智能傳感器系統(tǒng)(第二版)(劉君華)1-5章

第12章模糊智能傳感器系統(tǒng)12.1

模糊集合理論概述12.2模糊傳感器系統(tǒng)12.3示例12.1模糊集合理論概述

模糊理論能快速方便地描述與處理問題主要基于以下特點(diǎn)：

模糊邏輯基于自然語言的描述；

模糊邏輯可以建立在專家經(jīng)驗(yàn)的基礎(chǔ)上；

模糊邏輯容許使用不精確的數(shù)據(jù)；

模糊概念在概念上易于理解；

模糊邏輯可以對(duì)任意復(fù)雜的非線性函數(shù)建模。12.1.1模糊集合的定義及其表示方法

顯然，這種模糊性主要體現(xiàn)在主觀理解上，這也是人類社會(huì)生活和生產(chǎn)過程中經(jīng)常遇到的，它是定性分析與定量分析、主觀分析與客觀分析、模糊性與精確性之間的一個(gè)人為的折衷。模糊數(shù)學(xué)正是為解決這類問題而發(fā)展起來的，而模糊集合理論則是其基礎(chǔ)。但是我們不能產(chǎn)生這樣一種思想，即認(rèn)為模糊數(shù)學(xué)是模糊的概念。事實(shí)恰恰相反，模糊數(shù)學(xué)是借助定量的方法研究模糊現(xiàn)象的工具，它是精確的。

1.模糊集合與經(jīng)典集合

1965年，美國(guó)加州伯克利大學(xué)的查德教授（L.A.Zadeh）發(fā)表了里程碑性的文章《模糊集合》。在這篇文章里他第一次用“模糊”（fuzzy）這個(gè)詞表示技術(shù)文獻(xiàn)中的“不分明性”（vague），由此開創(chuàng)了模糊數(shù)學(xué)及其應(yīng)用的新紀(jì)元。模糊集合是一種特別定義的集合，它與普通集合既有聯(lián)系又有區(qū)別。對(duì)于普通集合而言，任何一個(gè)元素要么屬于該集合，要么不屬于該集合，非此即彼，界限分明；而對(duì)于模糊集合，一個(gè)元素可以既屬于該集合又不屬于該集合，亦此亦彼，界限模糊。

2.模糊集合的定義

在介紹模糊集合的定義之前，需要明確與其密切相關(guān)的論域的概念。簡(jiǎn)單來說，所謂論域，就是指所討論變量的取值范圍，就像函數(shù)的自變量的取值范圍一樣。根據(jù)所解決問題的需要，論域既可以為連續(xù)的，也可以是離散的，由有限個(gè)元素構(gòu)成。

在此基礎(chǔ)上，模糊集合的嚴(yán)格數(shù)學(xué)定義如下：

設(shè)給定論域X，X到［0，1］閉區(qū)間的任一映射μA

μA:X→［0,1］

x→μA(x)

(12-1)

都確定X的一個(gè)模糊子集A，μA稱為模糊子集的隸屬函數(shù),μA(x)稱為x相對(duì)于A的隸屬度。從定義不難看出，論域X的模糊子集A由隸屬函數(shù)

μA來表征，μA(x)取值范圍為閉區(qū)間［0,1］，μA(x)的大小反映了x對(duì)于模糊子集的從屬程度。μA(x)的值接近于1，表示x隸屬于A的程度很高；μA(x)的值接近于0，表示x隸屬于A的程度很低。由此可見模糊子集A完全由隸屬函數(shù)μA所描述。在有些著作中，論域上定義的模糊子集有時(shí)也被稱為模糊集合，簡(jiǎn)稱為模糊集。根據(jù)上述定義，若以人的年齡的集合X={x|0≤x≤200}作為論域，即用人的生理年齡（x∈X）作為元素構(gòu)成的一個(gè)集合，再將“年老”和“年輕”兩個(gè)模糊概念分別用模糊集合O和Y表示，那么對(duì)于任一x∈X，都將以不同的程度隸屬于這兩個(gè)模糊集合。令μO(x)、μY(x)分別表示這兩個(gè)模糊集合的隸屬函數(shù)，其定義見式(12-2)，對(duì)應(yīng)的隸屬函數(shù)曲線如圖12-1所示。圖12-1“年輕”和“年老”的隸屬函數(shù)曲線(12-2)從圖12-1中可以看出，模糊集合O和Y可完全由其隸屬函數(shù)刻畫。所以對(duì)于論域的模糊集合來說，一旦給定它的隸屬函數(shù)，那么它就完全確定了。不同的隸屬函數(shù)所確定的模糊集合也不同。從函數(shù)的角度而言，隸屬函數(shù)定義了從論域到單位閉區(qū)間［0，1］的一個(gè)映射。模糊集合的表示方法

令A(yù)表示在論域X中定義的模糊集合，它的表示有以下三種常用形式:

（1）Zadeh表示法:或(12-3)(12-4)（2）向量表示法：

A=[μA（x1），μA（x2），…，μA(xn)](12-5)

（3）序偶表示法：

A={x，μA（x）|x∈X}

(12-6)

說明：式（12-4）中的積分號(hào)并不表示實(shí)際的積分運(yùn)算，只不過是為了區(qū)別論域?yàn)殡x散形式時(shí)的情形(式(12-3))。12.1.2隸屬函數(shù)的確定方法及常用形式

1.確定隸屬函數(shù)的一般原則

（1）若模糊集合反映的是社會(huì)的一般意識(shí),是大量的可重復(fù)表達(dá)的個(gè)別意識(shí)的平均結(jié)果，例如年輕人、經(jīng)濟(jì)增長(zhǎng)快、生產(chǎn)正常等，則此時(shí)采用模糊統(tǒng)計(jì)法來確定隸屬函數(shù)是一種切實(shí)可行的方法，不足之處是工作量較大。

（2）如果模糊集合反映的是某個(gè)時(shí)間段內(nèi)的個(gè)別意識(shí)、經(jīng)驗(yàn)和判斷，例如，某專家對(duì)某個(gè)項(xiàng)目的可行性評(píng)價(jià)，那么，對(duì)這類問題可采用Delphi法。（3）模糊集合反映的模糊概念已有相應(yīng)成熟的指標(biāo)，若這種指標(biāo)經(jīng)過長(zhǎng)期實(shí)踐檢驗(yàn)已經(jīng)成為公認(rèn)的對(duì)事物是真實(shí)的又是本質(zhì)的刻畫，則可直接采用這種指標(biāo)，或者通過某種檢驗(yàn)方式將這種指標(biāo)轉(zhuǎn)化為隸屬函數(shù)。

