⑴ 多層次模糊評判的基本思想和數學模型
6.3.1.1 單因素模糊評判
單獨從一個因素出發，評判評價對象對評價某元素的隸屬度，稱為單因素模糊評判。假設對因素集中ui進行評判，對其評價集中vj的隸屬度為rij，用模糊集合可表示為：
Ri＝（ri1ri2…rin）
Ri稱為單因素集。以各單因素評價集的隸屬度為行組成的矩陣：
煤儲層精細定量表徵與綜合評價模型
稱為單因素矩陣。由於RIJ表示UI和VJ之間隸屬度，稱R為從U到V的模糊關系。
6.3.1.2 單層次綜合評價模型
設有兩個有限集：因素集U＝（u1u2…un）和評價集V＝（v1v2…vn）。若R是U與V之間的一個模糊關系，且U上的模糊集為：
煤儲層精細定量表徵與綜合評價模型
V上的模糊集為：
則對該評判對象的綜合評判結果為：
A=（a1，a2，…，an）
其中：
（∨，∧）為模糊交換中的廣義運算元；是模糊矩陣的合成規則。上式稱為單層次綜合評判模型。實標上，該模型是以（ABR）構成的三維模型。A為因素集U上的權重；R為從因素集u倒評價集V的一個模糊映射；B為評價結果，bj的含義是綜合考慮所有因素的影響時，評價對象對評價集中第j個元素的隸屬度。
6.3.1.3 多層次模糊評判模型
煤層氣地質綜合評價是一個多因素、多層次的復雜系統，必須用多層次模糊綜合評價模型進行處理。多層次模糊綜合評價，是以單層次評價為核心，先構成若干個評價小組的單層次評價子集，再以評價小組的評價子集為新的節點，進行高一層次的評價。
支級模糊綜合評判時的單因素評判，應為相應的上一級模糊綜合評判，故多級（以二級為例）模糊綜合評判的單因素評判矩陣，應為：
煤儲層精細定量表徵與綜合評價模型
其中：rik=bjk（i=1，2，3，…，p）。
於是二級模糊綜合評判集為：
煤儲層精細定量表徵與綜合評價模型
其中：
類似地，可以構成多段模糊評判模型。
由於不同層次中節點的權系數、運算元模型不同，多層次模糊數學綜合評判並不是單層次的簡單疊加。
6.3.1.4 多層次模糊綜合評價
以評價小組為單元所進行的單層次綜合評價所獲得的評價結果可以作為下一層次上述因素對自身評語的評價，即為所在層次小組的單因素對自身評語評價矩陣中的一個行向量R（uj），故任一層次的評價矩陣可表示為：
Ri=（Ri（ui）Ri（u2）…Ri（un））
對於給定的權重：
Ai=（A11，A12，…，A1n）
多層次綜合評判即為：
Riz=Ai?Ri
⑵ 把圖像變模糊的演算法一般是怎樣實現的
第一步：先復制背景圖層。第二步：濾鏡——模糊——高斯模糊（數值大小跟據你想要的效果定）第三步：為復制北影圖層添加蒙版，再用畫筆工具擦出你想要的清楚的地方！
⑶ 什麼叫模糊控制演算法
模糊控制技術是利用模糊控制演算法控制變頻器的電壓和頻率的一種技術，通過模糊控制技術可使被控電動機的升速時間得到控制，以避免升速過快對電動機使用壽命的影響以及升速過慢而影響工作效率。
⑷ 模糊演算法路徑規劃C語言實現的程序，感激不盡。
僅供參考~
#define MAX_VERTEX_NUM 100 //最大頂點數
#define MAX_INT 10000 //無窮大
typedef int AdjType;
typedef struct{
int pi[MAX_VERTEX_NUM];//存放v到vi的一條最短路徑
int end;
}PathType;
typedef char VType; //設頂點為字元類型
typedef struct{
VType V[MAX_VERTEX_NUM]; //頂點存儲空間
AdjType A[MAX_VERTEX_NUM][MAX_VERTEX_NUM]; //鄰接矩陣
}MGraph;//鄰接矩陣表示的圖
//Floyd演算法
//求網G（用鄰接矩陣表示）中任意兩點間最短路徑
