模糊逻辑系统(FLS)响应于输入不完整，模棱两可，失真或不准确(模糊)而产生可接受但确定的输出。

什么是模糊逻辑?

模糊逻辑(FL)是一种类似于人类推理的推理方法。 FL的方法模仿了人类的决策方式，涉及数字值YES和NO之间的所有中间可能性。

计算机可以理解的常规逻辑块需要精确的输入，并产生确定的输出，如TRUE或FALSE，相当于人类的YES或NO。

模糊逻辑的发明者Lotfi Zadeh观察到，与计算机不同，人类的决策包括在YES和NO之间的一系列可能性，例如-

模糊逻辑在输入的可能性级别上工作，以实现确定的输出。

实作

• 它可以在具有各种大小和功能的系统中实现，范围从小型微控制器到大型的，基于工作站的联网控制系统。

• 它可以用硬件，软件或二者的结合来实现。

为什么选择模糊逻辑?

模糊逻辑对于商业和实践目的很有用。

• 它可以控制机器和消费产品。
• 它可能无法给出准确的推理，但可以接受。
• 模糊逻辑有助于处理工程中的不确定性。

模糊逻辑系统架构

它具有四个主要部分，如下所示：

• 模糊化模块-将模糊的系统输入转换为模糊集。它将输入信号分为五个步骤，例如-

• 知识库-它存储专家提供的IF-THEN规则。

• 推理引擎-它通过对输入和IF-THEN规则进行模糊推理来模拟人类推理过程。

• 去模糊化模块-将推理引擎获得的模糊集转换为清晰的值。

隶属函数对变量的模糊集起作用。

会员功能

隶属度函数使您可以量化语言术语并以图形方式表示模糊集。话语X上的模糊集A的隶属函数定义为_μA ：X→[0,1]。

这里， X的每个元素都映射到0到1之间的值。这称为隶属度值或隶属度。它将X中元素的隶属度量化为模糊集A。

• x轴表示话语范围。
• y轴表示[0，1]区间中的隶属度。

可以有多个适用于模糊化数值的隶属函数。使用简单的隶属函数是因为使用复杂的函数不会增加输出的精度。

LP，MP，S，MN和LN的所有隶属函数如下所示-

三角形隶属函数形状在各种其他隶属函数形状(例如梯形，单例和高斯)中最常见。

在这里，5级模糊器的输入范围从-10伏到+10伏不等。因此，相应的输出也会更改。

模糊逻辑系统的例子

让我们考虑具有五级模糊逻辑系统的空调系统。该系统通过比较室温和目标温度值来调节空调的温度。

算法

• 定义语言变量和术语(开始)
• 为他们构造成员函数。 (开始)
• 构建规则知识库(开始)
• 使用隶属函数将明快数据转换为模糊数据集。 (模糊化)
• 在规则库中评估规则。 (推理机)
• 合并每个规则的结果。 (推理机)
• 将输出数据转换为非模糊值。 (去模糊化)

发展历程

步骤1-定义语言变量和术语

语言变量是简单单词或句子形式的输入和输出变量。对于室温，冷，暖，热等都是语言术语。

温度(t)= {非常冷，寒冷，温暖，非常温暖，炎热}

该集合的每个成员都是语言术语，它可以覆盖整个温度值的一部分。

第2步-为他们构造成员函数

温度变量的隶属函数如下所示-

步骤3-构建知识库规则

创建一个室温值与空调系统预期提供的目标温度值的矩阵。

以IF-THEN-ELSE结构的形式在知识库中建立一套规则。

步骤4-获得模糊值

模糊集操作执行规则评估。用于OR和AND的运算分别是Max和Min。合并所有评估结果以形成最终结果。该结果是模糊值。

步骤5-执行去模糊

然后根据隶属函数对输出变量执行去模糊化。

模糊逻辑的应用领域

模糊逻辑的关键应用领域如下：

汽车系统

• 自动变速箱
• 四轮转向
• 车辆环境控制

消费电子产品

• 高保真系统
• 影印机
• 静止和摄像机
• 电视

国内商品

• 微波炉
• 电冰箱
• 烤面包机
• 吸尘机
• 洗衣机

环境控制

• 空调/干燥机/加热器
• 加湿器

FLS的优势

• 模糊推理中的数学概念非常简单。

• 由于模糊逻辑的灵活性，您可以通过添加或删除规则来修改FLS。

• 模糊逻辑系统可以获取不精确，失真，嘈杂的输入信息。

• FLS易于构建和理解。

• 模糊逻辑类似于人类的推理和决策，是解决包括医学在内的所有生活领域中复杂问题的解决方案。

FLS的缺点

• 没有系统的方法来进行模糊系统设计。
• 它们只有简单时才可以理解。
• 它们适用于不需要高精度的问题。