（4）對(duì)某些模糊概念，雖然直接給出其隸屬函數(shù)比較困難，但可以比較兩個(gè)元素相應(yīng)的隸屬度，此時(shí)可用相對(duì)選擇法求得其隸屬函數(shù)。

（5）若一個(gè)模糊概念是由若干個(gè)模糊因素復(fù)合而成的，則可以先求單個(gè)因素的隸屬函數(shù)，再綜合出模糊概念的隸屬函數(shù)。

2.常見的隸屬函數(shù)舉例

在以下各例子中，均設(shè)定論域X={x|0≤x≤10}，定義在其上的模糊集合為A，隸屬度為μA(x)。

（1）高斯（Gaussian）型隸屬函數(shù)：(12-7)它有兩個(gè)特征參數(shù)σ和c。σ=2，c=5時(shí)隸屬函數(shù)曲線如圖12-2所示。圖12-2高斯型隸屬函數(shù)（2）鐘形隸屬函數(shù)：(12-8)特征參數(shù)為a、b和c，由于隸屬函數(shù)的形狀如鐘形，故得其名。如當(dāng)x∈［0,10］，a=2，b=4，c=6時(shí)隸屬函數(shù)曲線如圖12-3所示。圖12-3鐘形隸屬函數(shù)（3）Sigmoid函數(shù)形隸屬函數(shù)：(12-9)特征參數(shù)為a和c。當(dāng)x∈［0,10］，a=2，c=4時(shí)對(duì)應(yīng)的隸屬函數(shù)如圖12-4所示。圖12-4Sigmoid函數(shù)形隸屬函數(shù)（4）差型Sigmoid隸屬函數(shù)：(12-10)由兩個(gè)S形隸屬函數(shù)的差構(gòu)成的隸屬函數(shù)。該函數(shù)具有四個(gè)特征參數(shù)a1、c1、a2、c2。當(dāng)x∈［0,10］，a1=5，c1=2，a2=5，c2=7時(shí)對(duì)應(yīng)的隸屬函數(shù)如圖12-5所示。圖12-5差型Sigmoid隸屬函數(shù)（5）梯形隸屬函數(shù):(12-11)特征參數(shù)為a、b、c、d。當(dāng)x∈［0,10］，a=1，b=4，c=6，d=8時(shí)對(duì)應(yīng)的隸屬函數(shù)如圖12-6所示。另外當(dāng)b=c時(shí)，梯形隸屬函數(shù)就演變成了下面的三角形隸屬函數(shù)。圖12-6梯形隸屬函數(shù)（6）三角形隸屬函數(shù):(12-12)特征參數(shù)為a、b、c。當(dāng)x∈［0,10］，a=2，b=5，c=8時(shí)對(duì)應(yīng)的隸屬函數(shù)如圖12-7所示。圖12-7三角形隸屬函數(shù)12.1.3模糊集合的基本運(yùn)算

1.模糊集合的相等

若有兩個(gè)模糊集合A和B，對(duì)于所有的x∈X，均有μA(x)=μB(x)，則稱模糊集合A與B相等，記作A=B。

2.模糊集合的包含關(guān)系

若有兩個(gè)模糊集合A和B，對(duì)于所有的x∈X，均有μA(x)≤μB(x)，則稱模糊集合A包含于B，記作。

3.模糊空集

若對(duì)所有x∈X，均有μA(x)=0，則稱A為模糊空集，記作。

4.模糊集合的并集

若有三個(gè)模糊集合A、B和C，對(duì)于所有的x∈X，均有

μC(x)=μA(x)∨μB(x)=max［μA(x),μB(x)］(12-13)

則稱C為A與B的并集，記為C=A∪B。符號(hào)max表示最大算子，即取兩個(gè)隸屬度中的較大值，常用符號(hào)“∨”表示。

5.模糊集合的交集

若有三個(gè)模糊集合A、B和C，對(duì)于所有的x∈X，均有

μC(x)=μA(x)∧μB(x)=min［μA(x),μB(x)］(12-14)

則稱C為A與B的交集，記為C=A∩B。符號(hào)min表示最小算子，即取兩個(gè)隸屬度中的較小值，常用符號(hào)“∧”表示。

6.模糊集合的補(bǔ)集

若有二個(gè)模糊集合A和B，對(duì)于所有的x∈X，均有

μB(x)=1－μA(x)

(12-15)

則稱B為A的補(bǔ)集。

7.模糊集合的直積

若有二個(gè)模糊集合A和B，其論域分別為X和Y，則定義在積空間X×Y上的模糊集合A×B為A和B的直積，其隸屬函數(shù)為

μA×B=min［μA(x),μB(x)］(12-16)

或者

μA×B(x,y)=μA(x)μB(y)

(12-17)

并且兩個(gè)模糊集合的直積的概念可以很容易地推廣到多個(gè)集合中去。12.1.4模糊關(guān)系的定義及合成

1.模糊關(guān)系的定義

定義：設(shè)X、Y是兩個(gè)非空集合，則直積

X×Y={(x,y)|x∈Y,y∈Y}

(12-18)

中的一個(gè)模糊子集R稱為X到Y(jié)的一個(gè)模糊關(guān)系，并且描

述為

μR:X×Y→［0,1］(12-19)式中映射μR將集合X和集合Y的直積X×Y與模糊關(guān)系R聯(lián)系起來。當(dāng)論域X和Y都是有限集時(shí)，模糊關(guān)系可以用模糊矩陣來表示。設(shè)X={x1,x2,…,xn}，Y={y1,y2,…,yn}時(shí)，模糊關(guān)系可用如下的n×m階矩陣來表示。(12-20)矩陣中的元素rij表示xi與yj對(duì)于關(guān)系R的隸屬程度。

2.模糊關(guān)系的合成

模糊關(guān)系的合成定義：設(shè)X、Y、Z是論域，R是X到Y(jié)的一個(gè)模糊關(guān)系，S是Y到Z的一個(gè)模糊關(guān)系，則R到S的合成

T也是一個(gè)模糊關(guān)系，記為，它具有隸屬度

其中“∨”和“∧”分別表示并運(yùn)算和交運(yùn)算。這種方式合成也被稱為最大最小合成，也是最常用的一種合成方式。(12-21)當(dāng)論域X、Y、Z都是有限時(shí)，模糊關(guān)系的合成可用模糊矩陣的合成來表示。設(shè)R、S、T三個(gè)模糊關(guān)系對(duì)應(yīng)的模糊矩陣分別為

