⑴ 多层次模糊评判的基本思想和数学模型
6.3.1.1 单因素模糊评判
单独从一个因素出发，评判评价对象对评价某元素的隶属度，称为单因素模糊评判。假设对因素集中ui进行评判，对其评价集中vj的隶属度为rij，用模糊集合可表示为：
Ri＝（ri1ri2…rin）
Ri称为单因素集。以各单因素评价集的隶属度为行组成的矩阵：
煤储层精细定量表征与综合评价模型
称为单因素矩阵。由于RIJ表示UI和VJ之间隶属度，称R为从U到V的模糊关系。
6.3.1.2 单层次综合评价模型
设有两个有限集：因素集U＝（u1u2…un）和评价集V＝（v1v2…vn）。若R是U与V之间的一个模糊关系，且U上的模糊集为：
煤储层精细定量表征与综合评价模型
V上的模糊集为：
则对该评判对象的综合评判结果为：
A=（a1，a2，…，an）
其中：
（∨，∧）为模糊交换中的广义算子；是模糊矩阵的合成规则。上式称为单层次综合评判模型。实标上，该模型是以（ABR）构成的三维模型。A为因素集U上的权重；R为从因素集u倒评价集V的一个模糊映射；B为评价结果，bj的含义是综合考虑所有因素的影响时，评价对象对评价集中第j个元素的隶属度。
6.3.1.3 多层次模糊评判模型
煤层气地质综合评价是一个多因素、多层次的复杂系统，必须用多层次模糊综合评价模型进行处理。多层次模糊综合评价，是以单层次评价为核心，先构成若干个评价小组的单层次评价子集，再以评价小组的评价子集为新的节点，进行高一层次的评价。
支级模糊综合评判时的单因素评判，应为相应的上一级模糊综合评判，故多级（以二级为例）模糊综合评判的单因素评判矩阵，应为：
煤储层精细定量表征与综合评价模型
其中：rik=bjk（i=1，2，3，…，p）。
于是二级模糊综合评判集为：
煤储层精细定量表征与综合评价模型
其中：
类似地，可以构成多段模糊评判模型。
由于不同层次中节点的权系数、算子模型不同，多层次模糊数学综合评判并不是单层次的简单叠加。
6.3.1.4 多层次模糊综合评价
以评价小组为单元所进行的单层次综合评价所获得的评价结果可以作为下一层次上述因素对自身评语的评价，即为所在层次小组的单因素对自身评语评价矩阵中的一个行向量R（uj），故任一层次的评价矩阵可表示为：
Ri=（Ri（ui）Ri（u2）…Ri（un））
对于给定的权重：
Ai=（A11，A12，…，A1n）
多层次综合评判即为：
Riz=Ai?Ri
⑵ 把图像变模糊的算法一般是怎样实现的
第一步：先复制背景图层。第二步：滤镜——模糊——高斯模糊（数值大小跟据你想要的效果定）第三步：为复制北影图层添加蒙版，再用画笔工具擦出你想要的清楚的地方！
⑶ 什么叫模糊控制算法
模糊控制技术是利用模糊控制算法控制变频器的电压和频率的一种技术，通过模糊控制技术可使被控电动机的升速时间得到控制，以避免升速过快对电动机使用寿命的影响以及升速过慢而影响工作效率。
⑷ 模糊算法路径规划C语言实现的程序，感激不尽。
仅供参考~
#define MAX_VERTEX_NUM 100 //最大顶点数
#define MAX_INT 10000 //无穷大
typedef int AdjType;
typedef struct{
int pi[MAX_VERTEX_NUM];//存放v到vi的一条最短路径
int end;
}PathType;
typedef char VType; //设顶点为字符类型
typedef struct{
VType V[MAX_VERTEX_NUM]; //顶点存储空间
AdjType A[MAX_VERTEX_NUM][MAX_VERTEX_NUM]; //邻接矩阵
}MGraph;//邻接矩阵表示的图
//Floyd算法
//求网G（用邻接矩阵表示）中任意两点间最短路径
//D[][]是最短路径长度矩阵，path[][]最短路径标志矩阵
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++){//进行n次试探
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的后继
}
}
}
}
}
int main(){
int i,j,k,v=0,n=6;//v为起点，n为顶点个数
MGraph G;
int path[MAX_VERTEX_NUM][MAX_VERTEX_NUM];//v到各顶点的最短路径向量