//D[][]是最短路徑長度矩陣，path[][]最短路徑標志矩陣
void Floyd(MGraph * G,int path[][MAX_VERTEX_NUM],int D[][MAX_VERTEX_NUM],int n){
int i,j,k;
for(i=0;i<n;i++){//初始化
for(j=0;j<n;j++){
if(G->A[i][j]<MAX_INT){
path[i][j]=j;
}else{
path[i][j]=-1;
}
D[i][j]=G->A[i][j];
}
}
for(k=0;k<n;k++){//進行n次試探
for(i=0;i<n;i++){
for(j=0;j<n;j++){
if(D[i][j]>D[i][k]+D[k][j]){
D[i][j]=D[i][k]+D[k][j];//取小者
path[i][j]=path[i][k];//改Vi的後繼
}
}
}
}
}
int main(){
int i,j,k,v=0,n=6;//v為起點，n為頂點個數
MGraph G;
int path[MAX_VERTEX_NUM][MAX_VERTEX_NUM];//v到各頂點的最短路徑向量
int D[MAX_VERTEX_NUM][MAX_VERTEX_NUM];//v到各頂點最短路徑長度向量
//初始化
AdjType a[MAX_VERTEX_NUM][MAX_VERTEX_NUM]={
{0,12,18,MAX_INT,17,MAX_INT},
{12,0,10,3,MAX_INT,5},
{18,10,0,MAX_INT,21,11},
{MAX_INT,3,MAX_INT,0,MAX_INT,8},
{17,MAX_INT,21,MAX_INT,0,16},
{MAX_INT,5,11,8,16,0}
};
for(i=0;i<n;i++){
for(j=0;j<n;j++){
G.A[i][j]=a[i][j];
}
}
Floyd(&G,path,D,6);
for(i=0;i<n;i++){//輸出每對頂點間最短路徑長度及最短路徑
for(j=0;j<n;j++){
printf("V%d到V%d的最短長度:",i,j);
printf("%d\t",D[i][j]);//輸出Vi到Vj的最短路徑長度
k=path[i][j];//取路徑上Vi的後續Vk
if(k==-1){
printf("There is no path between V%d and V%d\n",i,j);//路徑不存在
}else{
printf("最短路徑為:");
printf("(V%d",i);//輸出Vi的序號i
while(k!=j){//k不等於路徑終點j時
printf(",V%d",k);//輸出k
k=path[k][j];//求路徑上下一頂點序號
}
printf(",V%d)\n",j);//輸出路徑終點序號
}
printf("\n");
}
}
system("pause");
return 0;
}
⑸ 什麼是模糊演算法
通過對現實對象的分析，處理數據並構建模糊型數學模型。用隸屬關系將數據元素集合靈活成模糊集合，確定隸屬函數，進行模糊統計多依據經驗和人的心理過程，它往往是通過心理測量來進行的，它研究的是事物本身的模糊性
⑹ 什麼是模糊預測演算法啊
模糊預測控制演算法
Fuzzy Prediction Control Algorithm
翟春艷 李書臣
摘 要：模糊預測控制(FPC)是近年來發展起來的新型控制演算法,是模糊控制與預測控制相結合的產物.文章在預測控制的模型預測、滾動優化、反饋校正機理下,對模糊預測控制模型及其優化控制演算法作了歸納,並對模糊預測控制今後的發展進行了展望.