R=（rij）n×m,

S=（sjk）m×l

T=（tik）n×l

則有

(12-22)12.1.5語言變量與模糊推理

1.語言變量

語言是人們進(jìn)行思維和信息交流的重要工具。語言分為兩種：自然語言和形式語言。日常人們所說的語言屬于自然語言，其特點(diǎn)是語義豐富、靈活，同時(shí)具有模糊性。形式語言有嚴(yán)格的語法規(guī)則和語義，不存在任何的模糊性和歧義，計(jì)算機(jī)語言就是這樣，如C語言等。帶模糊性的語言稱為模糊語言，如長(zhǎng)、短、年輕、年老和極老等。語言變量是自然語言中的詞或句，它的取值不是通常的數(shù)，而是用模糊語言表示的模糊集合。例如，若把“氣溫”作為一個(gè)模糊語言變量，則它的取值不是具體的溫度，而是諸如“冷”、“涼”、“適宜”、“熱”、“很熱”等用模糊語言表示的模糊集合。查德（Zadah）將語言變量定義如下：語言變量由一個(gè)5元體（x，T(x)，U，G，M）來表征。其中x是變量的名稱；U是x的論域；T(x)是語言變量值的集合，每個(gè)語言變量值是定義在論域U上的一個(gè)模糊集合；G是語法規(guī)則，用以產(chǎn)生語言變量x的值的名稱；M是語義規(guī)則，用以產(chǎn)生模糊集合的隸屬函數(shù)。

例如，若定義“氣溫”為語言變量，則T（氣溫）可能為

T（氣溫）={冷，涼，暖，熱}上述每個(gè)模糊語言如“冷”、“涼”、“暖”等是定義在論域U上的一個(gè)模糊集合。設(shè)論域U=［－10，35］℃，則可大致認(rèn)為低于5℃為“冷”，大于0℃小于15℃為“涼”，依此類推。采用這些模糊集合的隸屬函數(shù)如圖12-8所示。圖12-8氣溫的隸屬函數(shù)

2.模糊推理

1)模糊規(guī)則的基本形式

模糊規(guī)則由大量的if…then語句構(gòu)成，它的基本形式如下：其中：表示輸入變量；表示輸出變量；表示與每個(gè)輸入變量對(duì)應(yīng)的語言變量的語言值；表示與輸出變量相對(duì)應(yīng)的語言變量的取值。模糊規(guī)則的if部分通常被稱為規(guī)則的前件(Premise)，then部分則被稱為后件（Consequent）。模糊推理過程中使用的規(guī)則庫(kù)（RuleBase）就是由大量的這類規(guī)則構(gòu)成的，規(guī)則庫(kù)的大小根據(jù)所考慮問題的復(fù)雜程度差別很大。一般來說，當(dāng)問題復(fù)雜時(shí)，規(guī)則庫(kù)會(huì)很大。但是我們不能想當(dāng)然地認(rèn)為規(guī)則越多，問題求解的精度會(huì)越高。事實(shí)上，對(duì)輸入空間劃分過細(xì)會(huì)引起規(guī)則爆炸，此時(shí)推理過程變得極其緩慢煩瑣，其也就失去了使用價(jià)值。

2)模糊推理的一般過程

模糊推理是基于模糊規(guī)則，采用模糊邏輯由給定的輸入到輸出的映射過程。它包括如下五個(gè)方面的內(nèi)容：

（1)輸入變量模糊化(Fuzzification)，即把確定的輸入轉(zhuǎn)化為由隸屬度描述的模糊集。

（2)在模糊規(guī)則的前件中應(yīng)用模糊算子(與、或、非)。（3)根據(jù)模糊蘊(yùn)含運(yùn)算由前提推斷結(jié)論。

（4)合成每一個(gè)規(guī)則的結(jié)論部分，得出總的結(jié)論。

（5)反模糊化(Defuzzification)，即把輸出的模糊量轉(zhuǎn)化為確定的輸出。12.2模糊傳感器系統(tǒng)

E.Benoit教授認(rèn)為，模糊傳感器必須依據(jù)數(shù)值測(cè)量關(guān)系，并且可以重新構(gòu)造其結(jié)構(gòu)，以適應(yīng)不同的測(cè)量要求。D.Stipanicer教授介紹了一種叫做“模糊眼”的模糊視覺傳感器，對(duì)其原理和結(jié)構(gòu)進(jìn)行了研究，并將它成功地應(yīng)用于一個(gè)位置控制系統(tǒng)，該系統(tǒng)可以捕捉、跟蹤光源，實(shí)現(xiàn)手眼協(xié)同。

H.Schodel利用模糊集合理論，探討了模糊傳感器的非確定性信息傳播、自校正、人機(jī)接口和語義劃分等問題，并且利用模糊傳感器對(duì)水中油污進(jìn)行了測(cè)量。另外還有Mauris、L.Foulloy等人也都在模糊傳感器方面取得了重要的研究成果。

對(duì)于模糊傳感器系統(tǒng)而言，其測(cè)量結(jié)果的表示是一種基于語言符號(hào)化描述的符號(hào)測(cè)量系統(tǒng)。它是“數(shù)值測(cè)量”與“語言符號(hào)化表示”二者優(yōu)勢(shì)互補(bǔ)的一體化符號(hào)測(cè)量系統(tǒng)，是基于模糊集合理論實(shí)現(xiàn)數(shù)值/符號(hào)轉(zhuǎn)換的一種智能傳感器系統(tǒng)，目前已經(jīng)成為測(cè)量領(lǐng)域的最新研究方向之一。12.2.1測(cè)量結(jié)果“符號(hào)化表示”的概念

傳統(tǒng)測(cè)量旨在追求被測(cè)量與標(biāo)準(zhǔn)量（單位）的比值的數(shù)值準(zhǔn)確性，以比值的數(shù)值與單位二者相聯(lián)合來表示測(cè)量結(jié)果。其測(cè)量結(jié)果的表示是一種數(shù)值符號(hào)描述，也就是說，傳統(tǒng)測(cè)量系統(tǒng)是測(cè)量結(jié)果的表示為一種數(shù)值符號(hào)描述的符號(hào)測(cè)量系統(tǒng)。這種測(cè)量系統(tǒng)對(duì)被測(cè)對(duì)象給以定量描述，具有精確性、嚴(yán)密性等諸多優(yōu)點(diǎn)。傳統(tǒng)的測(cè)量方法在人類的文明發(fā)展進(jìn)程中發(fā)揮了巨大作用，并且今后仍然是絕對(duì)不可能被完全取代的。隨著科學(xué)技術(shù)的飛速發(fā)展，人們發(fā)現(xiàn)只進(jìn)行傳統(tǒng)的那種單純的數(shù)值測(cè)量，其結(jié)果單純以數(shù)值符號(hào)化來描述，在很多情況下都是不完備的。例如，由傳統(tǒng)測(cè)量系統(tǒng)測(cè)得齒輪箱加速度為28g時(shí)，需要進(jìn)一步明確其所處的狀態(tài)是“強(qiáng)振”、“中振”、“微振”還是“正?！保欠癖仨毩⒓赐C(jī)檢修等。這種例子是非常多的，它表明測(cè)量結(jié)果的單純數(shù)值表示是不完備的，需要在數(shù)值描述的基礎(chǔ)上進(jìn)一步給出對(duì)象所處狀態(tài)的語言描述。語言描述是對(duì)被測(cè)對(duì)象進(jìn)行的定性描述，是對(duì)被測(cè)對(duì)象內(nèi)在變化規(guī)律更深刻的揭示，因此其難度是很大的。它往往需要進(jìn)行多點(diǎn)多參數(shù)測(cè)量，經(jīng)過具有豐富經(jīng)驗(yàn)、深厚知識(shí)的專家分析、判斷和推理之后才能得到最終結(jié)果。

