Ⅰ 求翻譯The final 3D model used a ranked fuzzy logic.......
最終的三維模式所用的是「模糊邏輯排序技術/演算法」（ranked fuzzy logic technique），那是基於（用以約束三維預測圖的發展）的二維「證據權法」（weights of evidence）模式，再重新調整它的排序。
～～～～～純人手翻譯，歡迎採納～～～～～
（非技術專業，僅供參考）
猜 ranked 及 ranking 是指將數據排序
原文連上下文如下：
The Proterozoic Marymia Inlier is known for orogenic gold deposits along granite-mafic rock contacts within major bounding thrust planes, including the procing Plutonic mine. A 3D prospectivity model was built based largely on surface geology extended into the subsurface using geophysical data, confirmed by drill data when available. Because of the complexities of taking 2D data into 3D and the length of time to test spatial associations in 3D, a 2D weights of evidence prospectivity model was initially created to constrain the 3D predictive maps integrated into the 3D prospectivity model. The final 3D model used a ranked fuzzy logic technique, with the ranking adjusted from the 2D weights of evidence model that was used to constrain the development of 3D predictive maps. The study shows that 3D prospectivity modelling can be used to identify targets at significant depth and establish depths for drilling them.
Ⅱ 什麼是粗糙集
在自然科學,社會科學與工程技術的很多領域中,都不同程度地涉及到對不確定因素和不完備信息的處理.從實際系統中採集到的數據常常包含著雜訊,不精確甚至不完整,採用純數學上的假設來消除或迴避這種不確定性,效果往往不理想,反之,如果正視它,對這種信息進行適當地處理,常常有助於實際系統問題的解決.多年來,研究人員們一直在努力尋找科學地處理不完整性和不確定性的有效途徑,實踐證明,1965年Zadeh創立的模糊集理論與1982年Z.Pawlak倡導的粗糙集理論是處理不確定性的兩種很好的方法.事實上,除了上述兩種方法外,基於概率統計方法的證據理論也是處理不確定性的一種有效方法.這些眾多的方法都屬於軟計算(Soft Computing)的范疇.軟計算(Soft Computing)的概念是由模糊集理論的創始人Zadeh提出的,軟計算(Soft Computing)的主要工具包括粗糙集(Rough sets),模糊邏輯(Fuzzy Logic),神經網路(Nerve Network),概率推理(Probability Reasoning),信度網路(Belief Network),遺傳演算法(Genetic Arithmetic)與其它進化優化演算法,混沌理論(Chaos)等.傳統的計算方法即所謂的硬計算(Hard Computing),使用精確,固定和不變的演算法來表達和解決問題,而軟計算(Soft Computing)的指導原則是利用所允許的不精確性,不確定性和部分真實性得到易於處理,魯棒性強和成本較低的解決方案,以便更好地與現實系統相協調.與其它方法相比,粗糙集方法的最大優點是不需要附加信息或先驗知識,這一點是其它方法無法做到的,如模糊集方法與概率統計或證據理論方法中,往往需要模糊隸屬函數,基本概率指派函數(Basic Probability Assignment,BPA)和有關統計概率分布等,而這些信息有時並不容易得到.正是基於這一優點,粗糙集理論得以迅速興起,並逐漸成為人工智慧界以及其它處理不確定性領域的研究熱點.
眾所周知,粗糙集與模糊集是兩種主要的,應用最為廣泛的處理不確定性的方法,它們各有優,缺點,如何有效地將它們結合,使它們優勢互補,同時克服它們各自的缺點,將是很有興趣的研究課題.它們的結合涉及到許多問題,如它們的關系問題,它們是互相獨立的還是互為從屬,對這一問題的回答眾說不一,有的作者認為粗糙集是泛化的模糊集,如Z.Pawlak,有的作者持否定態度甚至相反觀點,如M.Wygralak.對此,本人在借鑒了他們的方法之後,提出了屬於自己的觀點.兩種方法的結合產生了粗糙模糊集(Rough Fuzzy Sets)與模糊粗糙集(Fuzzy Rough sets),這是兩種不同的結合觀.前者是從粗糙集的角度研究模糊集,而後者側重於從模糊集的角度去刻畫粗糙集.
