模糊演算法演算法

❶ 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。

❷ 什麼是模糊演算法

通過對現實對象的分析，處理數據並構建模糊型數學模型。用隸屬關系將數據元素集合靈活成模糊集合，確定隸屬函數，進行模糊統計多依據經驗和人的心理過程，它往往是通過心理測量來進行的，它研究的是事物本身的模糊性

❸ 模糊控制演算法

模糊控制演算法,是對手動操作者的手動控制策略、經驗的總結.模糊控制演算法有多種實現形式,採用應用最早、最廣泛的查表法,可大大提高模糊控制的時效性,節省內存空間

❹ 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

❺ 模糊C均值聚類演算法（FCM）

【嵌牛導讀】FCM演算法是一種基於劃分的聚類演算法，它的思想就是使得被劃分到同一簇的對象之間相似度最大，而不同簇之間的相似度最小。模糊C均值演算法是普通C均值演算法的改進，普通C均值演算法對於數據的劃分是硬性的，而FCM則是一種柔性的模糊劃分。

【嵌牛提問】FCM有什麼用？

【嵌牛鼻子】模糊C均值聚類演算法

【嵌牛正文】

聚類分析是多元統計分析的一種，也是無監督模式識別的一個重要分支，在模式分類、圖像處理和模糊規則處理等眾多領域中獲得最廣泛的應用。它把一個沒有類別標記的樣本按照某種准則劃分為若乾子集，使相似的樣本盡可能歸於一類，而把不相似的樣本劃分到不同的類中。硬聚類把每個待識別的對象嚴格的劃分某類中，具有非此即彼的性質，而模糊聚類建立了樣本對類別的不確定描述，更能客觀的反應客觀世界，從而成為聚類分析的主流。

模糊聚類演算法是一種基於函數最優方法的聚類演算法，使用微積分計算技術求最優代價函數，在基於概率演算法的聚類方法中將使用概率密度函數，為此要假定合適的模型，模糊聚類演算法的向量可以同時屬於多個聚類，從而擺脫上述問題。 模糊聚類分析演算法大致可分為三類：

1）分類數不定，根據不同要求對事物進行動態聚類，此類方法是基於模糊等價矩陣聚類的，稱為模糊等價矩陣動態聚類分析法。

2）分類數給定，尋找出對事物的最佳分析方案，此類方法是基於目標函數聚類的，稱為模糊C 均值聚類。

3）在攝動有意義的情況下，根據模糊相似矩陣聚類，此類方法稱為基於攝動的模糊聚類分析法。

我所學習的是模糊C 均值聚類演算法，要學習模糊C 均值聚類演算法要先了解慮屬度的含義，隸屬度函數是表示一個對象x 隸屬於集合A 的程度的函數，通常記做μA (x)，其自變數范圍是所有可能屬於集合A 的對象（即集合A 所在空間中的所有點），取值范圍是[0,1]，即0<=μA (x)<=1。μA (x)=1表示x 完全隸屬於集合A ，相當於傳統集合概念上的x ∈A 。一個定義在空間X={x}上的隸屬度函數就定義了一個模糊集合A ，或者叫定義在論域X={x}上的模糊子集A 。對於有限個對象x 1，x 2，……，x n 模糊集合A 可以表示為：A ={(μA (x i ), x i ) |x i ∈X } (6.1)

有了模糊集合的概念，一個元素隸屬於模糊集合就不是硬性的了，在聚類的問題中，可以把聚類生成的簇看成模糊集合，因此，每個樣本點隸屬於簇的隸屬度就是[0，1]區間裡面的值。

FCM 演算法需要兩個參數一個是聚類數目C ，另一個是參數m 。一般來講C 要遠遠小於聚類樣本的總個數，同時要保證C>1。對於m ，它是一個控制演算法的柔性的參數，如果m 過大，則聚類效果會很次，而如果m 過小則演算法會接近HCM 聚類演算法。演算法的輸出是C 個聚類中心點向量和C*N的一個模糊劃分矩陣，這個矩陣表示的是每個樣本點屬於每個類的隸屬度。根據這個劃分矩陣按照模糊集合中的最大隸屬原則就能夠確定每個樣本點歸為哪個類。聚類中心表示的是每個類的平均特徵，可以認為是這個類的代表點。從演算法的推導過程中我們不難看出，演算法對於滿足正態分布的數據聚類效果會很好。

通過實驗和演算法的研究學習，不難發現FCM演算法的優缺點：

首先，模糊c 均值泛函Jm 仍是傳統的硬c 均值泛函J1 的自然推廣。J1 是一個應用很廣泛的聚類准則，對其在理論上的研究已經相當的完善，這就為Jm 的研究提供了良好的條件。

其次，從數學上看，Jm與Rs的希爾伯特空間結構(正交投影和均方逼近理論) 有密切的關聯，因此Jm 比其他泛函有更深厚的數學基礎。

最後，FCM 聚類演算法不僅在許多鄰域獲得了非常成功的應用，而且以該演算法為基礎，又提出基於其他原型的模糊聚類演算法，形成了一大批FCM類型的演算法，比如模糊c線( FCL) ，模糊c面(FCP) ，模糊c殼(FCS) 等聚類演算法，分別實現了對呈線狀、超平面狀和「薄殼」狀結構模式子集(或聚類) 的檢測。

模糊c均值演算法因設計簡單，解決問題范圍廣，易於應用計算機實現等特點受到了越來越多人的關注，並應用於各個領域。但是，自身仍存在的諸多問題，例如強烈依賴初始化數據的好壞和容易陷入局部鞍點等，仍然需要進一步的研究。

❻ 圖像處理應用實例：高斯模糊原理與演算法

小知識：
高斯模糊是圖像處理中廣泛使用的技術、通常用它來減小雜訊以及降低細節層次。這種模糊技術生產的圖像的視覺效果是好像經過一個半透明的屏幕觀察圖像。高斯模糊也用語計算機視覺演算法中的預處理階段以增強圖像在不同尺寸下的圖像效果。
通常，圖像處理軟體會提供「模糊」(blur)濾鏡，使圖片產生模糊的效果。
「模糊」的演算法有很多種，其中有一種叫做「高斯模糊」(Gaussian
Blur)。它將正態分布(又名「高斯分布」)用於圖像處理。
本文介紹「高斯模糊」的演算法，你會看到這是一個非常簡單易懂的演算法。本質上，它是一種數據平滑技術(data
smoothing)，適用於多個場合，圖像處理恰好提供了一個直觀的應用實例。
一、高斯模糊的原理
所謂「模糊」，可以理解成每一個像素都取周邊像素的平均值。
上圖中，2是中間點，周邊點都是1。
「中間點」取「周圍點」的平均值，就會變成1。在數值上，這是一種「平滑化」。在圖形上，就相當於產生「模糊」效果，「中間點」失去細節。

❼ 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