由于其難度大，數(shù)值測(cè)量與語言符號(hào)化表示是分離進(jìn)行的。如當(dāng)測(cè)得養(yǎng)魚池的水溫是30℃，變壓器中的油溫是90℃時(shí)，需要根據(jù)知識(shí)與經(jīng)驗(yàn)進(jìn)一步進(jìn)行推理判斷，并給出

它們的溫度狀態(tài)是“高”、“適中”或是“低”等形式的語言描述。12.2.2模糊傳感器的基本概念和功能

1.模糊傳感器的基本概念

模糊傳感器是將數(shù)值測(cè)量與語言符號(hào)表示二者相結(jié)合而構(gòu)成的一體化符號(hào)測(cè)量系統(tǒng)，是在傳統(tǒng)數(shù)值測(cè)量基礎(chǔ)上進(jìn)一步給出擬人類語言符號(hào)描述的智能傳感器系統(tǒng)。其中的核心環(huán)節(jié)是數(shù)值/語言符號(hào)轉(zhuǎn)換環(huán)節(jié)。實(shí)現(xiàn)數(shù)值/語言符號(hào)轉(zhuǎn)換功能的方式有多種，即由數(shù)值域到語言域的映射關(guān)系有多種存在形式。模糊傳感器系統(tǒng)基于模糊集合理論進(jìn)行數(shù)值/語言符號(hào)轉(zhuǎn)換。根據(jù)上述基本概念，模糊傳感器的原理框圖如圖12-9所示。圖12-9模糊傳感器原理框圖

2.模糊傳感器的基本功能

(1)學(xué)習(xí)功能。

模糊傳感器的學(xué)習(xí)功能是其最重要的一種功能。例如模糊血壓計(jì)，要使其直接反映出血壓的“正常”和“不正?！?，該模糊血壓計(jì)首先要積累大量的反映血壓正常的相關(guān)知識(shí)，其次還要將測(cè)量結(jié)果用人類所能接受的語言表達(dá)出來。從這個(gè)意義上講，模糊血壓計(jì)必須具備學(xué)習(xí)功能。

(2)推理功能。

模糊傳感器在接收到外界信息后，可以通過對(duì)人類知識(shí)的集成而生成的模糊推理規(guī)則實(shí)現(xiàn)傳感器信息的綜合處理，對(duì)被測(cè)量的測(cè)量值進(jìn)行擬人類自然語言的表達(dá)等。對(duì)于模糊血壓計(jì)來說，當(dāng)它測(cè)到一個(gè)血壓值后，首先通過推理，判斷該值是否正常，然后用人類理解的語言，即“正?！被颉安徽！眮肀磉_(dá)。為實(shí)現(xiàn)這一功能，推理機(jī)制和知識(shí)庫(kù)（存放基本模糊推理規(guī)則）是必不可少的。

(3)感知功能。模糊傳感器與傳統(tǒng)傳感器一樣可以感知敏感元件確定的被測(cè)量，但是模糊傳感器不僅可以輸出數(shù)量值，而且可以輸出易于人類理解和掌握的自然語言符號(hào)量，這是模糊傳感器的最大特點(diǎn)。

(4)通信功能。模糊傳感器具有自組織能力，不僅可以進(jìn)行自檢測(cè)、自校正、自診斷等，而且可以與上級(jí)系統(tǒng)進(jìn)行信息交換。12.2.3模糊傳感器的結(jié)構(gòu)

1.基本邏輯結(jié)構(gòu)

基于模糊測(cè)量原理，模糊傳感器的基本邏輯結(jié)構(gòu)由信號(hào)提取、信號(hào)處理、數(shù)值/符號(hào)轉(zhuǎn)換和模糊概念合成四部分組成，如圖12-10所示。圖12-10模糊傳感器的基本邏輯結(jié)構(gòu)

(1)信號(hào)提取模塊基于普通敏感探頭獲取被測(cè)物理量的參量值，完成待測(cè)量系統(tǒng)的信號(hào)檢測(cè)任務(wù)。

(2)信號(hào)處理模塊的基本處理任務(wù)有三個(gè)：其一是對(duì)信號(hào)進(jìn)行放大、濾波；其二是基于多傳感器多信息融合算法，獲得高選擇性、高穩(wěn)定性的測(cè)量值；其三是進(jìn)行模/數(shù)轉(zhuǎn)換，與計(jì)算機(jī)之間進(jìn)行信息傳輸。

(3)數(shù)值/符號(hào)轉(zhuǎn)換單元是實(shí)現(xiàn)模糊測(cè)量的核心，由計(jì)算機(jī)完成。數(shù)值/符號(hào)轉(zhuǎn)換單元是模糊傳感器實(shí)現(xiàn)模糊測(cè)量的關(guān)鍵技術(shù)。模糊傳感器測(cè)量被測(cè)物理量的準(zhǔn)確性很大程度上取決于知識(shí)庫(kù)與數(shù)據(jù)庫(kù)。知識(shí)庫(kù)包含兩方面的內(nèi)容：一方面為模糊集隸屬函數(shù)的知識(shí)以及確定元素屬于模糊集合的隸屬度，另一方面為模糊蘊(yùn)涵推理規(guī)則。通常意義下，這一環(huán)節(jié)是由該領(lǐng)域的專家來完成的。但是不容忽視的是，專家的研究成果和豐富經(jīng)驗(yàn)往往不易以嚴(yán)格的規(guī)則形式描述。

(4)模糊概念合成模塊根據(jù)知識(shí)庫(kù)和數(shù)值/符號(hào)轉(zhuǎn)換單元的輸出進(jìn)行模糊推理和合成，得出正確的擬人類語言測(cè)量結(jié)果。

2.基本物理結(jié)構(gòu)與軟件結(jié)構(gòu)

