推理方法:CRI方法、三I算法、真值流推理方法和AARS算法为例,对模糊推理方法的还原性进行了全面系统的研究,并总结了影响模糊推理方法还原性的因素,再根据系统研究还原性的结论,提出一种具有还原性的模糊推理方法。首先,介绍了模糊推理中重要的模糊集合运算和蕴涵算子的性质,总结了模糊推理模型的类型和多种解决方法。其次,以几种常见模糊推理方法为代表,对各种模糊推理方法的是否具有还原性进行了系统研究,并总结了影响模糊推理方法还原性的因素。然后,根据前面的研究成果,提出一种新的具有还原性的相似度算法,证明了该新算法的还原性,还提供了比较新算法与CRI方法、AARS算法推理结果和模糊系统逼近性的实验图像。最后,建立了一个与新算法相对应的模糊逻辑形式系统。
基于目前模糊逻辑与模糊推理的亟待解决的问题,本论文在模糊逻辑已经取得诸多成果的大背景下,结合经典逻辑和非经典逻辑研究的一般方法,对模糊逻辑的演算和推理进行深入研究,希望能为今后的研究工作奠定坚实的基础。

Ⅲ 模糊数学算法软件

matlab里面没有模糊软件包吗？ http://www.mathworks.com/procts/fuzzylogic/
用 Matlab 中的 Fuzzy 工具箱做一个简单的模糊控制，流程如下：1、创建一个 FIS (Fuzzy Inference System ) 对象，a = newfis(fisName,fisType,andMethod,orMethod,impMethod, aggMethod,defuzzMethod)一般只用提供第一个参数即可，后面均用默认值。2、增加模糊语言变量a = addvar(a,'varType','varName',varBounds)模糊变量有两类：input 和 output。在每增加模糊变量，都会按顺序分配一个 index，后面要通过该 index 来使用该变量。3、增加模糊语言名称，即模糊集合。a = addmf(a,'varType',varIndex,'mfName','mfType',mfParams)每个模糊语言名称从属于一个模糊语言。Fuzzy 工具箱中没有找到离散模糊集合的隶属度表示方法，暂且用插值后的连续函数代替。参数 mfType 即隶属度函数(Membership Functions)，它可以是 Gaussmf、trimf、trapmf等，也可以是自定义的函数。每一个语言名称也会有一个 index，按加入的先后顺序得到，从 1 开始。4、增加控制规则，即模糊推理的规则。a = addrule(a,ruleList)
其中 ruleList 是一个矩阵，每一行为一条规则，他们之间是 ALSO 的关系。假定该 FIS 有 N 个输入和 M 个输出，则每行有 N+M+2 个元素，前 N 个数分别表示 N 个输入变量的某一个语言名称的 index，没有的话用 0 表示，后面的 M 个数也类似，最后两个分别表示该条规则的权重和个条件的关系，1 表示 AND，2 表示 OR。例如，当“输入1” 为“名称1” 和 “输入2” 为“名称3” 时，输出为 “ 输出1” 的“状态2”，则写为：[1 3 2 1 1]5、给定输入，得到输出，即进行模糊推理。output = evalfis(input,fismat)其中 fismat 为前面建立的那个 FIS 对象。一个完整的例子如下：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)其结果为：u = 4.221

Ⅳ 什么事模糊遗传算法

模糊遗传算法，即基于模糊逻辑的遗传算法。相关的文献还是有的，具体你可以到网络文库或者豆丁网或者道客巴巴等网站进行在线阅读。
模糊遗传算法FGA步骤：
1. 生成大小为n的由初始解组成的群体。即x_1=(x_{10},x_{11},x_{12},...,x_{1N}),...,x_n=(x_{n0},x_{n1},...,x_{nN}).
2. for i=1 to 给定的循环次数 do
3. BEGIN
4. 对每个x, 计算对应的Y的质心，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, 以此构造区间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. 繁殖以产生新群体。
设w_i是[0,TOTAL]上的随机数，1<=i<=n, 若 w_i<=I_i, 则选 x_i进入新群体。
注意新群体的构造组成应按选择的循序组成。
6. 交叉。 对繁殖而产生的群体中每对模糊集(x_1,x_2),(x_2,x_4)等，通过交叉生成其两个后代。
7. 变异。 设q是变异的概率，则变异的操作是通过对模糊集上的某一元素随机更换而完成的。
8. END

Ⅳ 模糊隶属度计算公式

v0对A的隶属频率=v0∈A的次数/试验总次数n。

隶属度函数的建立是分为定性和定量来确定的。其中，定性隶属度大多是根据剖分面积元或者专家试打分，定量隶属度根据标准，参照模糊隶属度公式计算。

模糊统计法的基本思想是对论域U上的一个确定元素vo是否属于论域上的一个可变动的清晰集合A3作出清晰的判断。对于不同的试验者，清晰集合A3可以有不同的边界，但它们都对应于同一个模糊集A。模糊统计法的计算步骤是：在每次统计中，vo是固定的，A3的值是可变的。

模糊性

模糊逻辑不是二者逻辑—非此即彼的推理，它也不是传统意义的多值逻辑，而是在承认事物隶属真值中间过渡性的同时，还认为事物在形态和类属方面具有亦此亦彼性、模棱两可性—模糊性。正因如此，模糊计算可以处理不精确的模糊输入信息，可以有效降低感官灵敏度和精确度的要求，而且所需要存储空间少，能够抓住信息处理的主要矛盾，保证信息处理的实时性、多功能性和满意性。

Ⅵ 什么叫模糊控制算法

模糊控制技术是利用模糊控制算法控制变频器的电压和频率的一种技术，通过模糊控制技术可使被控电动机的升速时间得到控制，以避免升速过快对电动机使用寿命的影响以及升速过慢而影响工作效率。

Ⅶ 关于图像去模糊算法，重赏

1 从没听过IBD算法
2 NAS-RIF不是很难可以自己编
3 但是 模拟退火，不是机器学习中的吗？也能做去模糊吗？
我以前做过维纳滤波去运动模糊的。
对楼主的这个课题比较感兴趣，可以继续讨论。

Ⅷ 什么叫模糊PID算法

说实话不是一两句能说清楚，简单说就是用模糊控制加PID控制。PID控制是通过P I D即比例积分微分三个参数控制的策略。这个估计楼主肯定懂。模糊PID算法就是通过模糊控制来控制这三个参数，实时改变参数以便达到更好的控制策略。具体的，内容楼主找本资料慢慢研究。

Ⅸ 什么是模糊预测算法啊

模糊预测控制算法

Fuzzy Prediction Control Algorithm

翟春艳 李书臣

摘 要：模糊预测控制(FPC)是近年来发展起来的新型控制算法,是模糊控制与预测控制相结合的产物.文章在预测控制的模型预测、滚动优化、反馈校正机理下,对模糊预测控制模型及其优化控制算法作了归纳,并对模糊预测控制今后的发展进行了展望.

模糊表的一部分，就是个数组，多少个输入就做个几维数组就可以了(3514字)liyu2005[28次]2004-3-20 18:16:07
unsigned char outputs[MF_TOT], // 模糊输出mu值
fuzzy_out; // 模糊控制值
unsigned char input[INPUT_TOT] ={ // 模糊输入
0, 0
};
unsigned char code input_memf[INPUT_TOT][MF_TOT][256]={
// 输入功能函数
{
{ // 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