模糊算法算法

❶ 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。

❷ 什么是模糊算法

通过对现实对象的分析，处理数据并构建模糊型数学模型。用隶属关系将数据元素集合灵活成模糊集合，确定隶属函数，进行模糊统计多依据经验和人的心理过程，它往往是通过心理测量来进行的，它研究的是事物本身的模糊性

❸ 模糊控制算法

模糊控制算法,是对手动操作者的手动控制策略、经验的总结.模糊控制算法有多种实现形式,采用应用最早、最广泛的查表法,可大大提高模糊控制的时效性,节省内存空间

❹ 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

❺ 模糊C均值聚类算法（FCM）

【嵌牛导读】FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。

【嵌牛提问】FCM有什么用？

【嵌牛鼻子】模糊C均值聚类算法

【嵌牛正文】

聚类分析是多元统计分析的一种，也是无监督模式识别的一个重要分支，在模式分类、图像处理和模糊规则处理等众多领域中获得最广泛的应用。它把一个没有类别标记的样本按照某种准则划分为若干子集，使相似的样本尽可能归于一类，而把不相似的样本划分到不同的类中。硬聚类把每个待识别的对象严格的划分某类中，具有非此即彼的性质，而模糊聚类建立了样本对类别的不确定描述，更能客观的反应客观世界，从而成为聚类分析的主流。

模糊聚类算法是一种基于函数最优方法的聚类算法，使用微积分计算技术求最优代价函数，在基于概率算法的聚类方法中将使用概率密度函数，为此要假定合适的模型，模糊聚类算法的向量可以同时属于多个聚类，从而摆脱上述问题。 模糊聚类分析算法大致可分为三类：

1）分类数不定，根据不同要求对事物进行动态聚类，此类方法是基于模糊等价矩阵聚类的，称为模糊等价矩阵动态聚类分析法。

2）分类数给定，寻找出对事物的最佳分析方案，此类方法是基于目标函数聚类的，称为模糊C 均值聚类。

3）在摄动有意义的情况下，根据模糊相似矩阵聚类，此类方法称为基于摄动的模糊聚类分析法。

我所学习的是模糊C 均值聚类算法，要学习模糊C 均值聚类算法要先了解虑属度的含义，隶属度函数是表示一个对象x 隶属于集合A 的程度的函数，通常记做μA (x)，其自变量范围是所有可能属于集合A 的对象（即集合A 所在空间中的所有点），取值范围是[0,1]，即0<=μA (x)<=1。μA (x)=1表示x 完全隶属于集合A ，相当于传统集合概念上的x ∈A 。一个定义在空间X={x}上的隶属度函数就定义了一个模糊集合A ，或者叫定义在论域X={x}上的模糊子集A 。对于有限个对象x 1，x 2，……，x n 模糊集合A 可以表示为：A ={(μA (x i ), x i ) |x i ∈X } (6.1)

有了模糊集合的概念，一个元素隶属于模糊集合就不是硬性的了，在聚类的问题中，可以把聚类生成的簇看成模糊集合，因此，每个样本点隶属于簇的隶属度就是[0，1]区间里面的值。

FCM 算法需要两个参数一个是聚类数目C ，另一个是参数m 。一般来讲C 要远远小于聚类样本的总个数，同时要保证C>1。对于m ，它是一个控制算法的柔性的参数，如果m 过大，则聚类效果会很次，而如果m 过小则算法会接近HCM 聚类算法。算法的输出是C 个聚类中心点向量和C*N的一个模糊划分矩阵，这个矩阵表示的是每个样本点属于每个类的隶属度。根据这个划分矩阵按照模糊集合中的最大隶属原则就能够确定每个样本点归为哪个类。聚类中心表示的是每个类的平均特征，可以认为是这个类的代表点。从算法的推导过程中我们不难看出，算法对于满足正态分布的数据聚类效果会很好。

通过实验和算法的研究学习，不难发现FCM算法的优缺点：

首先，模糊c 均值泛函Jm 仍是传统的硬c 均值泛函J1 的自然推广。J1 是一个应用很广泛的聚类准则，对其在理论上的研究已经相当的完善，这就为Jm 的研究提供了良好的条件。

其次，从数学上看，Jm与Rs的希尔伯特空间结构(正交投影和均方逼近理论) 有密切的关联，因此Jm 比其他泛函有更深厚的数学基础。

最后，FCM 聚类算法不仅在许多邻域获得了非常成功的应用，而且以该算法为基础，又提出基于其他原型的模糊聚类算法，形成了一大批FCM类型的算法，比如模糊c线( FCL) ，模糊c面(FCP) ，模糊c壳(FCS) 等聚类算法，分别实现了对呈线状、超平面状和“薄壳”状结构模式子集(或聚类) 的检测。

模糊c均值算法因设计简单，解决问题范围广，易于应用计算机实现等特点受到了越来越多人的关注，并应用于各个领域。但是，自身仍存在的诸多问题，例如强烈依赖初始化数据的好坏和容易陷入局部鞍点等，仍然需要进一步的研究。

❻ 图像处理应用实例：高斯模糊原理与算法

小知识：
高斯模糊是图像处理中广泛使用的技术、通常用它来减小噪声以及降低细节层次。这种模糊技术生产的图像的视觉效果是好像经过一个半透明的屏幕观察图像。高斯模糊也用语计算机视觉算法中的预处理阶段以增强图像在不同尺寸下的图像效果。
通常，图像处理软件会提供“模糊”(blur)滤镜，使图片产生模糊的效果。
“模糊”的算法有很多种，其中有一种叫做“高斯模糊”(Gaussian
Blur)。它将正态分布(又名“高斯分布”)用于图像处理。
本文介绍“高斯模糊”的算法，你会看到这是一个非常简单易懂的算法。本质上，它是一种数据平滑技术(data
smoothing)，适用于多个场合，图像处理恰好提供了一个直观的应用实例。
一、高斯模糊的原理
所谓“模糊”，可以理解成每一个像素都取周边像素的平均值。
上图中，2是中间点，周边点都是1。
“中间点”取“周围点”的平均值，就会变成1。在数值上，这是一种“平滑化”。在图形上，就相当于产生“模糊”效果，“中间点”失去细节。

❼ 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