根據(jù)上述模糊傳感器的基本邏輯結(jié)構(gòu),可以設(shè)計(jì)出如圖12-11和圖12-12所示的一種模糊傳感器基本物理結(jié)構(gòu)與軟件結(jié)構(gòu)。圖12-11模糊傳感器的基本物理結(jié)構(gòu)圖12-12模糊傳感器的基本軟件結(jié)構(gòu)

(1)信息提取單元負(fù)責(zé)將與被測(cè)對(duì)象有關(guān)的測(cè)量信息通過數(shù)據(jù)采集電路輸入計(jì)算機(jī)，其中包括作用在被測(cè)對(duì)象上的干擾信息。

(2)信息交換單元主要進(jìn)行人機(jī)交互、錄入專家知識(shí)以建立規(guī)則庫(kù)，同時(shí)通過系統(tǒng)總線提供通信接口，這些是模糊智能傳感器系統(tǒng)所必須具備的功能。

(3)測(cè)量前，計(jì)算機(jī)處理單元首先根據(jù)從信息交換單元得到的領(lǐng)域?qū)＜抑R(shí)，經(jīng)過規(guī)則學(xué)習(xí)模塊、隸屬函數(shù)生成模塊和模糊蘊(yùn)涵規(guī)則庫(kù)等處理過程，生成進(jìn)行模糊測(cè)量所必需的隸屬函數(shù)和相應(yīng)的模糊蘊(yùn)涵規(guī)則庫(kù)。測(cè)量時(shí)，首先通過信息提取單元得到測(cè)量值，然后根據(jù)前面建立的模糊蘊(yùn)涵規(guī)則庫(kù)，經(jīng)過數(shù)值處理模塊、數(shù)值/符號(hào)轉(zhuǎn)換模塊和模糊推理模塊的處理，最后得到模糊化的語言符號(hào)測(cè)量結(jié)果。根據(jù)被測(cè)量的多少，模糊傳感器可以分為一維模糊傳感器和多維模糊傳感器。一維模糊傳感器結(jié)構(gòu)通常比較簡(jiǎn)單，僅有一個(gè)被測(cè)量的被測(cè)對(duì)象。但是，絕大多數(shù)情況下，被測(cè)對(duì)象不僅所處環(huán)境復(fù)雜，易受多種干擾，而且有時(shí)需要測(cè)量的幾個(gè)被測(cè)量相互關(guān)聯(lián)，需要采用幾個(gè)傳感器同時(shí)測(cè)量，從而構(gòu)成多維模糊傳感器。顯然一維模糊傳感器是多維模糊傳感器的特例。12.2.4模糊傳感器語言描述的產(chǎn)生方法

1.通過語義關(guān)系產(chǎn)生概念

模糊傳感器可以輸出多個(gè)語言描述，這些語言描述通過它們語義間的關(guān)系相聯(lián)系。以一個(gè)簡(jiǎn)單的溫度測(cè)量系統(tǒng)為例。語言描述“熱”（hot）和“很熱”（veryhot）間的語義關(guān)系可歸因于語言域Y上的順序關(guān)系，該關(guān)系又同數(shù)值域N上的大小關(guān)系相對(duì)應(yīng)，并表示為

hot≤very-hot所有概念間的關(guān)系由傳感器自身管理。首先，我們要定義一個(gè)特殊概念，稱為屬概念（Generic

Concept）。所謂屬概念，是指對(duì)應(yīng)于數(shù)值域中那些最具有代表性的測(cè)量點(diǎn)或測(cè)量范圍的語言描述。譬如，電冰箱的溫度通常保持在－5～15℃范圍內(nèi)，那么可認(rèn)為0～5℃為最適宜的溫度范

圍，而0～5℃在語言域中用“適中”語言概念來描述。于是我們可定義“適中”這個(gè)語言概念為屬概念。此外，產(chǎn)生新概念還需要給出其它語言描述和含義。Benoit教授定義了稍高（morethan）、稍低（lessthan）、高（above）、低（below）等模糊算子來產(chǎn)生模糊順序分度，以此來產(chǎn)生新概念。如定義屬概念為“適中”，根據(jù)上述模糊算子可產(chǎn)生新概念“熱”、“很熱”、“冷”、“很冷”，

表示為

適中（mild）(屬概念）

熱(hot)=morethan(mild)

很熱(veryhot)=above(hot)

冷(cold)=lessthan(mild)

很冷(verycold)=below(cold)這五個(gè)概念的隸屬函數(shù)形式如圖12-13所示。當(dāng)然，還可以用其它形式表示各概念的隸屬函數(shù)，如三角形、柯西形等。使用中如果模糊傳感器已將這些隸屬函數(shù)存儲(chǔ)在其數(shù)據(jù)庫(kù)中，則只需要修改屬概念參數(shù)就可以自動(dòng)修正其形狀，使其符合測(cè)量要求。圖12-13根據(jù)語義關(guān)系產(chǎn)生概念的隸屬函數(shù)以溫度測(cè)量為例來說明新語言概念的產(chǎn)生過程。設(shè)論域U=［0，1］表示溫度測(cè)量歸一化處理后的范圍，語言域S={非常冷，冷，熱，非常熱}，那么，產(chǎn)生新概念的實(shí)質(zhì)在于確定語言域S中新生概念相應(yīng)的隸屬函數(shù)。

首先，定義屬概念為“冷”（用c1表示）和“熱”（用c2表示），其相應(yīng)的隸屬函數(shù)為

對(duì)于x∈U,μR(c2,x)=a(12-23)

則x∈U,μR(c1,x)=1－a(12-24)上式表明，如果對(duì)于論域上的元素x隸屬于“熱c2”的程度（用μR(c2,x)表示）為a的話，那么，它隸屬于“冷c1”

的程度（用μR(c1,x)表示）必然為1－a。這種關(guān)系可用圖

12-14表示。圖12-14屬概念c1、c2隸屬函數(shù)曲線屬概念及其隸屬函數(shù)確定后，就可通過模糊算子產(chǎn)生新的模糊概念。我們定義“非?！保╲ery）模糊算子，則very(c1)表示“非常冷”，而very(c2)表示“非常熱”。因此{(lán)very(c1)，c1，c2，very(c2)}構(gòu)成了論域U上基于屬概念c1

和c2的新的語言域。我們把x隸屬于新生概念“very(c1)”和“very(c2)”的程度，即隸屬函數(shù)μR(very(c1),x)和μR(very

(c2),x)表示為屬概念隸屬度μR(c1,x)和μR(c2,x)的函數(shù)形式，寫成下列關(guān)系式：

μR（very（c1），x）=f［μR（c1，x）］(12-25)

μR（very（c2），x）=f［μR（c2，x）］(12-26)

這里顯然有：

若μR(c1,x)>0.5，則μR(very(c1),x)<μR(c1,x)(12-27)

