Ⅰ 求翻译The final 3D model used a ranked fuzzy logic.......
最终的三维模式所用的是“模糊逻辑排序技术/算法”（ranked fuzzy logic technique），那是基于（用以约束三维预测图的发展）的二维“证据权法”（weights of evidence）模式，再重新调整它的排序。
～～～～～纯人手翻译，欢迎采纳～～～～～
（非技术专业，仅供参考）
猜 ranked 及 ranking 是指将数据排序
原文连上下文如下：
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 什么是粗糙集
在自然科学,社会科学与工程技术的很多领域中,都不同程度地涉及到对不确定因素和不完备信息的处理.从实际系统中采集到的数据常常包含着噪声,不精确甚至不完整,采用纯数学上的假设来消除或回避这种不确定性,效果往往不理想,反之,如果正视它,对这种信息进行适当地处理,常常有助于实际系统问题的解决.多年来,研究人员们一直在努力寻找科学地处理不完整性和不确定性的有效途径,实践证明,1965年Zadeh创立的模糊集理论与1982年Z.Pawlak倡导的粗糙集理论是处理不确定性的两种很好的方法.事实上,除了上述两种方法外,基于概率统计方法的证据理论也是处理不确定性的一种有效方法.这些众多的方法都属于软计算(Soft Computing)的范畴.软计算(Soft Computing)的概念是由模糊集理论的创始人Zadeh提出的,软计算(Soft Computing)的主要工具包括粗糙集(Rough sets),模糊逻辑(Fuzzy Logic),神经网络(Nerve Network),概率推理(Probability Reasoning),信度网络(Belief Network),遗传算法(Genetic Arithmetic)与其它进化优化算法,混沌理论(Chaos)等.传统的计算方法即所谓的硬计算(Hard Computing),使用精确,固定和不变的算法来表达和解决问题,而软计算(Soft Computing)的指导原则是利用所允许的不精确性,不确定性和部分真实性得到易于处理,鲁棒性强和成本较低的解决方案,以便更好地与现实系统相协调.与其它方法相比,粗糙集方法的最大优点是不需要附加信息或先验知识,这一点是其它方法无法做到的,如模糊集方法与概率统计或证据理论方法中,往往需要模糊隶属函数,基本概率指派函数(Basic Probability Assignment,BPA)和有关统计概率分布等,而这些信息有时并不容易得到.正是基于这一优点,粗糙集理论得以迅速兴起,并逐渐成为人工智能界以及其它处理不确定性领域的研究热点.
众所周知,粗糙集与模糊集是两种主要的,应用最为广泛的处理不确定性的方法,它们各有优,缺点,如何有效地将它们结合,使它们优势互补,同时克服它们各自的缺点,将是很有兴趣的研究课题.它们的结合涉及到许多问题,如它们的关系问题,它们是互相独立的还是互为从属,对这一问题的回答众说不一,有的作者认为粗糙集是泛化的模糊集,如Z.Pawlak,有的作者持否定态度甚至相反观点,如M.Wygralak.对此,本人在借鉴了他们的方法之后,提出了属于自己的观点.两种方法的结合产生了粗糙模糊集(Rough Fuzzy Sets)与模糊粗糙集(Fuzzy Rough sets),这是两种不同的结合观.前者是从粗糙集的角度研究模糊集,而后者侧重于从模糊集的角度去刻画粗糙集.
本文的安排如下,第一章与第二章分别简单介绍粗糙集与模糊集,第三,四章分别介绍粗糙模糊集(Rough Fuzzy Sets)与模糊粗糙集(Fuzzy Rough sets),第五章介绍粗糙集模糊化的一种新方法,试图理清粗糙集与模糊集的关系.
第一章 粗糙集理论简介
第一节 粗糙集理论的产生与应用背景
在20世纪70年代,波兰学者Z.Pawlak和一些波兰科学院,波兰华沙大学的逻辑学家们,一起从事关于信息系统逻辑特性的研究,粗糙集理论就是在这种研究的基础上产生的.1982年,Z.Pawlak发表了经典论文Rough Sets [2],宣告了粗糙集理论的诞生,此后,粗糙集理论引起了许多数学家,逻辑学家和计算机研究人员的兴趣,他们在粗糙集的理论和应用方面做了大量的研究工作.1991年Z.Pawlak的专着[3]和1992年的应用专着[4]的出版,对这一段时期理论和实践的成果做了较好的总结,同时促进了粗糙集在各个领域的应用.此后召开的与粗糙集有关的国际会议进一步推动了粗糙集的发展,越来越多的科技人员开始了解并准备从事该领域的研究.目前,粗糙集已成为人工智能领域中一个较新的学术热点,在机器学习,知识获取,决策分析,过程控制等许多领域中得到了广泛的应用.