int D[MAX_VERTEX_NUM][MAX_VERTEX_NUM];//v到各顶点最短路径长度向量
//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++){//输出每对顶点间最短路径长度及最短路径
for(j=0;j<n;j++){
printf("V%d到V%d的最短长度:",i,j);
printf("%d\t",D[i][j]);//输出Vi到Vj的最短路径长度
k=path[i][j];//取路径上Vi的后续Vk
if(k==-1){
printf("There is no path between V%d and V%d\n",i,j);//路径不存在
}else{
printf("最短路径为:");
printf("(V%d",i);//输出Vi的序号i
while(k!=j){//k不等于路径终点j时
printf(",V%d",k);//输出k
k=path[k][j];//求路径上下一顶点序号
}
printf(",V%d)\n",j);//输出路径终点序号
}
printf("\n");
}
}
system("pause");
return 0;
}
⑸ 什么是模糊算法
通过对现实对象的分析，处理数据并构建模糊型数学模型。用隶属关系将数据元素集合灵活成模糊集合，确定隶属函数，进行模糊统计多依据经验和人的心理过程，它往往是通过心理测量来进行的，它研究的是事物本身的模糊性
⑹ 什么是模糊预测算法啊
模糊预测控制算法
Fuzzy Prediction Control Algorithm
翟春艳 李书臣
摘 要：模糊预测控制(FPC)是近年来发展起来的新型控制算法,是模糊控制与预测控制相结合的产物.文章在预测控制的模型预测、滚动优化、反馈校正机理下,对模糊预测控制模型及其优化控制算法作了归纳,并对模糊预测控制今后的发展进行了展望.
模糊表的一部分，就是个数组，多少个输入就做个几维数组就可以了(3514字)liyu2005[28次]2004-3-20 18:16:07
unsigned char outputs[MF_TOT], // 模糊输出mu值
fuzzy_out; // 模糊控制值
unsigned char input[INPUT_TOT] ={ // 模糊输入
0, 0
};
unsigned char code input_memf[INPUT_TOT][MF_TOT][256]={
// 输入功能函数
{
{ // 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 请问模糊综合评价法在遇到存在两级指标的情况时需要做几次归一化
通产品用性测试我能收集诸定量数据比：任务确率、求助数、任务完间用户主观满意度等面数据并能通任务完观察测试与参加者交流获些定性数据(用性问题优点)进通些数据统计获知测产品总体用性状况由于些度量指标具同属性其所进行简单统计足形产品用性衡量标准层模糊综合评价(AHP)我处理些评价数据提供种用量化统计式获用户体验质量综合性评判与灰色关联同：灰色关联更侧重于产品设计案或者间版本进行比较其建立比较基础层综合评价则单产品或设计案用性进行衡量量化 评事物属性明确我根据模糊隶属度函数评事物相关素合理量化使模糊环境评价综合性及合理性面保证并通层确定评价素权重结合总结性测试两面凋整进建立模糊综合评估模型产品体验质量进行衡量 层综合评价基本思路：首先确立评价指标体系设定评价集并确立评价素隶属度函数;通层确定评价素权重;产品体验质量进行综合评判 1. 何确定评价集隶属度函数： 首先需要确定针各指标评价集={v1v2&#;vn｝及评价素隶属度函数般采用梯形布及半梯形布构造隶属度函数符合用户体验质量渐变连续特点指标评价标准5等级(差差般)即定义用户体验质量等级假设A指标评价集模糊集隶属度函数： 函数v用户测试获相关指标用性结数据;v1、v2、v3、v4、v5、v6各评价标准等级阈值针任务完率等阈值别0、0.3、0.6、0.8、0.95、1针问卷评阈值别1、2、3.5、5.5、6.5、7; c1、c2、c3、c4、c5别区间 (v1 v2)、(v2 v3)、(v3 v4)、(v4 v5)、(v5 v6)值 举例： 假设经测试某位用户任务完率0.该用户任务完率作v代入述隶属度函数取 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.