若μR(c1,x)<0.5，則μR(very(c1),x)>μR(c1,x)(12-28)

在滿足上述條件下，可選擇函數(shù)形式為

f（ξ）=ξ（1－sin（kπ（ξ－0.5)))

(12-29)

式中ξ為屬概念隸屬函數(shù)，k為修正因子，滿足0<k<1。

2.通過插值法產(chǎn)生新概念

插值法產(chǎn)生新概念的原理如下：對(duì)于數(shù)值域中特定的元素，我們稱之為特征測(cè)量量(CharacteristicMeasurements),用vi來表示。對(duì)于每個(gè)vi其數(shù)值域模糊集合表示為F(vi)，則vi隸屬于F(vi)的程度等于1，即μF(vi)(vi)=1；而其它的特征測(cè)量量用vj（j≠i）表示，其數(shù)值域模糊集合表示為F(vj)，顯然，其隸屬于模糊集合的程度為0，即μF(vj)(vj)=0。那么對(duì)于任意一點(diǎn)v∈［

vi,vj］，其隸屬于模糊集合F(vi)和F(vj)的隸屬度分別為(12-30)(12-31)它們之間關(guān)系滿足(12-32)(12-33)其中式(12-30)、式(12-31)兩式中d表示兩點(diǎn)距離，如圖12-15所示。該距離應(yīng)當(dāng)滿足下述條件(12-34)圖12-15插值法產(chǎn)生概念示意圖最簡(jiǎn)單的距離可表示為

d(vi,v)=|vi－v(12-35)

如果隸屬函數(shù)的形狀已知，則可定義更一般的形式

x∈［vi,vj］,μF(vi)(x)=f［d(vj,v)/d(vi,vj)］

f是［0，1］上的增函數(shù)，且滿足

f(0)=0,f(1)=1且f(1－a)=1－f(a)(12-37)

如函數(shù)f(x)=3x2－2x3滿足上述條件，那么其隸屬函數(shù)形式如圖12-16所示。(12-36)圖12-16函數(shù)f(x)隸屬函數(shù)示意圖12.2.5模糊傳感器對(duì)測(cè)量環(huán)境的適應(yīng)性

1.基于適應(yīng)函數(shù)的處理方法

假設(shè)定義屬概念和產(chǎn)生新概念的數(shù)值域N叫做標(biāo)準(zhǔn)數(shù)值域(IdealUniverse)，而實(shí)際測(cè)量數(shù)值域用N′表示，那么N和N′之間的不一致性可用適應(yīng)函數(shù)h來修正。從N到N′的映射如圖12-17所示。圖12-17適應(yīng)函數(shù)示意圖對(duì)于一個(gè)確定的測(cè)量對(duì)象，其數(shù)值測(cè)量可描述為

L=τ(h(x))x∈τ-1(L)

(12-38)

式中：τ即L→x（表示對(duì)象域L到數(shù)值域x的映射）；τ－1即x→L（表示數(shù)值域x到對(duì)象域L的逆映射）。

為了實(shí)現(xiàn)這種處理方法，通常要把適應(yīng)函數(shù)（AdaptiveFunction）h存放在模糊傳感器的知識(shí)庫(kù)中。另外，與屬概念對(duì)應(yīng)的特征測(cè)量點(diǎn)Mc不應(yīng)隨適應(yīng)函數(shù)的變化而變化，表示為h(Mc)=Mc，而且對(duì)特征測(cè)量點(diǎn)應(yīng)保持線性，表示為

h′(Mc)=k

(12-39)

式中：h′(Mc)表示適應(yīng)函數(shù)的導(dǎo)數(shù)，k為常數(shù)。

2.專家指導(dǎo)下的定性學(xué)習(xí)方法

設(shè)對(duì)于同一被測(cè)量x，專家給出的語言描述表示為l(x)，模糊傳感器輸出的語言描述表示為l′(x)，e表示l(x)和l′(x)之間的定性差異，則修正規(guī)則如下：

(1)若e為正向定性差異，表示為l(x)>l′(x)，則可通過增加模糊算子調(diào)整該差異；

(2)若沒有定性差異，表示為l(x)=l′(x)，則模糊算子不變；

(3)若e為負(fù)向定性差異，表示為l(x)<l′(x)，則可通過減小模糊算子來調(diào)整該差異。對(duì)于溫度T0，學(xué)習(xí)前描述為

l(T0)={0.6/冷，0.4/適中}

學(xué)習(xí)后可以得到下列描述：

l(T0)={0.4/冷，0.6/適中}

增加模糊算子的動(dòng)作示意如圖12-18所示。圖12-18增加模糊算子示意圖(a)學(xué)習(xí)前；(b)學(xué)習(xí)后

(1)確定測(cè)量范圍的上下限；

(2)確定論域U上描述被測(cè)量數(shù)量值的個(gè)數(shù)；

(3)確定表征每個(gè)被訓(xùn)練概念（包括屬概念和新概念）的模糊子集；

(4)通過采樣輸入對(duì)應(yīng)被訓(xùn)練概念（包括屬概念和新概念）隸屬度為1的采樣值；

(5)通過相關(guān)訓(xùn)練算法產(chǎn)生被訓(xùn)練概念（包括屬概念和新概念）對(duì)應(yīng)的隸屬度。12.2.6模糊傳感器隸屬函數(shù)的訓(xùn)練算法

1.連續(xù)隸屬函數(shù)訓(xùn)練方法

這里以柯西形隸屬函數(shù)為例進(jìn)行語言概念訓(xùn)練。訓(xùn)練最終體現(xiàn)在對(duì)式（12-29）中修正因子k的調(diào)整上。

在論域U=［0，1］上生成語言概念集合S={very(c1)，c1，c2，very(c2)}，每個(gè)概念在數(shù)值域上所對(duì)應(yīng)的數(shù)值范圍如圖12-19所示。圖12-19very(c1)、c1、c2、very(c2)在數(shù)值域上對(duì)應(yīng)的數(shù)值范圍示意圖

(1)對(duì)“very(c1)”概念的訓(xùn)練。

設(shè)訓(xùn)練樣本x∈［x0,x1］。

①由經(jīng)驗(yàn)曲線或前次訓(xùn)練后生成的曲線計(jì)算μR(very(c1),x)和μR(c1,x)。

②如果μR(very(c1),x)≥μR(c1,x)，即該語言概念very(c1)同訓(xùn)練樣本的狀態(tài)是相符的。這時(shí)若Δ=x01－x小

于一給定閾值δ，則該語言概念的修正可以結(jié)束，否則增加式（12-29）中的修正因子k，并轉(zhuǎn)到第①步。其中x01為very(c1)與c1兩概念的隸屬函數(shù)曲線的交點(diǎn)對(duì)應(yīng)論域上的值，如圖12-20所示。圖12-20新概念隸屬函數(shù)③如果μR(very(c1),x)<μR(c1,x)，即該語言概念very(c1)同訓(xùn)練樣本的狀態(tài)是不相符的，則應(yīng)減小式(12-29)中的修正因子k，并且轉(zhuǎn)到第①步。