本文的安排如下,第一章與第二章分別簡單介紹粗糙集與模糊集,第三,四章分別介紹粗糙模糊集(Rough Fuzzy Sets)與模糊粗糙集(Fuzzy Rough sets),第五章介紹粗糙集模糊化的一種新方法,試圖理清粗糙集與模糊集的關系.
第一章 粗糙集理論簡介
第一節 粗糙集理論的產生與應用背景
在20世紀70年代,波蘭學者Z.Pawlak和一些波蘭科學院,波蘭華沙大學的邏輯學家們,一起從事關於信息系統邏輯特性的研究,粗糙集理論就是在這種研究的基礎上產生的.1982年,Z.Pawlak發表了經典論文Rough Sets [2],宣告了粗糙集理論的誕生,此後,粗糙集理論引起了許多數學家,邏輯學家和計算機研究人員的興趣,他們在粗糙集的理論和應用方面做了大量的研究工作.1991年Z.Pawlak的專著[3]和1992年的應用專著[4]的出版,對這一段時期理論和實踐的成果做了較好的總結,同時促進了粗糙集在各個領域的應用.此後召開的與粗糙集有關的國際會議進一步推動了粗糙集的發展,越來越多的科技人員開始了解並准備從事該領域的研究.目前,粗糙集已成為人工智慧領域中一個較新的學術熱點,在機器學習,知識獲取,決策分析,過程式控制制等許多領域中得到了廣泛的應用.
一,粗糙集理論處理的問題
粗糙集以其獨到的方法能有效地處理許多涉及不確定性的問題,這些問題包括:
(1),不確定或不精確知識的表達,
(2),經驗學習並從經驗中獲取知識,
(3),不一致信息的分析,
(4),根據不確定,不完整的知識進行推理,
(5),在保留信息的前提下進行約簡,
(6),近似決策分類,
(7),識別並評估數據之間的依賴關系.
特別應該提到的是約簡,決策分類以及識別並評估數據之間的依賴關系,粗糙集理論在不需要任何附加信息或先驗知識的前提下可以非常有效地處理這些問題.
二,粗糙集理論與數學的關系
前面已經提到,粗糙集屬於軟計算的范疇,從這個角度來看,粗糙集是繼模糊集之後經典集合論的又一發展分支.但由於粗糙集是在近似空間上進行推理與分析問題,這一特點使它失去了作為經典數學的許多有關確定性的特徵.關於粗糙集理論的數學特徵的研究已有許多,其中很多著眼於粗糙集的代數特徵的研究,也有作者用公理化方法與結構化方法來刻畫粗糙集理論.但本人認為,這眾多的粗糙集理論的數學特性的研究尚未使人們真正認識清楚粗糙集的數學結構面目.關於這一方面的研究尚有許多課題,如怎樣將約簡過程數學化等等.
