Ⅱ型模糊控制综述

Ⅱ型模糊集合是传统Ⅰ型模糊集合的扩展,其特征是隶属度值本身为模糊集合.基于Ⅱ型模糊集合的Ⅱ型模糊控制器可以同时有效地处理语言和数据不确定性,在高小确定场合具有明显超过相应Ⅰ型控制器的性能表现.本文首先对Ⅱ型模糊集合及系统理论进行了概述,然后对Ⅱ型非自适应模糊控制器Ⅱ型自适应模糊控制器和Ⅱ型自组织模糊控制器的研究进展分别...     

区间二型模糊集和模糊系统: 综述与展望

一型模糊集可以建模单个用户的语义概念中的不确定性, 即个体内不确定性. 一型模糊系统在控制和机器学习中得到了大量成功应用. 区间二型模糊集能同时建模个体内不确定性和个体间不确定性, 因而在很多应用中显示了比一型模糊系统更好的性能, 是近年来的研究热点. 本文首先介绍了区间二型模糊集的重要概念和理论研究进展, 总结了其在决策和机器学习中的成功应用, 然后介绍了区间二型模糊系统的基本操作和理论研究进展, 并回顾了其在控制和机器学习中的典型应用. 最后, 对区间二型模糊集和模糊系统未来的研究方向进行了展望.     

二型直觉模糊集

二型模糊集和直觉模糊集都具有很强的实际应用背景.二型模糊集增强了系统处理不确定性的能力,直觉模糊集为解决人们判断问题所出现的犹豫信息提供了理论依据.本文在二型模糊集和直觉模糊集的基础上,给出了二型直觉模糊集的概念,证明了二型直觉模糊集是一型模糊集、直觉模糊集、区间值模糊集、区间值直觉模糊集的广义形式,讨论了二型直觉模糊集的基本运算和二型直觉模糊关系.最后,研究了基于二型直觉模糊理论的近似推理,并实例说明了二型直觉模糊集的实际应用背景.     

区间二型模糊综合评判下的语言动力学分析

为了解决多人对事物的多因素动态评估问题,提出区间二型模糊综合评判下的语言动力学分析方法,给出半连通区间二型模糊集合的表述与运算.综合二型模糊集合与模糊综合评判,探讨二型模糊综合评判方法.结合不同时段的数据,形成多因素动态评估的语言动力学轨迹.最后将区间二型模糊综合评判下的语言动力学系统应用于旅游景区的动态评估中.     

基于区间二型模糊集合的语言动力系统稳定性

运用区间二型模糊集合(Interval type-2 fuzzy sets, IT2 FSs) 的扩展原理将常规的数值函数转化为对应的区间二型模糊函数, 并给出了相应的词计算(Computing with words, CW)方法与算法,最后分析了严格单调情况下基于区间二型模糊集合的单输入单输出系统的语言动力系统(Linguistic dynamic systems, LDS)稳定性.     

关于二型模糊集合的一些基本问题

采用集合论的方法给出了单位模糊集合和二型模糊集合及其在一点的限制等定义,使得二型模糊集合更易于理解.通过定义嵌入单位模糊集合来描述一般二型模糊集合,并给出离散、半连通二型模糊集合的表达式.根据论域、主隶属度及隶属函数的特性将二型模糊集合分为四种类型：离散、半连通、连通及复合型,并根据连通的特点将连通二型模糊集合分为单连通及多连通两类.利用支集的闭包（Closure of support,CoS）划分法表述主隶属度及区间二型模糊集合.提出了CoS二、三次划分法分别来表述单、复连通二型模糊集合,并使每一个子区域的上下边界及次隶属函数在该子区域上的限制分别具有相同的解析表述式.最后,探讨了二型模糊集合在一点的限制、主隶属度、支集、嵌入单位模糊集合之间的关系.     

一一映射下区间二型模糊集合的语言动力学轨迹

给出区间二型模糊扩展原理,并将常规的一一映射抽象成与之对应的区间二型模糊映射。介绍基于区间二型模糊扩展原理的词计算方法。最后分析区间二型模糊集合的语言动力学轨迹。     

广义二型模糊逻辑系统降型及其采样离散Nie-Tan算法

广义二型模糊逻辑系统在近年来成为学术研究的热点问题,而降型是该系统中的核心模块。最近的研究证明了连续Nie-Tan(CNT)算法是计算区间二型模糊集质心的准确方法。发现了离散Nie-Tan(NT)算法中的求和运算和CNT算法中的求积分运算的内在联系,用2类算法完成基于广义二型模糊集α-平面表达理论的广义二型模糊逻辑系统质心降型。3个计算机仿真实验表明,当适当增加主变量采样点个数时,所提出的基于主变量采样的离散NT算法计算出的广义二型模糊逻辑系统质心降型集和解模糊化值结果可以精确地逼近基准的CNT算法,且采样离散NT算法的计算效率远远高于CNT算法的效率。     

一种等价于PI的二型模糊控制器设计算法

区间二型模糊集合将次隶属度做了简化,基于KM降阶算法的区间二型模糊控制器实现起来相对简单.虽然区间二型模糊控制器在一定程度上优于传统的一型模糊控制器或者PI控制器等,但区间二型模糊控制器并没有充分利用二型模糊集合的次隶属度信息.为解决这些问题,研究了普通二型模糊控制器的一般结构,提出了一种等价于PI的二型模糊控制器.该...     