(2)對(duì)“c1”概念的訓(xùn)練。

由于概念c1介于概念very(c1)和c2之間，故對(duì)c1的訓(xùn)練涉及到very(c1)和c2，因此首先要計(jì)算c1的重心g1,并以此點(diǎn)為界分左右兩端訓(xùn)練概念c1。設(shè)訓(xùn)練樣本x∈［x2,x3］。①計(jì)算概念c1的重心g1：(12-40)②如果x≤g1，則計(jì)算μR(c1,x)，μR(very(c1),x)。若

μR(very(c1),x)≤μR(c1,x)

(12-41)則語言概念c1同訓(xùn)練樣本x的狀態(tài)是一致的。這時(shí)若Δ大于一給定閾值δ，則應(yīng)當(dāng)增大式(12-29)中的修正因子k，轉(zhuǎn)到①，否則結(jié)束訓(xùn)練。

如果μR（very（c1），x）>μR(c1,x)(12-42)

此時(shí)該語言概念c1同訓(xùn)練樣本x的狀態(tài)不一致，應(yīng)當(dāng)增大式(12-29)中的修正因子k，轉(zhuǎn)到①。③如果x≥g1，計(jì)算μR(c1,x)、μR(c2,x)。如果

μR（c1，x）≥μR（c2，x）(12-43)

此時(shí)該語言概念c1同訓(xùn)練樣本x的狀態(tài)是相符的，則訓(xùn)練結(jié)束。

如果

μR(c1,x)<μR(c2,x)

(12-44)

此時(shí)該語言概念c1同訓(xùn)練樣本x的狀態(tài)是不相符的，則增大式(12-29)中的修正因子k，轉(zhuǎn)到①。

(3)對(duì)“c2”和“very(c2)”概念的訓(xùn)練。

2.分段隸屬函數(shù)訓(xùn)練方法

這里依然以溫度測(cè)量為例，采用梯形隸屬函數(shù)。設(shè)在論域U上，語言域S={冷，溫，熱},其分段隸屬函數(shù)如圖12-21所示。圖12-21分段隸屬函數(shù)

1)使ti屬于“溫”概念的訓(xùn)練

（1）當(dāng)c<ti<d時(shí)，表示由隸屬函數(shù)所確定的概念“溫”與語義概念“溫”相符，則不修正。

（2）若ti>d，且μ溫(ti)<μ熱(ti)，表明此時(shí)隸屬函數(shù)所確定的概念為“熱”，與語義概念“溫”不符合，則需修正隸屬函數(shù)。

①dj=k(ti－d(j－1))+d(j－1),其中d(j)為速度修正因子。若k=0，d(j)=d(j－1)，表示不修正；若k=1，則d(j)=ti表示修正最大。d(j)表示端點(diǎn)d的第j次修正值。②(12-45)其中：Δ(j)=k′(ti－d(j－1))，表示修正d對(duì)c產(chǎn)生影響的相關(guān)因子，0<k′<k為偏移修正因子；c(j)表示點(diǎn)c的第j次修正值。（3）若ti>d，且μ溫(ti）≥μ熱(ti)，則不修正。（4）若ti<c，且μ冷(ti)≥μ溫(ti)，修正方法同上。

2）使ti屬于“熱”概念的訓(xùn)練

（1)若tl>b，不必修正。

（2)若tl<b，且μ溫(tl)>μ熱(tl)，則(12-46)（3)若tl<b，且μ溫(tl)<μ熱(tl)，則不必修正。（4)若b<tl<f，則不必修正。

12.3示例

12.3.1［示例12-1］模糊溫度測(cè)試儀

要求：模糊溫度測(cè)試儀是在傳統(tǒng)的溫度測(cè)量基礎(chǔ)上，利用模糊測(cè)量原理構(gòu)造的新型智能傳感器系統(tǒng)，用于對(duì)培育豆芽菜的溫室溫度進(jìn)行測(cè)量。豆芽菜生長(zhǎng)時(shí)的最低溫度為10℃，最適宜溫度為21～27℃，最高溫度為28～30℃，不宜超過32℃。該測(cè)試儀的具體要求如下：能對(duì)［0，40］℃范圍內(nèi)的溫室溫度自動(dòng)給出相應(yīng)的語言描述：“溫度過低”、“溫度偏低”、“溫度正?！?、“溫度偏高”或“溫度過高”；

能對(duì)溫室溫度變化和當(dāng)前溫度分別進(jìn)行曲線顯示與數(shù)字量顯示。

在該系統(tǒng)中，采用模糊測(cè)量的方法對(duì)培育豆芽菜溫室的溫度進(jìn)行測(cè)量，并對(duì)當(dāng)前溫度進(jìn)行擬人類語言顯示。整個(gè)溫度測(cè)試系統(tǒng)的系統(tǒng)框圖如圖12-22所示。圖12-22溫度測(cè)試系統(tǒng)的系統(tǒng)框圖

1.模糊溫度測(cè)試儀工作原理

(1)Matlab中的梯形隸屬函數(shù)trapmf。

格式：y=trapmf(x,［abcd］)

說明：梯形曲線可由四個(gè)參數(shù)a、b、c、d確定，參見公式（12-11）。式（12-11）也可以更緊湊地表示為（12-47）參數(shù)a和d確定梯形的“腳”，而參數(shù)b和c確定梯形的“肩膀”。示例：

x=0:0.1:10;

y=trapmf(x,［1468］);

plot(x,y);

xlabel(′trapmf,p=［1468］′);

(2)隸屬函數(shù)μN(yùn)(t)、μM(t)、μH(t)的確定。培育豆芽菜的溫室溫度值的集合U={t|0℃≤t≤40℃}作為論域，論域中任一元素t（如為25℃）將以不同的程度隸屬于五個(gè)模糊子集NL（溫度過低）、NS（溫度偏低）、ZO（溫度正常）、PS（溫度偏高）、PL（溫度過高）。溫室溫度的模糊集合T（t）={NL，NS，ZO，PS，PL}中的五個(gè)模糊子集NL、NS、ZO、PS、PL分別由隸屬函數(shù)μN(yùn)L(t)、μN(yùn)S(t)、μZO(t)、μPS(t)、μPL(t)確定，隸屬函數(shù)采用梯形隸屬函數(shù)。并且根據(jù)專家以及豆芽菜生長(zhǎng)的實(shí)際溫度情況，可以確定上述五個(gè)模糊子集對(duì)應(yīng)的隸屬函數(shù)參數(shù)，如表12-1所示，其相應(yīng)的溫度t的隸屬函數(shù)如圖12-23所示。圖12-23μN(yùn)L(t)、μN(yùn)S(t)、μZO(t)、μPS(t)和μPL(t)