==========================================================
楓舞葉飛:這是一本書的前言部分,應該可以解決你的概念問題以及模糊集和粗糙級的區別聯系問題..另外,問一下您是不是研究生?是不是開學有課題項目啊?好多問研究問題的哦~~~
Ⅲ matlab simulink中的fuzzy模塊有沒有解模糊過程
1、首先要做好.fis文件，具體做法就是在workspace中輸入函數實現或者輸入fuzzy，有GUI界面的模糊工具箱，很方便。
2、在simulink里新建一個文件，打開Fuzzy工具箱，將Fuzzy Logic Controller拖動至空白文檔中，添加好輸入輸出，有必要的畫添加上幾個增益，作為量化因子以改變加權程度。
3、在workspace中用readfis（）函數讀取已經寫好的.fis模糊推力矩陣，具體如下：
>> myFLC=readfis('D:\\My Documents\MATLAB\relese\gh_Fuzzyhotel.fis')
然後雙擊simulink文檔中的Fuzzy Logic Controller，在FIS File中輸入myFLC即可。
4、設置模擬參數，進行模擬即可。
之所以總結此步驟是因為本人花了兩小時將一個很簡單的模糊控制器的控制曲線畫出來卻畫的亂七八糟，翻閱書籍、上網詢問最後得到以上步驟的。希望其他同學少走彎路。
另外，simulink的scope得到的曲線要想弄到Word里去，可以參考一下以下方法：
在simulink文檔中增加to workspace模塊，然後雙擊之，將save format改為array，確定。然後開始模擬。模擬結束後在workspace中用plot（simout）命令即可繪制出漂亮的圖，然後edit》 figure 。其中simout為to workspace的變數名，可以雙擊之改變。
Ⅳ sugeno fuzzy logic method是什麼演算法
功能型工具箱主要用來擴充MATLAB的符號計算功能、圖形...5)模糊邏輯工具箱(Fuzzy Logic Toolbox)。 * ...* 自適應神經—模糊學習、聚類以及Sugeno推理
Ⅳ 主板BIOS無超頻選項,用什麼軟體進行CPU超頻如何用
一、微星的Fuzzy Logic
微星好像是第一家將超頻軟體應用在其主板上的廠商，不過目前這款軟體只
能用在微星的i820主板和6163－Master主板上，6163 Pro和6309都沒法用。
Fuzzy Logic的界面做得相當漂亮，就像一個懸浮在桌面上的方向盤，相當前
衛（如圖1）。這款軟體全部是圖形化的界面，初一看，感覺好像找不到方向，再
細看，發現可調選項並不多。一共有8個鍵可按，其中只有兩項和超頻有關。Min
鍵是將其縮至任務欄上的鍵，Exit鍵是退出，L1鍵是顯示CPU的L1級緩存，L2鍵是
顯示CPU的L2級緩存，CPU鍵是顯示CPU的相關信息，About鍵是顯示版本信息，剩
下的Auto鍵和Go鍵才是和超頻相關的。
Fuzzy Logic是自動超頻程序，連設置都不可用，運行這個程序就可以了。它
會自動偵測（Auto）、反復測試出你的系統可以超頻且穩定、正常工作的上限，
然後按一下Go鍵，讓不會（不敢）超頻、但又想讓計算機跑快一點的初學者，也
能享受超頻的快感。因此像Fuzzy Logic這樣的傻瓜超頻軟體很適合初學者使用，
但似乎缺少了手動調整的樂趣。
微星新的i815E Pro（採用i815E晶元）主板還將Fuzzy Logic自動超頻軟體進
行改進，推出了FuzzyⅡ，除了界面更酷，功能更全外，還將系統硬體監控的功能
也集成到了其中，喜愛超頻的用戶這下可好好超一下了。
二、技嘉的EasyTuneⅢ
技嘉在其最新的i815系列晶元的主板中推出這款超頻軟體——Easy TuneⅢ。
Easy TuneⅢ打開後，樣子也是怪怪的，它有兩種模式，一是Easy Mode（簡
單模式），一個是Advance Mode（高級模式）。
在Easy Mode下，當你按了Default後，Easy TuneⅢ將自動偵測出最合適的頻
率，設置完畢，一切便極其的傻瓜化（如圖2）。
在Advance Mode下，你將有更多的手動調節選項，你可以自定義外頻，一頻
一頻的調節，然後鍵GO鍵，死不死機，就要看你的CPU耐不耐超了（如圖3）。
三、BP6SFB
閑來無事，又在網上轉了轉，找到了一款專用超頻軟體，叫做BP6SFB，是國
外的一些發燒友專門為升技的BP6主板製作的BP6專用版的「SoftSFB」，相當迷你
化，當然也只支持升技的BP6主板，功能也不多，但是該有的功能也都有了（如圖
4）。