模糊表的一部分，就是個數組，多少個輸入就做個幾維數組就可以了(3514字)liyu2005[28次]2004-3-20 18:16:07
unsigned char outputs[MF_TOT], // 模糊輸出mu值
fuzzy_out; // 模糊控制值
unsigned char input[INPUT_TOT] ={ // 模糊輸入
0, 0
};
unsigned char code input_memf[INPUT_TOT][MF_TOT][256]={
// 輸入功能函數
{
{ // velocity: VSLOW
0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF,
0xFF,
0xFF, 0xFF,
0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF,
0xFF,
0xFF, 0xF6,
0xED, 0xE4, 0xDB, 0xD2, 0xC9, 0xC0, 0xB7, 0xAE, 0xA5, 0x9C, 0x93, 0x8A, 0x81,
0x78,
173
0x6F, 0x66,
0x5D, 0x54, 0x4B, 0x42, 0x39, 0x30, 0x27, 0x1E, 0x15, 0x0C, 0x03, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00,
0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00,
0x00,
0x00, 0x00
}
http://www.newcyber3d.com/cds/ch_cd05/intro_cga.htm
⑺ 請問模糊綜合評價法在遇到存在兩級指標的情況時需要做幾次歸一化
通產品用性測試我能收集諸定量數據比：任務確率、求助數、任務完間用戶主觀滿意度等面數據並能通任務完觀察測試與參加者交流獲些定性數據(用性問題優點)進通些數據統計獲知測產品總體用性狀況由於些度量指標具同屬性其所進行簡單統計足形產品用性衡量標准層模糊綜合評價(AHP)我處理些評價數據提供種用量化統計式獲用戶體驗質量綜合性評判與灰色關聯同：灰色關聯更側重於產品設計案或者間版本進行比較其建立比較基礎層綜合評價則單產品或設計案用性進行衡量量化 評事物屬性明確我根據模糊隸屬度函數評事物相關素合理量化使模糊環境評價綜合性及合理性面保證並通層確定評價素權重結合總結性測試兩面凋整進建立模糊綜合評估模型產品體驗質量進行衡量 層綜合評價基本思路：首先確立評價指標體系設定評價集並確立評價素隸屬度函數;通層確定評價素權重;產品體驗質量進行綜合評判 1. 何確定評價集隸屬度函數： 首先需要確定針各指標評價集={v1v2&#;vn｝及評價素隸屬度函數般採用梯形布及半梯形布構造隸屬度函數符合用戶體驗質量漸變連續特點指標評價標准5等級(差差般)即定義用戶體驗質量等級假設A指標評價集模糊集隸屬度函數： 函數v用戶測試獲相關指標用性結數據;v1、v2、v3、v4、v5、v6各評價標准等級閾值針任務完率等閾值別0、0.3、0.6、0.8、0.95、1針問卷評閾值別1、2、3.5、5.5、6.5、7; c1、c2、c3、c4、c5別區間 (v1 v2)、(v2 v3)、(v3 v4)、(v4 v5)、(v5 v6)值 舉例： 假設經測試某位用戶任務完率0.該用戶任務完率作v代入述隸屬度函數取 v1、v2、v3、v4、v5、v60、0.3、0.6、0.8、0.95、1 c1、c2、c3、c4、c50.15、0.45、0.7、0.、0.則該用戶任務完率模糊集{A1、A2、A3、 A4、A5｝{0、0、0、0.8、1｝測試所用戶任務完率模糊集進行合並則任務完率模糊矩陣 點說明： 針任務完間、操作路徑度等些指標確定相統閾值需要進行轉換轉換公式： 其x&rsuo;轉換數值x轉換前數值E針該指標期望值或者說產品預期達數值經轉換些指標閾值統 {v1、v2、v3、v4、v5、v6｝={0、0.3、0.6、0.8、0.95｝ 2. 