(3)模糊推理的實(shí)現(xiàn)與最大隸屬度的求取。這部分的實(shí)現(xiàn)過程如圖12-24所示，圖中變量temp_NegativeLarge、temp_NegativeSmall、temp_Zero、temp_PositiveSmall、temp_PositiveLarge分別對(duì)應(yīng)于隸屬度μN(yùn)L(t)、μN(yùn)S(t)、μZO(t)、μPS(t)、μPL(t)；最大隸屬度index的取值定義為{0，1，2，3，4}，用于指示相應(yīng)的擬人類語言輸出集合{“溫度過低”、“溫度偏低”、“溫度正?！薄ⅰ皽囟绕摺?、“溫度過高”}。圖12-24模糊推理的實(shí)現(xiàn)與最大隸屬度的求取

(4)語言符號(hào)輸出。這是模糊測(cè)量的最后步驟，根據(jù)上一步得到的最大隸屬度index的取值{0，1，2，3，4}，

確定輸入溫度所屬的模糊集合，從前述已經(jīng)定義好的擬人類語言輸出集合{“溫度過低”、“溫度偏低”、“溫度正?！?、“溫度偏高”、“溫度過高”}中找到對(duì)應(yīng)的語言輸出值。

2.模糊溫度測(cè)試儀的設(shè)計(jì)步驟

(1)面板設(shè)計(jì)。啟動(dòng)LabVIEW，進(jìn)入儀器開發(fā)環(huán)境，創(chuàng)建如圖12-25所示的面板。圖12-25模糊溫度測(cè)試儀面板①放置數(shù)字顯示控件1：執(zhí)行AllControls→Numeric→

NumericIndicator操作。

該控件為輸出顯示型控件，用于輸出溫度傳感器所測(cè)得的溫室當(dāng)前溫度值，標(biāo)記（Label）為“溫度”。

②放置字符串顯示控件2：執(zhí)行All

Controls→String&

Table→StringIndicator操作。

該控件為輸出顯示型控件，用來輸出溫室溫度的狀態(tài)，有5種可能的輸出結(jié)果：“溫度過低”、“溫度偏低”、“溫度正?！?、“溫度偏高”、“溫度過高”。標(biāo)記(Label)為“溫度狀態(tài)顯示”。③放置圖形顯示控件3：執(zhí)行AllControls→Graph→

WaveformChart操作。該控件為輸出顯示型控件，用來顯示溫室的溫度變化曲線。

(2)流程圖設(shè)計(jì)。模糊溫度測(cè)試儀主要是對(duì)溫室當(dāng)前的溫度進(jìn)行測(cè)量，得出溫室當(dāng)前的溫度值；對(duì)測(cè)得的溫度進(jìn)行模糊推理判斷，得出溫室的溫度狀態(tài)，并進(jìn)行擬人類語言顯示。具體程序設(shè)計(jì)如下：①打開流程圖編輯窗口“Diagram”。

②溫度采集。

將傳感器經(jīng)調(diào)理電路、數(shù)據(jù)采集卡采集入計(jì)算機(jī)的電壓數(shù)據(jù)，經(jīng)過刻度轉(zhuǎn)換成溫度值，并在前面板上顯示溫度。用LabVIEW軟件里面的AIAcquireWaveform.vi（調(diào)用路徑為AllFunctions→NI

Measurements→Data

Acquisition

→AnalogInput→AIAcquireWaveform.vi）獲得采樣信號(hào)，其中設(shè)置設(shè)備號(hào)為1，通道號(hào)(channel)為0；

采集1000組電壓信號(hào)，輸出其平均值；

進(jìn)行電壓信號(hào)和PT100鉑電阻阻值的轉(zhuǎn)換；

利用曲線擬合實(shí)現(xiàn)PT100鉑電阻阻值和溫度的刻度轉(zhuǎn)換；顯示轉(zhuǎn)換后的溫度。

整個(gè)溫度采集程序如圖12-26所示。圖12-26模糊溫度測(cè)試儀中的溫度采集程序③溫度模糊判斷。

本模塊對(duì)刻度轉(zhuǎn)換后的溫度值進(jìn)行模糊判斷，它有五個(gè)子VI，分別管理5個(gè)模糊域，當(dāng)溫度值處于其中一個(gè)模糊域或處于這個(gè)模糊域的隸屬度大于其他模糊域時(shí)，這個(gè)模糊域就生效，會(huì)在前面板上顯示這個(gè)模糊域相應(yīng)的文字符號(hào)。模糊判斷程序如圖12-27所示。圖12-27模糊溫度測(cè)試儀中的溫度模糊判斷程序④連線。完成編輯的流程圖如圖12-28所示。圖12-28模糊溫度測(cè)試儀程序圖

3.運(yùn)行檢驗(yàn)

保存文件，然后運(yùn)行，結(jié)果如圖12-29所示。圖12-29模糊溫度測(cè)試儀運(yùn)行結(jié)果12.3.2［示例12-2］模糊溫度控制儀

根據(jù)溫室當(dāng)前溫度的模糊判斷結(jié)果，包括“溫度過低”、“溫度偏低”、“溫度正?！薄ⅰ皽囟绕摺被颉皽囟冗^高”等，產(chǎn)生相應(yīng)的控制信號(hào)，驅(qū)動(dòng)相應(yīng)的溫度控制裝置對(duì)溫室進(jìn)行升溫或降溫處理，使其溫度處于豆芽菜生長(zhǎng)的最適值；溫度控制裝置可以手動(dòng)控制也可以自動(dòng)控制，它們的工作狀態(tài)可以顯示。

1.模糊控制系統(tǒng)的建立

該系統(tǒng)是在［示例12-1］的基礎(chǔ)上增加了溫度控制裝置，采用模糊控制的方法對(duì)溫度進(jìn)行控制，最終實(shí)現(xiàn)培

育豆芽菜的溫室溫度的模糊監(jiān)控。該系統(tǒng)的原理框圖如圖12-30所示。圖12-30溫度模糊控制系統(tǒng)的原理框圖

2.模糊溫度控制儀的設(shè)計(jì)

1)面板設(shè)計(jì)

啟動(dòng)LabVIEW之后，進(jìn)入儀器設(shè)計(jì)環(huán)境，創(chuàng)建如圖

12-31所示的面板。該面板主要由四部分組成：第