如果你有興趣，也可以上網去找找自己的主板，有沒有人專門為其製作超頻
程序呢？
四、CPU Boost
這款軟體的名聲沒有SoftSFB大，我也是費了一番勁在一大堆的軟體中將其找
了出來，下載的體積也不太大，122KB。
用WinZip解壓後，就可以直接使用了，CPU Boost的圖標是一隻黃色的小蟹(
如圖5)，讓人聯想起Realtek的產品來，它們也用的是一隻類似的小蟹做為商標。
不知兩者之間有無關聯。
不過相當的可惜，這款軟體似乎長時間地沒有升級了，目前的版本是1.03，
無法識別出我這里升技BP6、微星6163 Pro主板和梅捷SY6BA＋的時鍾晶元，於是
它強行將一款時鍾晶元套用到我的升技BP6、微星6163 Pro和梅捷SY6BA＋上，進
入軟體後，所有選項是虛的，無法進行設置。
在這一點上，CPU Boost做的就比SoftSFB要差多了，假如SoftSFB無法識別某
款時鍾晶元或主板，至少還有機會去網上下載數據包更新，或是自己作者一個數
據包，而CPU Boost卻一點機會也沒給我們，乾脆就不能使用。這款軟體也沒有R
eadme或是Help文件，讓人很迷惑。
由於沒能用起來，所以也不太好評判這款軟體的性能。但從其菜單設置上來
看，比SoftSFB簡單，也是通過拉桿的方式來進行超頻，其核心和SoftSFB一樣，
也是通過對時鍾發生晶元的操作，來達到超頻的目的
Ⅵ 模糊邏輯（fuzzy logic）和人工智慧（AI）有差別嗎
Fuzzy Logic是人工智慧裡面的一個分支。傳統的AI是基於一些"清晰"的規則。這個"清晰"是相對於沒有Fuzzy Logic方法的人工智慧, 給出的結果往往是很詳細的，比如一個具體的房價預測值。
模糊邏輯用來模擬人的思考方式，對預測的房價值給出一個類似是高了還是低了的一個結果。
[1] Foundations of Fuzzy Logic http://www.mathworks.com/help/fuzzy/foundations-of-fuzzy-logic.html
Ⅶ 英文文獻手動翻譯 跪求翻譯帝！！
首先要注意的過程一小步一小步是最大限度地利用現有的扭矩是最小值當轉子後從一步轉向下一步。決定了這個最低的運行扭矩,最大的扭矩電機可以駕駛它慢慢向前步驟。對普通的two-winding永磁電動機和理想的正弦扭矩與位置曲線和控股扭矩h的時候,這個意願
是氫/(7)。如果電機驅動了兩個繞組的,這對理想的運行扭矩two-winding永磁電機將一樣的single-winding控股扭矩。值得注意的是,在較高的步進速度
操作扭矩有時可定義為撤軍扭矩。由此產生的軌跡類似於一個顯示在圖5。
諧振頻率的電機轉子取決於幅值的振盪;而作為振幅減少,諧振頻率上升到
一個定義明確的方法的頻率。正式,就可以計算共振方法如下。首先,回憶牛頓定律為角加速度:
μA T =
在應用於轉子,T扭矩μ慣性矩的轉子和負載和角加速度、按弧度/每秒。我們假定對小振幅,
轉矩對轉子近似為一個線性功能的平衡位置偏移。因此,虎克定律運用:
kΘ−T =
在k的「彈簧的不變的」系統,扭矩單元每弧度,Θ角位置的轉子,按弧度。
我們可以把兩公式的扭矩μA =−得到:kΘ。注意,加速二階微分的位置相對於時間:d2Θ/ dt2),因此我們可以重寫這上述在微分方程形式:d2Θ/ dt2 =−(k /μ)Θ。為了解決這個問題,回憶,對於:女(t)=贖罪bt.他衍生品是:
注意到,在這個討論中,我們假設轉子共鳴。因此,它有一個的運動方程類似:
罪(=Θ2πft)
是角振幅的共振;如果共振頻率。這是一個允許上述微分方程的解,如果我們同意:
在實踐中,這振動問題會造成重大的步進率接近一個固有的諧振頻率系統;結果頻發、無法控制的隨機運動。模糊邏輯控制器提供了一種運算,
它把語言控制,基於專家知識成自動控制策略[13]。因此,模糊邏輯演算法是近多了
精神上的人類思維的邏輯系統比傳統[5,14]。主要的問題與模糊控制器產生相關的選擇
調節器參數
Ⅷ 求個英語翻譯
Abstract
摘要
This study compares three different control algorithms for a muscle-like actuated arm developed to replicate motion in two degrees-of-freedom (df): elbow flexion/extension (f/e) and forearm pronation/supination (p/s). 本研究比較了用於類肌肉受驅動臂的三種不同演算法，這種受驅動臂是為復制兩個自由度（df）運動而開發的，而兩個自由度就是：屈肘/伸肘（f/e），以及前臂的旋前/旋後（p/s).
