模糊推理 – 模糊决策与智能计算实验室

模糊推理

模糊推理 (Fuzzy Inference) 是模糊系统的核心计算流程，负责将精确输入通过模糊规则库转化为精确输出。整个过程分为三个阶段：模糊化、规则推理和去模糊化。

推理流水线

精确输入 → [模糊化] → 模糊隶属度 → [推理引擎 + 规则库] → 模糊输出 → [去模糊化] → 精确输出

这条流水线是模糊系统的"脊柱"，所有类型的模糊系统（Mamdani、T-S、ANFIS）都遵循这一基本结构，只是在各步骤的具体实现上有所不同。

模糊化 (Fuzzification) 将精确的输入值映射为各模糊集上的隶属度。

例如，输入温度 $x = 28°C$ ，系统中定义了三个语言值"低"“中"“高”，分别有各自的隶属函数。模糊化的过程就是计算 $\mu_{\text{低}}(28)$ 、 $\mu_{\text{中}}(28)$ 、 $\mu_{\text{高}}(28)$ 的值。

假设结果为 $\mu_{\text{低}} = 0$ 、 $\mu_{\text{中}} = 0.6$ 、 $\mu_{\text{高}} = 0.4$ ，表示 28°C “主要属于中等温度，部分属于高温”。

对于多输入系统，每个输入变量独立进行模糊化。

规则推理 (Rule Evaluation) 将模糊化后的隶属度与模糊规则库进行匹配和计算。

每条规则的激活强度 (Firing Strength) 由前件条件的隶属度决定。对于 AND 连接的规则：

\alpha_k = \min(\mu_{A_1}(x_1), \mu_{A_2}(x_2), \dots)

例如规则"IF 温度 is 高 AND 湿度 is 大 THEN …"，如果 $\mu_{\text{高}}(28) = 0.4$ ， $\mu_{\text{大}}(75) = 0.7$ ，则该规则的激活强度为 $\alpha = \min(0.4, 0.7) = 0.4$ 。

对于 Mamdani 系统：用激活强度"截断"后件模糊集。如果后件是"风扇转速 is 快”，对应的隶属函数被截取到 $\alpha$ 的水平。最终将所有规则截取后的输出模糊集叠加（取 max 或求和）。

对于 T-S 系统：直接用后件函数计算输出值 $y_k = f_k(x_1, x_2, \dots)$ ，然后用激活强度加权平均：

y = \frac{\sum_k \alpha_k \cdot y_k}{\sum_k \alpha_k}

T-S 系统直接得到精确输出，不需要去模糊化步骤。

去模糊化 (Defuzzification) 将 Mamdani 系统的模糊输出集合转化为一个精确数值。

方法	公式	说明	优先级
重心法 (Centroid)	$y^* = \frac{\int y \cdot \mu(y) dy}{\int \mu(y) dy}$	输出模糊集的"质心"位置，最常用	⭐⭐⭐⭐⭐
最大隶属度法	$y^* = \arg\max_y \mu(y)$	取隶属度最高的点，计算简单	⭐⭐⭐⭐
加权平均法	$y^* = \frac{\sum \alpha_k \cdot c_k}{\sum \alpha_k}$	对各规则中心的加权平均	⭐⭐⭐⭐
平均最大值法	—	取所有最大隶属度点的平均值	⭐⭐⭐

重心法是默认选择，因为它考虑了输出模糊集的完整形状，产生的输出最平滑。最大隶属度法在实时性要求高的场景中更有优势。

对于 II 型模糊系统，由于隶属度本身是模糊的（用 FOU 表示），在去模糊化之前需要先做类型约简 (Type Reduction)：

与 I 型类似，但输出是一个 II 型模糊集（区间形式）。

将 II 型输出降维为 I 型（或精确区间）。常用的 Karnik-Mendel (KM) 算法通过迭代计算左右端点。

对约简后的 I 型结果进行去模糊化，输出精确值。

类型约简是 II 型模糊系统计算复杂度高于 I 型的主要原因。区间 II 型模糊集 (IT2FS) 的类型约简比一般 II 型要简单得多，这也是 IT2FS 成为主流 II 型形式的原因。

以一个温度控制器为例说明 Mamdani 系统的完整推理过程：

规则库：

输入：温度 = 28°C

模糊化： $\mu_{\text{低}}(28) = 0$ ， $\mu_{\text{中}}(28) = 0.6$ ， $\mu_{\text{高}}(28) = 0.4$

激活：Rule 1 激活强度 0，Rule 2 激活强度 0.6，Rule 3 激活强度 0.4

输出合成：将"加热 is 中"截取到 0.6、“加热 is 弱"截取到 0.4，叠加后得到输出模糊集

去模糊化：对叠加后的输出模糊集用重心法计算精确输出值