一,粗糙集理论处理的问题
粗糙集以其独到的方法能有效地处理许多涉及不确定性的问题,这些问题包括:
(1),不确定或不精确知识的表达,
(2),经验学习并从经验中获取知识,
(3),不一致信息的分析,
(4),根据不确定,不完整的知识进行推理,
(5),在保留信息的前提下进行约简,
(6),近似决策分类,
(7),识别并评估数据之间的依赖关系.
特别应该提到的是约简,决策分类以及识别并评估数据之间的依赖关系,粗糙集理论在不需要任何附加信息或先验知识的前提下可以非常有效地处理这些问题.
二,粗糙集理论与数学的关系
前面已经提到,粗糙集属于软计算的范畴,从这个角度来看,粗糙集是继模糊集之后经典集合论的又一发展分支.但由于粗糙集是在近似空间上进行推理与分析问题,这一特点使它失去了作为经典数学的许多有关确定性的特征.关于粗糙集理论的数学特征的研究已有许多,其中很多着眼于粗糙集的代数特征的研究,也有作者用公理化方法与结构化方法来刻画粗糙集理论.但本人认为,这众多的粗糙集理论的数学特性的研究尚未使人们真正认识清楚粗糙集的数学结构面目.关于这一方面的研究尚有许多课题,如怎样将约简过程数学化等等.
==========================================================
枫舞叶飞:这是一本书的前言部分,应该可以解决你的概念问题以及模糊集和粗糙级的区别联系问题..另外,问一下您是不是研究生?是不是开学有课题项目啊?好多问研究问题的哦~~~
Ⅲ matlab simulink中的fuzzy模块有没有解模糊过程
1、首先要做好.fis文件，具体做法就是在workspace中输入函数实现或者输入fuzzy，有GUI界面的模糊工具箱，很方便。
2、在simulink里新建一个文件，打开Fuzzy工具箱，将Fuzzy Logic Controller拖动至空白文档中，添加好输入输出，有必要的画添加上几个增益，作为量化因子以改变加权程度。
3、在workspace中用readfis（）函数读取已经写好的.fis模糊推力矩阵，具体如下：
>> myFLC=readfis('D:\\My Documents\MATLAB\relese\gh_Fuzzyhotel.fis')
然后双击simulink文档中的Fuzzy Logic Controller，在FIS File中输入myFLC即可。
4、设置仿真参数，进行仿真即可。
之所以总结此步骤是因为本人花了两小时将一个很简单的模糊控制器的控制曲线画出来却画的乱七八糟，翻阅书籍、上网询问最后得到以上步骤的。希望其他同学少走弯路。
另外，simulink的scope得到的曲线要想弄到Word里去，可以参考一下以下方法：
在simulink文档中增加to workspace模块，然后双击之，将save format改为array，确定。然后开始仿真。仿真结束后在workspace中用plot（simout）命令即可绘制出漂亮的图，然后edit》 figure 。其中simout为to workspace的变量名，可以双击之改变。
Ⅳ sugeno fuzzy logic method是什么算法
功能型工具箱主要用来扩充MATLAB的符号计算功能、图形...5)模糊逻辑工具箱(Fuzzy Logic Toolbox)。 * ...* 自适应神经—模糊学习、聚类以及Sugeno推理
Ⅳ 主板BIOS无超频选项,用什么软件进行CPU超频如何用
一、微星的Fuzzy Logic
微星好像是第一家将超频软件应用在其主板上的厂商，不过目前这款软件只
能用在微星的i820主板和6163－Master主板上，6163 Pro和6309都没法用。
Fuzzy Logic的界面做得相当漂亮，就像一个悬浮在桌面上的方向盘，相当前
卫（如图1）。这款软件全部是图形化的界面，初一看，感觉好像找不到方向，再
细看，发现可调选项并不多。一共有8个键可按，其中只有两项和超频有关。Min
键是将其缩至任务栏上的键，Exit键是退出，L1键是显示CPU的L1级缓存，L2键是
显示CPU的L2级缓存，CPU键是显示CPU的相关信息，About键是显示版本信息，剩
下的Auto键和Go键才是和超频相关的。
Fuzzy Logic是自动超频程序，连设置都不可用，运行这个程序就可以了。它
会自动侦测（Auto）、反复测试出你的系统可以超频且稳定、正常工作的上限，
然后按一下Go键，让不会（不敢）超频、但又想让计算机跑快一点的初学者，也
能享受超频的快感。因此像Fuzzy Logic这样的傻瓜超频软件很适合初学者使用，
但似乎缺少了手动调整的乐趣。
微星新的i815E Pro（采用i815E芯片）主板还将Fuzzy Logic自动超频软件进
