ファジイ制御-ファジイとは何ですか?

PythonPiの顔検出に基づく走行制御において、PythonPiの目標駆動型制御を紹介した.しかし、この目標駆動型の制御は、車を制御する際に、どう見てもつらい.このように前後して、ぐずぐずと移動しているのは、効率が低すぎるのではないでしょうか.(
目標駆動制御はフィードバック制御の原理を応用して制御の分析と実現過程を簡略化し、制御の難易度を低減した.しかし、このような簡略化のため、その制御プロセスは細かくなく、効率もあまり高くない.私たちの制御システムの汎用フレームワークを覚えていますか?
ターゲット駆動型制御は,プリセット知識が難しい場合にどのように制御するかを解決するために用いられるので,制御効率を向上させるためには,プリセット知識を増やす方法を考えるべきである.
今日はPythonPiプラットフォームにおける比較的高い制御機能:ファジイ制御を紹介します.
プリセット知識が難しいのは、コンピュータが正確で形式化された知識しか使用できないためであり、人間の知識は、形式化が困難な場合があり、特に現場制御に非常に有用な操作経験である.幸いなことに、このような非常に有用であるが、正確に説明しにくい経験的な知識に対して、人類は曖昧な数学を発明して処理した.
従来のITで使用されている数学は決定的な問題を処理するために用いられており、その基礎はいわゆる論理学の3(5)大法則である.

同一律:AはAで、あなたがどのように動いても、どのように言っても、それは変わらない.つまり、私たちがある問題を議論するとき、この問題の主な特徴は双方が公認し、安定し、変わらないことです.私达の中国人の多くの时の论争は根本的に独り言で、例えば多くの人は私と儒学の复兴の问题を讨论して、结局、私は私の想像の中の儒学を言って、彼は彼の想像の中の儒学を言って、2人は意外にも半日けんかすることができます:)

矛盾律:実は矛盾しない律であるべきで、つまりAと非Aは同時に成立することができなくて、この2つは勢力が両立しないので、論理の公式で表します:A and非A=0

排中律:すなわちAか非Aか、すなわち我々がよく言う非黒即ち白、非これ即ち彼、両者は必ずその1つであり、論理式で表すと、A or非A=1

である.

因果律:有因必有果,原因決定結果

十分な理由律:物事が存在するには必ずその存在の理由がある

， ，
排中律を守ることで、物事を明確に分類することができ、様々な物事の顕著な特徴を識別することができ、ある物事に属するある物体が必ずその物事の普遍的な特徴と能力を備えていると信じることができる.これは人類が未知のものを識別し、処理する基礎であり、人類の知識の巨大な威力である.曖昧とは、ある物事がAの部分的特徴もAではない部分的特徴もあるということであり、これは排中律に反し、このすべてを揺さぶっている.
まず、私たちは認識しなければならない:完全にそっくりなものがないため、分類の過程は実は物事の主要な特徴を抽出して、副次的な特徴を簡略化して、四捨五入して特徴値を集計する過程で、だからあいまいさは実は世界の基本的な属性で、排中律はただあいまいな背景の下の特殊性です.
次に,排中律の成立は,曖昧性が比較的弱い前提での簡略化処理である.つまり、物事が非常に曖昧で区別できない場合、科学で処理することはできません.人類の認識レベルの向上は、私たちが物事に対する認識がますますはっきりする過程であり、曖昧性が徐々に弱まる過程である.
従って,曖昧性を普遍的法則と見なし,正確な知識を曖昧条件下での簡略化と見なした.この両者を理解するために,曖昧数学は隷属度の概念を導入した:すなわち,ある種の事物の中で各事物が本類の事物の主要な特徴に合致する程度である.では、

A:隷属度が1であり、A類に属することが確実であることを意味する

非A:隷属度0、すなわちA類に属さないことを確定する

その他:隷属度が0と1の間の実数:u、すなわちuは【0,1】に属し(uは0以上1以下)、すなわちA類に属する可能性はu

であることを意味する.
排中律は0と1しかありません.排中律の非これすなわち彼に慣れているため、曖昧という概念を理解する上で最大の障害はこの隷属度かもしれない.例を挙げてみましょう.多かれ少なかれ、1、2、3、4、5の5つの数から見てみましょう.

