python调用scikit-fuzzy实现模糊推理的说明（二）

在我的上一篇博客中，对scikit-fuzzy的调用进行了简要说明，并用一个大佬常用的案例进行了说明，在近期的学习中，发现了skfuzzy中的其他功能，包括参考值的自动设置和可视化展示，下面分被进行介绍。

同样的，还是经典的2个输入，1个输出，3个参考值，9条规则，相比于上一篇博客，我们对输入相对于参考值的隶属度函数进行详细介绍。并进行可视化展示。

相比于传统的人工设置（程序如下），实现参考值的自动设置无疑大大降低了模糊推理的入门难度。
人工设置代码如下：

# 输出设置3个参考值
y['N'] = fuzz.trimf(y_range, [1, 1, 5])
y['M'] = fuzz.trimf(y_range, [1, 5, 10])
y['P'] = fuzz.trimf(y_range, [5, 10, 10])

自动设置代码如下

x_stain.automf(3)  # 设置3个参考值，自动生成
x_oil.automf(3)

其中需要设置参考值个数

对于输出，我们设置了3个参考值，采用的是三角形隶属度函数，其中三个参数分分别对应三角隶属度函数的【左下，上，右下】。其可视化如图1。可视化程序如下所示：

# 参考值设置可视化
x_stain.view(), x_oil.view(), y.view()

对于2个输入，我们采用skfuzzy库的函数自动生成，本案例中所生成的是梯形隶属度函数，其可视化如图2，3所示。至于是不是自动生成的都是体型，还没有过验证。事实上，如果不考虑高斯隶属度函数的话，梯形确实是最复杂的隶属度函数了，也因此会精度比较高。

9条规则的模糊规则矩阵如下所示：

相对应的程序可以在下面的完整程序中找到，而规则的可视化程序如下所示：

# 规则设置可视化
rule0.view(), rule1.view(), rule2.view()

可视化结果如下图所示：

我没看懂是啥意思~~~~·

完整程序如下所示：

import numpy as np
import skfuzzy as fuzz
import skfuzzy.control as ctrl
import matplotlib.pyplot as plt

# 设置变量范围
# 输入
x_stain_range = np.arange(1, 11, 1, np.float32)  # 输入1
x_oil_range = np.arange(1, 11, 1, np.float32)    # 输入2
# 输出
y_range = np.arange(1, 11, 1, np.float32)

# 创建模糊控制变量
x_stain = ctrl.Antecedent(x_stain_range, 'stain')      # 输入1
x_oil = ctrl.Antecedent(x_oil_range, 'oil')            # 输入2
y = ctrl.Consequent(y_range, 'powder')   # 输出

# 定义模糊集和其隶属度函数
x_stain.automf(3)  # 设置3个参考值，自动生成
x_oil.automf(3)
# 输出设置3个参考值
y['N'] = fuzz.trimf(y_range, [1, 1, 5])
y['M'] = fuzz.trimf(y_range, [1, 5, 10])
y['P'] = fuzz.trimf(y_range, [5, 10, 10])

# 参考值设置可视化
x_stain.view(), x_oil.view(), y.view()

# 设定输出的解模糊方法——质心解模糊方式
y.defuzzify_method = 'centroid'

# 输出为N的规则
rule0 = ctrl.Rule(antecedent=((x_stain['poor'] & x_oil['poor']) |
                              (x_stain['average'] & x_oil['poor'])),
                  consequent=y['N'], label='rule N')

# 输出为M的规则
rule1 = ctrl.Rule(antecedent=((x_stain['good'] & x_oil['poor']) |
                              (x_stain['poor'] & x_oil['average']) |
                              (x_stain['average'] & x_oil['average']) |
                              (x_stain['poor'] & x_oil['average']) |
                              (x_stain['good'] & x_oil['good'])),
                  consequent=y['M'], label='rule M')

# 输出为P的规则
rule2 = ctrl.Rule(antecedent=((x_stain['average'] & x_oil['good']) |
                              (x_stain['good'] & x_oil['good'])),
                  consequent=y['P'], label='rule P')

# 规则设置可视化
rule0.view(), rule1.view(), rule2.view()

# 系统和运行环境初始化
system = ctrl.ControlSystem(rules=[rule0, rule1, rule2])
sim = ctrl.ControlSystemSimulation(system)

# 运行系统
sim.input['stain'] = 4
sim.input['oil'] = 7
sim.compute()
output_powder = sim.output['powder']

# 打印输出结果
print(output_powder)

# 画图y
y.view(sim=sim)
plt.show()