何確定評價素權重： 評價素權重需針具體指標體系進行設置假設前級評價指標包含n素n素兩兩進行比評價素權重矩陣A： aij表示素Ai相於素Aj重要程度比符合：①aij=1(i=j);②aji=1/aij;③aij通saaty1-9比率標度確定具體： 判斷矩陣權重值wi根據積進行計算計算： 我採用致性比率CR判斷矩陣致性進行檢驗CR定義： 其λx判斷矩陣特徵值 RI已知平均致性指標判斷矩陣階數23RI值別00.58CR於等於0.1 判斷矩陣具良致性否則需要判斷矩陣進行重新調整 舉例： 假設我整評價體系包含產品交互數據評價交互數據包含效效率兩指標獲取針交互數據評價素權重我首先需要請產品專家用性工程師交互數據兩評價指標按照1-9比率標度進行兩兩比較評價結&ro;效&ro;素&ro;效率&ro;素比較同等重要稍微重要點間即&ro;效&ro;比&ro;效率&ro;評價結2根據層確定關於交互數據評價素權重矩陣結： 我整產品評價體系能交互數據評價素整評價體系建立： 我需要按照述再依用戶滿意度觀察者評估評價素權重進行計算用戶滿意度、觀察者評估及總用戶體驗質量評估權重矩陣 至用戶評價集評價素權重都已確定我要做兩部結進行綜合即終體驗質量總體評價結 3. 何進行層模糊評價： 首先我需要第步已獲用戶評價隸屬度矩陣進行歸化處理：先每位用戶數據隸屬度數據進行合計針每評價指標用戶各評價等級數據累加值Cj(j=12345);Cj進行歸化處理具體： 任務完率(效性指標)例假設用戶任務完率、隸屬各等級數據及通歸化處理數據表(表數據均假設數據) 用同獲所級指標歸化rj確定級模糊評判矩陣假設針任務完間(效率指標)其歸化rj{0. 0. 0. 0. 0.}交互數據(包括效效率兩指標)級模糊評判矩陣即： 評價素權重級模糊評判矩陣進行合級指標綜合評判結採用合算： bj計算完針級指標(比交互數據)綜合評判結：B1=(b1 b2 b3 b4 b5)用假設數據進行計算結 B1=(0. 0. 0. 0. 0.)同用戶滿意度觀察者評價假設數據進行計算用戶滿意度B2=(0 0. 0. 0. 0.)觀察者評價B3=(0 0 0. 0. 0.) 級指標綜合評判結作二級評判模糊矩陣獲產品綜合用戶體驗質量模糊評判矩陣： 通用戶體驗質量總體評價素權重二級模糊評判矩陣進行合(合算同)用戶體驗質量綜合評判結 B=(0. 0. 0. 0. 0.) 評價集作相應等級賦值(9582般67差50差31)即直觀百制評價結相應轉換公式： 用假設數據 B=(0. 0. 0. 0. 0.)代入a=83.22處於良等級 於總體用戶質量百制評價轉換適用於各級指標體系比：交互數據、用戶滿意度等進步發現其產品體驗質量究竟哪部發問題 總體說模糊評價應用符合用戶體驗質量邊界明確特點彌補由於用性用戶體驗模糊屬性所帶評估能偏差 系列文章：產品用戶體驗質量模糊評價（1）灰色關聯 文章源：網易用戶體驗設計 轉載請註明處鏈接
⑻ 求模糊控制演算法，匯編語言編寫的，關於溫度控制的！感謝
模糊控制比較常用的兩種演算法；普通模糊控制演算法，模糊PID控制演算法
普通模糊控制演算法：建立在人工經驗知識的基礎上，需要明確控制要求，並結合人工控制經驗，然後才可以做出實用的模糊控制演算法。雖然有很多樣板經驗表可以使用，但還需要根據實際控制對象做些修改，才可使用。
模糊PID控制演算法：對人工經驗要求的比較少，但需要結合PID控制經驗和現場試驗數據，才能做出好的控制演算法。
編程原理：只講普通模糊控制演算法，模糊PID自己去找資料，模糊PID太容易實現，故不再贅述。
下面一至六步，我只說了一些計算過程，它們可以使用matlab完成，實現起來比較簡單，只把matlab計算得到的表格放到模糊控製程序里即可，也就是說藉助matlab編寫模糊控制演算法只需要進行第一、二、七步的操作。
第一步：收集模糊經驗，分條列出，可以暫時使用樣板經驗表（經驗表和分條列出的經驗是相通的）。
第二步：確定各模糊集合隸屬度函數
第三步：取一組輸入輸出數據組合，它們中的各元素，按照一條模糊規則中模糊變數組合和各自隸屬度函數分別模糊化，然後各變數通過模糊運算得到一個值，這個值就是當前組合對當前規則的匹配度。同樣，算出這個數據組合對其餘各條模糊規則的匹配程度，也就是匹配值。最後對每個匹配值，進行模糊或運算，得到的數據u
