模糊系统架构和简单实现--AForge.NET框架的使用(四)

长平狐 发布于 2013/11/25 11:38
阅读 724
收藏 1

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。

fuzzy4-1

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(mise)一:x is A’

前提(mise)二:if x is A,y is B

结论:y is B’

fuzzy4-2

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

fuzzy4-6

输出为角度,论域[-10,50],隶属度函数

fuzzy4-7

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:

fuzzy4-3

fuzzy4-4

fuzzy4-5

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());
}

fuzzy4-8

模糊推理系统的扩展和完善

借助AForge.Net我们可以很快构建一个系统,但是AForge.Net也不是十全十美的。

首先它的合成运算子没有实现完全,有些常用的,比如最大边界算子就没有。

其次其去模糊化的实现只有一种,可以考虑实现自己补充一下算法:

1.最大平均法 (modified mean of maxima defuzzifier)

fuzzy4-9

2.修正型最大平均法 (modified mean of maxima defuzzifier)

fuzzy4-10

3.中心平均法 (modified center average defuzzifier)
fuzzy4-11

4.修正型重心法 (modified center average defuzzifier)

fuzzy4-12

5.权重式平均法(weighted average method)结合了启动强度,使用更为广泛

fuzzy4-13
不过AForge.Net的接口和设计比较好,扩展也是很方便的。

其实模糊系统的话,matlab也是可以做到的,但是一来matlab不开源,二来扩展确实不方便,所以没有使用,如果确实没有替代品,可以考虑混编。

模糊系统的使用本身也有一些不方便,主要是规则库的建立。

第一种也是最直接的方式就是经由询问人类专家而得。但是人类专家往往无法完整地提供所有必需的语意式模煳规则,以致于规则库的不完全。

而模糊系统的效果主要受规则和隶属度函数影响,所以有时候规则库的不全对系统的效果是毁灭性伤害。

第二种取得语意式模煳规则的方式,则是经由训练法则,从数值型资料(numerical data)中取得模煳规则,此种作法往往牵涉如何分割输入及输出变数空间。常用的就是神经网络。

AForge.Net也有神经网络相关的东西,所以使用起来很方便的。

 

最后附上整个项目的下载地址:http://www.ctdisk.com/file/4512079


原文链接:http://www.cnblogs.com/htynkn/archive/2012/02/06/AForge_4.html
加载中
返回顶部
顶部