行改进，推出了FuzzyⅡ，除了界面更酷，功能更全外，还将系统硬件监控的功能
也集成到了其中，喜爱超频的用户这下可好好超一下了。
二、技嘉的EasyTuneⅢ
技嘉在其最新的i815系列芯片的主板中推出这款超频软件——Easy TuneⅢ。
Easy TuneⅢ打开后，样子也是怪怪的，它有两种模式，一是Easy Mode（简
单模式），一个是Advance Mode（高级模式）。
在Easy Mode下，当你按了Default后，Easy TuneⅢ将自动侦测出最合适的频
率，设置完毕，一切便极其的傻瓜化（如图2）。
在Advance Mode下，你将有更多的手动调节选项，你可以自定义外频，一频
一频的调节，然后键GO键，死不死机，就要看你的CPU耐不耐超了（如图3）。
三、BP6SFB
闲来无事，又在网上转了转，找到了一款专用超频软件，叫做BP6SFB，是国
外的一些发烧友专门为升技的BP6主板制作的BP6专用版的“SoftSFB”，相当迷你
化，当然也只支持升技的BP6主板，功能也不多，但是该有的功能也都有了（如图
4）。
如果你有兴趣，也可以上网去找找自己的主板，有没有人专门为其制作超频
程序呢？
四、CPU Boost
这款软件的名声没有SoftSFB大，我也是费了一番劲在一大堆的软件中将其找
了出来，下载的体积也不太大，122KB。
用WinZip解压后，就可以直接使用了，CPU Boost的图标是一只黄色的小蟹(
如图5)，让人联想起Realtek的产品来，它们也用的是一只类似的小蟹做为商标。
不知两者之间有无关联。
不过相当的可惜，这款软件似乎长时间地没有升级了，目前的版本是1.03，
无法识别出我这里升技BP6、微星6163 Pro主板和梅捷SY6BA＋的时钟芯片，于是
它强行将一款时钟芯片套用到我的升技BP6、微星6163 Pro和梅捷SY6BA＋上，进
入软件后，所有选项是虚的，无法进行设置。
在这一点上，CPU Boost做的就比SoftSFB要差多了，假如SoftSFB无法识别某
款时钟芯片或主板，至少还有机会去网上下载数据包更新，或是自己作者一个数
据包，而CPU Boost却一点机会也没给我们，干脆就不能使用。这款软件也没有R
eadme或是Help文件，让人很迷惑。
由于没能用起来，所以也不太好评判这款软件的性能。但从其菜单设置上来
看，比SoftSFB简单，也是通过拉杆的方式来进行超频，其核心和SoftSFB一样，
也是通过对时钟发生芯片的操作，来达到超频的目的
Ⅵ 模糊逻辑（fuzzy logic）和人工智能（AI）有差别吗
Fuzzy Logic是人工智能里面的一个分支。传统的AI是基于一些"清晰"的规则。这个"清晰"是相对于没有Fuzzy Logic方法的人工智能, 给出的结果往往是很详细的，比如一个具体的房价预测值。
模糊逻辑用来模拟人的思考方式，对预测的房价值给出一个类似是高了还是低了的一个结果。
[1] Foundations of Fuzzy Logic http://www.mathworks.com/help/fuzzy/foundations-of-fuzzy-logic.html
Ⅶ 英文文献手动翻译 跪求翻译帝！！
首先要注意的过程一小步一小步是最大限度地利用现有的扭矩是最小值当转子后从一步转向下一步。决定了这个最低的运行扭矩,最大的扭矩电机可以驾驶它慢慢向前步骤。对普通的two-winding永磁电动机和理想的正弦扭矩与位置曲线和控股扭矩h的时候,这个意愿
是氢/(7)。如果电机驱动了两个绕组的,这对理想的运行扭矩two-winding永磁电机将一样的single-winding控股扭矩。值得注意的是,在较高的步进速度
操作扭矩有时可定义为撤军扭矩。由此产生的轨迹类似于一个显示在图5。
谐振频率的电机转子取决于幅值的振荡;而作为振幅减少,谐振频率上升到
一个定义明确的方法的频率。正式,就可以计算共振方法如下。首先,回忆牛顿定律为角加速度:
μA T =
在应用于转子,T扭矩μ惯性矩的转子和负载和角加速度、按弧度/每秒。我们假定对小振幅,
转矩对转子近似为一个线性功能的平衡位置偏移。因此,虎克定律运用:
kΘ−T =
在k的“弹簧的不变的”系统,扭矩单元每弧度,Θ角位置的转子,按弧度。
我们可以把两公式的扭矩μA =−得到:kΘ。注意,加速二阶微分的位置相对于时间:d2Θ/ dt2),因此我们可以重写这上述在微分方程形式:d2Θ/ dt2 =−(k /μ)Θ。为了解决这个问题,回忆,对于:女(t)=赎罪bt.他衍生品是:
注意到,在这个讨论中,我们假设转子共鸣。因此,它有一个的运动方程类似:
罪(=Θ2πft)