基于区间二型模糊熵的多属性决策方法

针对属性权重信息完全未知的区间二型模糊多属性决策问题,提出了一种基于区间二型模糊熵的多属性决策方法。为了量化区间二型模糊集的不确定信息,通过引入模糊因子、犹豫因子和区间因子建立了区间二型模糊熵的公理化准则,并分别基于欧氏距离、海明距离和广义距离给出了三种熵计算公式。同时,根据决策问题中总体不确定性最小化的原则,结合熵公式构建数学规划模型来确定属性权重,利用得分函数给出了具体的决策步骤,并通过实例分析验证了该决策方法的有效性和灵活性。     

Ⅱ-型模糊集截集的定义及特征研究

经典模糊集的截集概念是经典模糊集合与经典集合联系的桥梁,对于II-型模糊集,该文在分析II-型模糊集、区间值II-型模糊集、I-型模糊集以及经典集合之间关系的基础上,定义了II-型模糊集的截集概念,分析了II-型模糊集截集的特征,仿真证明了II-型模糊集截集的有效性,为基于II-型模糊集的决策、聚类等实际应用提供了新的方法。     

Design of interval type-2 fuzzy sliding-mode controller

In this paper, an interval type-2 fuzzy sliding-mode controller (IT2FSMC) is proposed for linear and nonlinear systems. The proposed IT2FSMC is a combination of the interval type-2 fuzzy logic control (IT2FLC) and the sliding-mode control (SMC) which inherits the benefits of these two methods. The objective of the controller is to allow the system to move to the sliding surface and remain in on it so as to ensure the asymptotic stability of the closed-loop system. The Lyapunov stability method is adopted to verify the stability of the interval type-2 fuzzy sliding-mode controller system. The design procedure of the IT2FSMC is explored in detail. A typical second order linear interval system with 50% parameter variations, an inverted pendulum with variation of pole characteristics, and a Duffing forced oscillation with uncertainty and disturbance are adopted to illustrate the validity of the proposed method. The simulation results show that the IT2FSMC achieves the best tracking performance in comparison with the type-1 Fuzzy logic controller (T1FLC), the IT2FLC, and the type-1 fuzzy sliding-mode controller (T1FSMC).     

New results about the centroid of an interval type-2 fuzzy set, including the centroid of a fuzzy granule

The centroid of an interval type-2 fuzzy set (IT2 FS) provides a measure of the uncertainty of such a FS. Its calculation is very widely used in interval type-2 fuzzy logic systems. In this paper, we present properties about the centroid of an IT2 FS. We also illustrate many of the general results for a T2 fuzzy granule (FG) in order to develop some understanding about the uncertainty of the FG in terms of its vertical and horizontal dimensions. At present, the T2 FG is the only IT2 FS for which it is possible to obtain closed-form formulas for the centroid, and those formulas are in this paper.     

二型模糊集的模糊熵研究

研究基于质心的二型模糊集的模糊熵和加权模糊熵,构造了两个二型模糊集的模糊熵度量.针对二型模糊集的特殊情形,提出一种新的区间值模糊集的模糊熵度量,既弥补了现有区间值模糊集退化为普通模糊集时熵为零的不足,又克服了两个明显不同的区间值模糊集熵相等的缺点.数值实例和仿真实验表明了所提出模糊熵的合理性和实用性.     

二型直觉模糊粗糙集

将二型直觉模糊集和粗糙集理论融合,建立二型直觉模糊粗糙集模型。首先,在二型直觉模糊近似空间中,定义了一对二型直觉模糊上、下近似算子,并讨论了二型直觉模糊关系退化为普通二型模糊关系和一般等价关系时,上、下近似算子的具体变化形式。然后,将普通二型模糊集之间包含关系的定义推广到了二型直觉模糊集,在此基础上研究了二型直觉模糊上、下近似算子的一些性质。最后,定义了自反的、对称的和传递的二型直觉模糊关系,并讨论了这3种特殊的二型直觉模糊关系与近似算子的特征之间的联系。该结论进一步丰富了二型模糊集理论和粗糙集理论,为二型直觉模糊信息系统的应用奠定了良好的理论基础。     

A hybrid learning algorithm for a class of interval type-2 fuzzy neural networks

In real life, information about the world is uncertain and imprecise. The cause of this uncertainty is due to: deficiencies on given information, the fuzzy nature of our perception of events and objects, and on the limitations of the models we use to explain the world. The development of new methods for dealing with information with uncertainty is crucial for solving real life problems. In this paper three interval type-2 fuzzy neural network (IT2FNN) architectures are proposed, with hybrid learning algorithm techniques (gradient descent backpropagation and gradient descent with adaptive learning rate backpropagation). At the antecedents layer, a interval type-2 fuzzy neuron (IT2FN) model is used, and in case of the consequents layer an interval type-1 fuzzy neuron model (IT1FN), in order to fuzzify the rule’s antecedents and consequents of an interval type-2 Takagi-Sugeno-Kang fuzzy inference system (IT2-TSK-FIS). IT2-TSK-FIS is integrated in an adaptive neural network, in order to take advantage the best of both models. This provides a high order intuitive mechanism for representing imperfect information by means of use of fuzzy If-Then rules, in addition to handling uncertainty and imprecision. On the other hand, neural networks are highly adaptable, with learning and generalization capabilities. Experimental results are divided in two kinds: in the first one a non-linear identification problem for control systems is simulated, here a comparative analysis of learning architectures IT2FNN and ANFIS is done. For the second kind, a non-linear Mackey-Glass chaotic time series prediction problem with uncertainty sources is studied. Finally, IT2FNN proved to be more efficient mechanism for modeling real-world problems.