第四步：分別取各輸入輸出數據組合進行第三步操作，然後得到一個n維表（n為輸入，輸出變數個數），每個單元對應一個數據組合，單元中的取值對應數據組合的u值（u的演算法參考第三步）
第五步：任取一組輸入組合，遍歷輸出值，根據第四步的表格得到對應的一組u值，根據下面公式計算輸出：y=/其中yi是第i個可能的輸出量取值，ui是與yi對應的u值。
第六步：對每一組可能的輸入組合，得到各自的輸出值y，然後把他們列出一個表，大功即成。這個表就是輸入與輸出的映射表。前幾步的目的就是得到這個表，我們稱之為模糊控制查詢表。
第七步：編寫模糊控制查詢表的查詢程序，亦可以看成模糊控制演算法計算程序，其實就是一個查表程序。到此模糊控制演算法編寫完成。
模糊控制過程中，首先採集數據，離散化，查表得到輸出值，輸出查表所得的輸出值，模糊控制器工作完成。
其實對復雜控制系統，模糊控制的難點在於模糊經驗的收集與修正。
⑼ 高斯模糊
參考文獻：阮一峰的網路日誌
通常，圖像處理軟體會提供"模糊"（blur）濾鏡，使圖片產生模糊的效果。
"模糊"的演算法有很多種，其中有一種叫做 "高斯模糊" （Gaussian Blur）。它將 正態分布 （又名"高斯分布"）用於圖像處理。
本文介紹"高斯模糊"的演算法，你會看到這是一個非常簡單易懂的演算法。本質上，它是一種 數據平滑技術 （data smoothing），適用於多個場合，圖像處理恰好提供了一個直觀的應用實例。
一、高斯模糊的原理
所謂"模糊"，可以理解成每一個像素都取周邊像素的平均值。
上圖中，2是中間點，周邊點都是1。
"中間點"取"周圍點"的平均值，就會變成1。在數值上，這是一種"平滑化"。在圖形上，就相當於產生"模糊"效果，"中間點"失去細節。
顯然，計算平均值時，取值范圍越大，"模糊效果"越強烈。
上面分別是原圖、模糊半徑3像素、模糊半徑10像素的效果。模糊半徑越大，圖像就越模糊。從數值角度看，就是數值越平滑。
接下來的問題就是，既然每個點都要取周邊像素的平均值，那麼應該如何分配權重呢？
如果使用簡單平均，顯然不是很合理，因為圖像都是連續的，越靠近的點關系越密切，越遠離的點關系越疏遠。因此，加權平均更合理，距離越近的點權重越大，距離越遠的點權重越小。
二、正態分布的權重
正態分布顯然是一種可取的權重分配模式。
在圖形上，正態分布是一種鍾形曲線，越接近中心，取值越大，越遠離中心，取值越小。
計算平均值的時候，我們只需要將"中心點"作為原點，其他點按照其在正態曲線上的位置，分配權重，就可以得到一個加權平均值。
三、高斯函數
上面的正態分布是一維的，圖像都是二維的，所以我們需要二維的正態分布。
正態分布的密度函數叫做 "高斯函數" （Gaussian function）。它的一維形式是：
[圖片上傳失敗...(image-930400-1530695631723)]
其中，μ是x的均值，σ是x的方差。因為計算平均值的時候，中心點就是原點，所以μ等於0。
[圖片上傳失敗...(image-b4ad84-1530695631723)]
根據一維高斯函數，可以推導得到二維高斯函數：
[圖片上傳失敗...(image-24fac0-1530695631723)]
有了這個函數 ，就可以計算每個點的權重了。
四、權重矩陣
假定中心點的坐標是（0,0），那麼距離它最近的8個點的坐標如下：
更遠的點以此類推。
為了計算權重矩陣，需要設定σ的值。假定σ=1.5，則模糊半徑為1的權重矩陣如下：
這9個點的權重總和等於0.4787147，如果只計算這9個點的加權平均，還必須讓它們的權重之和等於1，因此上面9個值還要分別除以0.4787147，得到最終的權重矩陣。
五、計算高斯模糊
有了權重矩陣，就可以計算高斯模糊的值了。
假設現有9個像素點，灰度值（0-255）如下：
每個點乘以自己的權重值：
得到
將這9個值加起來，就是中心點的高斯模糊的值。
對所有點重復這個過程，就得到了高斯模糊後的圖像。如果原圖是彩色圖片，可以對RGB三個通道分別做高斯模糊。
六、邊界點的處理
如果一個點處於邊界，周邊沒有足夠的點，怎麼辦？
一個變通方法，就是把已有的點拷貝到另一面的對應位置，模擬出完整的矩陣。
七、參考文獻