是角振幅的共振;如果共振频率。这是一个允许上述微分方程的解,如果我们同意:
在实践中,这振动问题会造成重大的步进率接近一个固有的谐振频率系统;结果频发、无法控制的随机运动。模糊逻辑控制器提供了一种运算,
它把语言控制,基于专家知识成自动控制策略[13]。因此,模糊逻辑算法是近多了
精神上的人类思维的逻辑系统比传统[5,14]。主要的问题与模糊控制器产生相关的选择
调节器参数
Ⅷ 求个英语翻译
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). 本研究比较了用于类肌肉受驱动臂的三种不同算法，这种受驱动臂是为复制两个自由度（df）运动而开发的，而两个自由度就是：屈肘/伸肘（f/e），以及前臂的旋前/旋后（p/s).
Electromyogram (EMG) is employed to help determine the control signal used to actuate the muscle cylinders.采用了肌电图（EMG）来帮助确定用于促动肌肉圆柱的控制信号。
Three different types of control strategies were attempted. 尝试了三种不同类型的控制策略。
The first algorithm used fuzzy logic with EMG signals and position error as control inputs (Fuzzy Controller). 第一种算法采用模糊逻辑，而EMG信号和位置误差作为控制输入（模糊控制器）。
The second algorithm incorporated moment arm information into the existing fuzzy logic controller (Fuzzy-MA Controller). 第二种算法将力矩臂信息结合进已有的模糊逻辑控制器中（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)第三种算法是一种常规的比例积分微分（PID）控制器，它仅根据位置误差和积分误差而工作（PID控制器）。
Ⅸ 模糊数学算法软件
matlab里面没有模糊软件包吗？ http://www.mathworks.com/procts/fuzzylogic/
用 Matlab 中的 Fuzzy 工具箱做一个简单的模糊控制，流程如下：1、创建一个 FIS (Fuzzy Inference System ) 对象，a = newfis(fisName,fisType,andMethod,orMethod,impMethod, aggMethod,defuzzMethod)一般只用提供第一个参数即可，后面均用默认值。2、增加模糊语言变量a = addvar(a,'varType','varName',varBounds)模糊变量有两类：input 和 output。在每增加模糊变量，都会按顺序分配一个 index，后面要通过该 index 来使用该变量。3、增加模糊语言名称，即模糊集合。a = addmf(a,'varType',varIndex,'mfName','mfType',mfParams)每个模糊语言名称从属于一个模糊语言。Fuzzy 工具箱中没有找到离散模糊集合的隶属度表示方法，暂且用插值后的连续函数代替。参数 mfType 即隶属度函数(Membership Functions)，它可以是 Gaussmf、trimf、trapmf等，也可以是自定义的函数。每一个语言名称也会有一个 index，按加入的先后顺序得到，从 1 开始。4、增加控制规则，即模糊推理的规则。a = addrule(a,ruleList)
其中 ruleList 是一个矩阵，每一行为一条规则，他们之间是 ALSO 的关系。假定该 FIS 有 N 个输入和 M 个输出，则每行有 N+M+2 个元素，前 N 个数分别表示 N 个输入变量的某一个语言名称的 index，没有的话用 0 表示，后面的 M 个数也类似，最后两个分别表示该条规则的权重和个条件的关系，1 表示 AND，2 表示 OR。例如，当“输入1” 为“名称1” 和 “输入2” 为“名称3” 时，输出为 “ 输出1” 的“状态2”，则写为：[1 3 2 1 1]5、给定输入，得到输出，即进行模糊推理。output = evalfis(input,fismat)其中 fismat 为前面建立的那个 FIS 对象。一个完整的例子如下：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)其结果为：u = 4.221