则该用户任务完率模糊集{A1、A2、A3、 A4、A5｝{0、0、0、0.8、1｝测试所用户任务完率模糊集进行合并则任务完率模糊矩阵 点说明： 针任务完间、操作路径度等些指标确定相统阈值需要进行转换转换公式： 其x&rsuo;转换数值x转换前数值E针该指标期望值或者说产品预期达数值经转换些指标阈值统 {v1、v2、v3、v4、v5、v6｝={0、0.3、0.6、0.8、0.95｝ 2. 何确定评价素权重： 评价素权重需针具体指标体系进行设置假设前级评价指标包含n素n素两两进行比评价素权重矩阵A： aij表示素Ai相于素Aj重要程度比符合：①aij=1(i=j);②aji=1/aij;③aij通saaty1-9比率标度确定具体： 判断矩阵权重值wi根据积进行计算计算： 我采用致性比率CR判断矩阵致性进行检验CR定义： 其λx判断矩阵特征值 RI已知平均致性指标判断矩阵阶数23RI值别00.58CR于等于0.1 判断矩阵具良致性否则需要判断矩阵进行重新调整 举例： 假设我整评价体系包含产品交互数据评价交互数据包含效效率两指标获取针交互数据评价素权重我首先需要请产品专家用性工程师交互数据两评价指标按照1-9比率标度进行两两比较评价结&ro;效&ro;素&ro;效率&ro;素比较同等重要稍微重要点间即&ro;效&ro;比&ro;效率&ro;评价结2根据层确定关于交互数据评价素权重矩阵结： 我整产品评价体系能交互数据评价素整评价体系建立： 我需要按照述再依用户满意度观察者评估评价素权重进行计算用户满意度、观察者评估及总用户体验质量评估权重矩阵 至用户评价集评价素权重都已确定我要做两部结进行综合即终体验质量总体评价结 3. 何进行层模糊评价： 首先我需要第步已获用户评价隶属度矩阵进行归化处理：先每位用户数据隶属度数据进行合计针每评价指标用户各评价等级数据累加值Cj(j=12345);Cj进行归化处理具体： 任务完率(效性指标)例假设用户任务完率、隶属各等级数据及通归化处理数据表(表数据均假设数据) 用同获所级指标归化rj确定级模糊评判矩阵假设针任务完间(效率指标)其归化rj{0. 0. 0. 0. 0.}交互数据(包括效效率两指标)级模糊评判矩阵即： 评价素权重级模糊评判矩阵进行合级指标综合评判结采用合算： bj计算完针级指标(比交互数据)综合评判结：B1=(b1 b2 b3 b4 b5)用假设数据进行计算结 B1=(0. 0. 0. 0. 0.)同用户满意度观察者评价假设数据进行计算用户满意度B2=(0 0. 0. 0. 0.)观察者评价B3=(0 0 0. 0. 0.) 级指标综合评判结作二级评判模糊矩阵获产品综合用户体验质量模糊评判矩阵： 通用户体验质量总体评价素权重二级模糊评判矩阵进行合(合算同)用户体验质量综合评判结 B=(0. 0. 0. 0. 0.) 评价集作相应等级赋值(9582般67差50差31)即直观百制评价结相应转换公式： 用假设数据 B=(0. 0. 0. 0. 0.)代入a=83.22处于良等级 于总体用户质量百制评价转换适用于各级指标体系比：交互数据、用户满意度等进步发现其产品体验质量究竟哪部发问题 总体说模糊评价应用符合用户体验质量边界明确特点弥补由于用性用户体验模糊属性所带评估能偏差 系列文章：产品用户体验质量模糊评价（1）灰色关联 文章源：网易用户体验设计 转载请注明处链接
⑻ 求模糊控制算法，汇编语言编写的，关于温度控制的！感谢
模糊控制比较常用的两种算法；普通模糊控制算法，模糊PID控制算法
普通模糊控制算法：建立在人工经验知识的基础上，需要明确控制要求，并结合人工控制经验，然后才可以做出实用的模糊控制算法。虽然有很多样板经验表可以使用，但还需要根据实际控制对象做些修改，才可使用。
模糊PID控制算法：对人工经验要求的比较少，但需要结合PID控制经验和现场试验数据，才能做出好的控制算法。
编程原理：只讲普通模糊控制算法，模糊PID自己去找资料，模糊PID太容易实现，故不再赘述。
下面一至六步，我只说了一些计算过程，它们可以使用matlab完成，实现起来比较简单，只把matlab计算得到的表格放到模糊控制程序里即可，也就是说借助matlab编写模糊控制算法只需要进行第一、二、七步的操作。
第一步：收集模糊经验，分条列出，可以暂时使用样板经验表（经验表和分条列出的经验是相通的）。
第二步：确定各模糊集合隶属度函数