Electromyogram (EMG) is employed to help determine the control signal used to actuate the muscle cylinders.採用了肌電圖（EMG）來幫助確定用於促動肌肉圓柱的控制信號。
Three different types of control strategies were attempted. 嘗試了三種不同類型的控制策略。
The first algorithm used fuzzy logic with EMG signals and position error as control inputs (Fuzzy Controller). 第一種演算法採用模糊邏輯，而EMG信號和位置誤差作為控制輸入（模糊控制器）。
The second algorithm incorporated moment arm information into the existing fuzzy logic controller (Fuzzy-MA Controller). 第二種演算法將力矩臂信息結合進已有的模糊邏輯控制器中（模糊MA控制器）。
The third algorithm was a conventional Proportional-Integral-Derivative (PID) controller,which operated solely on position and integration error (PID Controller)第三種演算法是一種常規的比例積分微分（PID）控制器，它僅根據位置誤差和積分誤差而工作（PID控制器）。
Ⅸ 模糊數學演算法軟體
matlab裡面沒有模糊軟體包嗎？ http://www.mathworks.com/procts/fuzzylogic/
用 Matlab 中的 Fuzzy 工具箱做一個簡單的模糊控制，流程如下：1、創建一個 FIS (Fuzzy Inference System ) 對象，a = newfis(fisName,fisType,andMethod,orMethod,impMethod, aggMethod,defuzzMethod)一般只用提供第一個參數即可，後面均用默認值。2、增加模糊語言變數a = addvar(a,'varType','varName',varBounds)模糊變數有兩類：input 和 output。在每增加模糊變數，都會按順序分配一個 index，後面要通過該 index 來使用該變數。3、增加模糊語言名稱，即模糊集合。a = addmf(a,'varType',varIndex,'mfName','mfType',mfParams)每個模糊語言名稱從屬於一個模糊語言。Fuzzy 工具箱中沒有找到離散模糊集合的隸屬度表示方法，暫且用插值後的連續函數代替。參數 mfType 即隸屬度函數(Membership Functions)，它可以是 Gaussmf、trimf、trapmf等，也可以是自定義的函數。每一個語言名稱也會有一個 index，按加入的先後順序得到，從 1 開始。4、增加控制規則，即模糊推理的規則。a = addrule(a,ruleList)
其中 ruleList 是一個矩陣，每一行為一條規則，他們之間是 ALSO 的關系。假定該 FIS 有 N 個輸入和 M 個輸出，則每行有 N+M+2 個元素，前 N 個數分別表示 N 個輸入變數的某一個語言名稱的 index，沒有的話用 0 表示，後面的 M 個數也類似，最後兩個分別表示該條規則的權重和個條件的關系，1 表示 AND，2 表示 OR。例如，當「輸入1」 為「名稱1」 和 「輸入2」 為「名稱3」 時，輸出為 「 輸出1」 的「狀態2」，則寫為：[1 3 2 1 1]5、給定輸入，得到輸出，即進行模糊推理。output = evalfis(input,fismat)其中 fismat 為前面建立的那個 FIS 對象。一個完整的例子如下：clear all;
a = newfis('myfis');a = addvar(a,'input','E',[0 7]);
a = addmf(a,'input',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'input',1,'big','trimf',[1.6667 6 7]);a = addvar(a,'output','U',[0 7]);
a = addmf(a,'output',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'output',1,'big','trimf',[1.6667 6 7]);rulelist = [1 1 1 1;
2 2 1 1];
a = addrule(a,rulelist);u = evalfis(4,a)其結果為：u = 4.221