基于相似度的广义模糊推理方法及其权重确定

本文主要探讨了基于相似度的信息权重模糊推理方法，这是在2008年由孟艳平针对陈永义等人的模糊集特征展开近似推理方法进行的进一步发展。该研究的核心在于构建一种广义的模糊集特征展开推理模型，这种模型本质上是一种基于模糊信息相似度的加权模糊推理方式。这种方法相较于传统的CRI（Zadeh的模糊推理方法）和I.B. Turksen的基于相似性推理，具有显著的优势。 CRI方法依赖于模糊关系矩阵，而本文提出的模型则简化了这一过程，只需要考虑规则前件中的模糊信息与观测事实之间的相似度，这使得推理过程更为直观和灵活。模糊集特征展开近似推理方法的优点在于，它不仅简化了推理合成计算，还揭示了模糊推理的本质，有助于深入理解模糊逻辑在决策和控制中的作用。 孟艳平的工作着重于将模糊推理规则与模糊信息的权重相结合，通过设计一种基于模糊信息的权重确定方法，使得推理结果更具针对性和精确性。这种方法可能涉及到对模糊集的隶属函数进行量化处理，以适应不同情况下的相似度计算。此外，文章还讨论了多元模糊推理中的特征展开法，即如何处理具有多个变元的模糊推理规则，以及如何根据给定的事实来求解结论模糊子集。 这篇文章对模糊推理领域的理论和实践都有所贡献，特别是在提高推理效率、降低复杂度和增强解释性方面。通过这种方法，模糊控制在更多领域得到了广泛应用，并促进了模糊逻辑研究的深化和发展。对于从事人工智能、控制理论或计算机科学的读者来说，理解和掌握这种基于相似度的加权模糊推理方法是非常有价值的。