第三步：取一组输入输出数据组合，它们中的各元素，按照一条模糊规则中模糊变量组合和各自隶属度函数分别模糊化，然后各变量通过模糊运算得到一个值，这个值就是当前组合对当前规则的匹配度。同样，算出这个数据组合对其余各条模糊规则的匹配程度，也就是匹配值。最后对每个匹配值，进行模糊或运算，得到的数据u
第四步：分别取各输入输出数据组合进行第三步操作，然后得到一个n维表（n为输入，输出变量个数），每个单元对应一个数据组合，单元中的取值对应数据组合的u值（u的算法参考第三步）
第五步：任取一组输入组合，遍历输出值，根据第四步的表格得到对应的一组u值，根据下面公式计算输出：y=/其中yi是第i个可能的输出量取值，ui是与yi对应的u值。
第六步：对每一组可能的输入组合，得到各自的输出值y，然后把他们列出一个表，大功即成。这个表就是输入与输出的映射表。前几步的目的就是得到这个表，我们称之为模糊控制查询表。
第七步：编写模糊控制查询表的查询程序，亦可以看成模糊控制算法计算程序，其实就是一个查表程序。到此模糊控制算法编写完成。
模糊控制过程中，首先采集数据，离散化，查表得到输出值，输出查表所得的输出值，模糊控制器工作完成。
其实对复杂控制系统，模糊控制的难点在于模糊经验的收集与修正。
⑼ 高斯模糊
参考文献：阮一峰的网络日志
通常，图像处理软件会提供"模糊"（blur）滤镜，使图片产生模糊的效果。
"模糊"的算法有很多种，其中有一种叫做 "高斯模糊" （Gaussian Blur）。它将 正态分布 （又名"高斯分布"）用于图像处理。
本文介绍"高斯模糊"的算法，你会看到这是一个非常简单易懂的算法。本质上，它是一种 数据平滑技术 （data smoothing），适用于多个场合，图像处理恰好提供了一个直观的应用实例。
一、高斯模糊的原理
所谓"模糊"，可以理解成每一个像素都取周边像素的平均值。
上图中，2是中间点，周边点都是1。
"中间点"取"周围点"的平均值，就会变成1。在数值上，这是一种"平滑化"。在图形上，就相当于产生"模糊"效果，"中间点"失去细节。
显然，计算平均值时，取值范围越大，"模糊效果"越强烈。
上面分别是原图、模糊半径3像素、模糊半径10像素的效果。模糊半径越大，图像就越模糊。从数值角度看，就是数值越平滑。
接下来的问题就是，既然每个点都要取周边像素的平均值，那么应该如何分配权重呢？
如果使用简单平均，显然不是很合理，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远。因此，加权平均更合理，距离越近的点权重越大，距离越远的点权重越小。
二、正态分布的权重
正态分布显然是一种可取的权重分配模式。
在图形上，正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。
计算平均值的时候，我们只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。
三、高斯函数
上面的正态分布是一维的，图像都是二维的，所以我们需要二维的正态分布。
正态分布的密度函数叫做 "高斯函数" （Gaussian function）。它的一维形式是：
[图片上传失败...(image-930400-1530695631723)]
其中，μ是x的均值，σ是x的方差。因为计算平均值的时候，中心点就是原点，所以μ等于0。
[图片上传失败...(image-b4ad84-1530695631723)]
根据一维高斯函数，可以推导得到二维高斯函数：
[图片上传失败...(image-24fac0-1530695631723)]
有了这个函数 ，就可以计算每个点的权重了。
四、权重矩阵
假定中心点的坐标是（0,0），那么距离它最近的8个点的坐标如下：
更远的点以此类推。
为了计算权重矩阵，需要设定σ的值。假定σ=1.5，则模糊半径为1的权重矩阵如下：
这9个点的权重总和等于0.4787147，如果只计算这9个点的加权平均，还必须让它们的权重之和等于1，因此上面9个值还要分别除以0.4787147，得到最终的权重矩阵。
五、计算高斯模糊
有了权重矩阵，就可以计算高斯模糊的值了。
假设现有9个像素点，灰度值（0-255）如下：
每个点乘以自己的权重值：
得到
将这9个值加起来，就是中心点的高斯模糊的值。
对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯模糊。
六、边界点的处理
如果一个点处于边界，周边没有足够的点，怎么办？
一个变通方法，就是把已有的点拷贝到另一面的对应位置，模拟出完整的矩阵。
七、参考文献