模糊系统架构和简单实现--AForge.NET框架的使用（四）

更新时间：2022-10-04 15:00:29

原文:模糊系统架构和简单实现--AForge.NET框架的使用（四）

先说一下，为什么题目是简单实现，因为我实在没有弄出好的例子。

我原来用AForge.net做的项目中的模糊系统融入了神经网络和向量机，没法抽出来当例子，就用了个最老的自动车辆的例子。

模糊系统（Fuzzy System）架构

前面零零散散说来一下有关模糊系统和模糊理论的东西，这里来个总结。

模煳系统的基本架构如图8.1所示，其中主要的功能方块包括：(1)模煳化机构、(2)模煳规则库、(3)模煳推论引擎、以及(4)去模煳化机构。

模糊化机构是有关模糊集合和隶属度函数的内容。

模糊规则前文也有提及，去模糊化只涉及了重心法一种，这里简单说一下模糊推理引擎。

模糊推理引擎是模煳系统的核心，它可以藉由近似推论或模煳推论的进行，来模拟人类的思考决策模式，以达到解决问题的目地。

比如：

前提（premise）一：x is A’

前提（premise）二：if x is A,y is B

结论：y is B’

模糊推理系统的简单实现

在AForge.Net中的对应类是InferenceSystem。

在程序实现中一个模糊推理系统（Fuzzy Inference System ）由数据库（Database）和规则库（Rulebase）组成，一般操作如下：

1.获取数值输入

2.通过数据库（Database）将数值输入转为语意含义

3.验证规则库（Rulebase）中的哪些规则被输入激活

4.组合被激活的规则，得到模糊输出（Fuzzy Output）

5.去模糊化（实现IDefuzzifier接口）

下面看看例子，这个例子是关于控制车辆避免正面冲撞的系统。

输入为距离，论域[0,120]，隶属度函数

输出为角度，论域[-10,50]，隶属度函数

核心代码：

// 隶属度函数（距离） 
FuzzySet fsNear = new FuzzySet("Near", 
new TrapezoidalFunction(15, 50, TrapezoidalFunction.EdgeType.Right)); 
FuzzySet fsMedium = new FuzzySet("Medium", 
new TrapezoidalFunction(15, 50, 60, 100)); 
FuzzySet fsFar = new FuzzySet("Far", 
new TrapezoidalFunction(60, 100, TrapezoidalFunction.EdgeType.Left));

//绘制图像 
int length1 =(int) (chart1.RangeX.Max - chart1.RangeX.Min); 
double[,] NearValues = new double[length1, 2]; 
for (int i = (int)chart1.RangeX.Min; i < chart1.RangeX.Max; i++) 
{ 
    NearValues[i, 0] = i; 
    NearValues[i, 1] = fsNear.GetMembership(i); 
} 
double[,] MediumValues = new double[length1, 2]; 
for (int i = (int)chart1.RangeX.Min; i < chart1.RangeX.Max; i++) 
{ 
    MediumValues[i, 0] = i; 
    MediumValues[i, 1] = fsMedium.GetMembership(i); 
} 
double[,] FarValues = new double[length1, 2]; 
for (int i = (int)chart1.RangeX.Min; i < chart1.RangeX.Max; i++) 
{ 
    FarValues[i, 0] = i; 
    FarValues[i, 1] = fsFar.GetMembership(i); 
} 
chart1.UpdateDataSeries("Near", NearValues); 
chart1.UpdateDataSeries("Medium", MediumValues); 
chart1.UpdateDataSeries("Far", FarValues);

// 距离（输入） 
LinguisticVariable lvFront = new LinguisticVariable("FrontalDistance", 0, 120); 
lvFront.AddLabel(fsNear); 
lvFront.AddLabel(fsMedium); 
lvFront.AddLabel(fsFar);


// 隶属度函数 
FuzzySet fsZero = new FuzzySet("Zero", 
new TrapezoidalFunction(-10, 5, 5, 10)); 
FuzzySet fsLP = new FuzzySet("LittlePositive", 
new TrapezoidalFunction(5, 10, 20, 25)); 
FuzzySet fsP = new FuzzySet("Positive", 
new TrapezoidalFunction(20, 25, 35, 40)); 
FuzzySet fsVP = new FuzzySet("VeryPositive", 
new TrapezoidalFunction(35, 40, TrapezoidalFunction.EdgeType.Left));

//绘制图像 
int length2 = (int)(chart2.RangeX.Max - chart2.RangeX.Min); 
double[,] ZeroValues = new double[length2, 2]; 
for (int i = (int)chart2.RangeX.Min; i < chart2.RangeX.Max; i++) 
{ 
    ZeroValues[i + 10, 0] = i; 
    ZeroValues[i + 10, 1] = fsZero.GetMembership(i); 
} 
double[,] LittlePositiveValues = new double[length2, 2]; 
for (int i = (int)chart2.RangeX.Min; i < chart2.RangeX.Max; i++) 
{ 
    LittlePositiveValues[i + 10, 0] = i; 
    LittlePositiveValues[i + 10, 1] = fsLP.GetMembership(i); 
} 
double[,] PositiveValues = new double[length2, 2]; 
for (int i = (int)chart2.RangeX.Min; i < chart2.RangeX.Max; i++) 
{ 
    PositiveValues[i + 10, 0] = i; 
    PositiveValues[i + 10, 1] = fsP.GetMembership(i); 
} 
double[,] VeryPositiveValues = new double[length2, 2]; 
for (int i = (int)chart2.RangeX.Min; i < chart2.RangeX.Max; i++) 
{ 
    VeryPositiveValues[i + 10, 0] = i; 
    VeryPositiveValues[i + 10, 1] = fsVP.GetMembership(i); 
} 
chart2.UpdateDataSeries("Zero", ZeroValues); 
chart2.UpdateDataSeries("LittlePositive", LittlePositiveValues); 
chart2.UpdateDataSeries("Positive", PositiveValues); 
chart2.UpdateDataSeries("VeryPositive", VeryPositiveValues);

//角度 
LinguisticVariable lvAngle = new LinguisticVariable("Angle", -10, 50); 
lvAngle.AddLabel(fsZero); 
lvAngle.AddLabel(fsLP); 
lvAngle.AddLabel(fsP); 
lvAngle.AddLabel(fsVP);

//设置数据库 
Database fuzzyDB = new Database(); 
fuzzyDB.AddVariable(lvFront); 
fuzzyDB.AddVariable(lvAngle);

// 创建模糊推理系统 
InferenceSystem IS = new InferenceSystem(fuzzyDB, new CentroidDefuzzifier(1000));

// 直行规则 
IS.NewRule("Rule 1", "IF FrontalDistance IS Far THEN Angle IS Zero"); 
// 左转规则 
IS.NewRule("Rule 2", "IF FrontalDistance IS Near THEN Angle IS Positive");

//开始推理

// 设定输入 
IS.SetInput("FrontalDistance",float.Parse(inputBox.Text));

//打印输出 
try 
{ 
float newAngle = IS.Evaluate("Angle"); 
    outputBox.Text = newAngle.ToString(); 
} 
catch (Exception ex) 
{ 
    MessageBox.Show("error  ===>  "+ex.Message); 
}

效果：

如果要输出模糊结论可以使用：

FuzzyOutput fuzzyOutput = IS.ExecuteInference("Angle");

foreach (FuzzyOutput.OutputConstraint oc in fuzzyOutput.OutputList) 
{ 
    Console.WriteLine(oc.Label + " - " + oc.FiringStrength.ToString()); 
}