【人工智能】模糊逻辑推理-洗衣机模糊推理系统

一、实验目的

理解模糊逻辑推理的原理及特点，熟练应用模糊推理，并以此设计一个洗衣机模糊推理系统。

二、实验原理

模糊推理即以模糊集合论为基础描述工具，对以一般集合论为基础描述工具的数理逻辑进行扩展，从而建立了模糊推理理论。是不确定推理的一种。在人工智能技术开发中有重大意义。

整个模糊推理的过程就是由一组模糊规则出发。许多模糊规则实际上是一组多重条件语句，可以表示为从条件论域到结论论域的模糊关系矩阵R。通过条件模糊向量与模糊关系R的合成进行模糊推理，得到结论的模糊向量，然后采用“清晰化”方法将模糊结论转换为精确量。

三、实验过程记录

已知人的操作经验为：

“污泥越多，油脂越多，洗涤时间越长”；

“污泥适中，油脂适中，洗涤时间适中”；

“污泥越少，油脂越少，洗涤时间越短”

可以得到以下模糊控制规则表

其中SD（污泥少）、MD（污泥中）、LD（污泥多）、NG（油脂少）、MG（油脂中）、LG（油脂多）、VS（洗涤时间很短）、S（洗涤时间短）、M（洗涤时间中等）、L（洗涤时间长）、VL（洗涤时间很长）。

假设污泥、油脂、洗涤时间的论域分别为[0,100]、[0,100]、[0,120]，设计模糊推理系统如下：

输入：待洗涤衣物的污泥和油脂

控制对象：洗涤时间

污泥隶属函数：

油脂隶属函数：

时间隶属函数：

Python代码实现：

def Sludge(a):#污泥 sludge=[0,0,0]#默认隶属度为0，依次对应SD,MD,LD if a100: return (print("输入值有误")) elif 0<=a<=50: sludge[0]=(50-a)/50 sludge[1]=a/50 elif 50100: return (print("输入值有误")) elif 0<=a<=50: grease[0]=(50-a)/50 grease[1]=a/50 elif 50u2): time_level='VS' else: time_level='S' if 20u4): time_level='S' else: time_level='M' if 50u6): time_level='M' else: time_level='L' if 80u8): time_level='L' else: time_level='VL' return time_levelif __name__ == '__main__': sludge =int(input("输入污泥值:")) grease =int(input("输入油脂值:")) rules_value=Rules(Sludge(sludge),Grease(grease)) time_level=Inference(rules_value)#时间隶属度 result_1=Area_gravity(time_level)#面积重心法求得的预测时间 result_2=Maximum(result_1)#最大隶属度法求得的预测时间长短 result_3={'VS':'很短','S':'短','M':'中等','L':'长','VL':'很长'} print("预测洗涤时间属于 {},预计洗涤时间{}".format(result_3[result_2],int(result_1+0.5)))

四、实验结果

假设当前传感器测得的信息为污泥x=60，油脂y=70，采用模糊决策，给出结果。

运行Python程序，输入污泥值值和油脂值，结果如下：

五、实验过程中存在的问题及解决方案

最开始进行实验时，对课本上的数学推理过程不能很好的理解，导致变成速度比较慢。后期通过参考网上类似的代码和分析，逐渐明白了模糊逻辑推理的原理和具体Python实现方法，最终完成了实验。

六、实验总结

在本次实验中，设计了一个洗衣机模糊推理系统，同时通过Python进行了具体的代码实现及应用。通过这次实验，我进一步理解了模糊逻辑推理的原理及特点，同时可以应用模糊推理理论到实际情境中来。

目前，在人工智能领域的自动控制、模式识别、自然语言理解、机器人及专家系统研制等方面，模糊推理的应用取得了一定的成果。并且，在知识表示方面，模糊逻辑有着相当广阔的应用前景。