1パーセントの計算は少なく、

を多く計算することは全く不可能です.

2は0.9の可能性で少ないはずだが、同時に0.1の可能性で

も多い.

3は0.5の可能性で少ないはずだが、同時に0.5の可能性で

も多い.

4は0.1の可能性で少ないはずだが、同時に0.9の可能性で

も多い.

5は少ないとは言えません.100%の計算は

です.
これはなぜですか?!なぜかというと、それ以外の考えを克服しなければなりません.
曖昧とは、ある物事がこの類属の部分的特徴を持っているだけでなく、その類属の部分的特徴を持っていることであり、この物事がこの類に属するべきか、それともその類に属するべきかを明確に言えない.これは1枚のよく分からない写真がある人かどうかを見分けるようで、似ていないように見えて、そう言って、まだ一部似ていないと言って、そうではないと言って、また一部似ています.だからこの場合、私たちはどのような一致する部分の特徴で物事と本類の類似度を表します:もし10の特徴値が本類の物事を描くことができるならば、aは3つの特徴が一致して、aの本類に対する隷属度は0.3です;一方,aにはBクラスの特徴取値に合致する4つの特徴があり,a対Bの隷属度は0.4である.
したがって、隷属度とは、簡単に言えば、本クラスの特徴に合致する特徴値の数と、本クラスの他のクラスと区別されるすべての特徴値の総数の比は、ある物事と本クラスの類似度の大きさを測定することである.
隷属度を導入した後,古典集合論に基づく従来の正確な数学は隷属度がどのように計算されるかの処理に変換でき,これは曖昧な性質の問題に対する科学的処理を基本的に実現した.科学とは

は、解析(既知から選択)、仮定により基本事実

を設定.

そして論理推理によって基本事実に基づいて結論

を推定する.

最後にこの結論の正しさを実験によって検証する

である.
この過程において,三大法則に基づく従来の数学は事実から結論への信頼性を確保するために用いられる.これは,論理推論が真値伝達が信頼できることを保証するため,基本事実が信頼できる場合,導出した結論が信頼できることを意味する.これが人類科学の威力だ!私たちが経験したことのない、見たことのないものでも、その存在を推定し、その性質を判定し、法則を推測することができます.
この過程で,真値伝達の信頼性を確保するために,複数の仮定がある場合,これらの仮定がすべて真である場合にのみ真値を伝達するのは厳しすぎる.曖昧性の考え方を導入した後、伝達されたのは真の値ではなく、可能性の伝達であり、つまり、私たちが現在知っている事実を100%把握していないとき、依然として信頼できない結果を得ることができる.これは私たちが日常の事務を処理する時の常態です.

ええ、この件は各方面に及んで、一環は多くて、少し複雑で、私はあまり自信がなくて、7割の成功は

かもしれません.

7割?!やった!7割はまだやらないの?!がんばれ!!!

隷属度(可能性、把握、確率とも理解できる)を0と1に縮小することは、伝統的な数学が事実から結論への信頼性を伝達していることである.「0,1」に拡大すると,曖昧数学が事実から結論まで伝達する可能性がある.
ちなみに、上記の5つの論理法則に違反することによって、対応する5つの不確実性が現れた.

同一律に违反したのは不安定で、つまりAは必ずしもAではありません.例えば、外に出て回ったのに、ああ、どうして指が破れたの?!私が作ったばかりの指紋識別カードは役に立たないのではないでしょうか.すなわち,我々が物事認識特徴として選択する特徴値が不安定で,常に変化する

である.

矛盾律に違反したのは不一致

である.

排中律に違反したのは曖昧性

である.

因果律に違反したのはランダム性で、いわゆるランダム性は、物事が経験論理に合わないことです.例えば、それは現れるべきではないのに?!しかし、それはなぜ現れたのか:(

)

十分な理由律に違反したのは不完全性

である.
ランダム性と曖昧性は最も主要な不確実性であり,ランダム性による不確実性問題を解決するために,確率論の手段を主に採用した.曖昧性が引き起こす不確実性問題を解決するために,我々は主に曖昧数学の手段を採用した.
====================================================================================================