解模糊器
Product inference engine, singleton fuzzifier and center average defuzzifier were used to calculate outputs.
用乘積推理機、單值模糊器和中心平均解模糊化來計算輸出。
解模糊器（Defuzzifier） 是模糊邏輯系統（Fuzzy Logic System, FLS）或模糊推理系統（Fuzzy Inference System, FIS）中的一個關鍵組成部分。它的作用是将模糊推理機（Fuzzy Inference Engine）輸出的模糊集合（Fuzzy Set） 轉換回一個精确的、清晰的數值（Crisp Value），以便實際系統（如控制器、決策系統）能夠理解和執行。
在模糊邏輯處理過程中，輸入變量首先被模糊化（Fuzzification）成模糊集合，然後模糊推理機根據預設的模糊規則庫（Fuzzy Rule Base）進行推理，得到輸出變量的模糊集合。然而，大多數實際應用（如溫度控制、電機調速）最終需要一個精确的數字信號來驅動執行器。解模糊器正是完成這最後一步轉換的環節。
解模糊器的工作原理與常用方法： 解模糊器接收的是推理機輸出的一個模糊集合（通常表示為一個隸屬度函數）。它需要從這個模糊集合中提取出一個最能代表該集合的單一精确值。常用的解模糊方法包括：
重心法（Centroid Method / Center of Gravity, COG）：這是最常用、最直觀的方法。它計算整個輸出模糊集合隸屬度函數曲線下面積的幾何中心（重心）對應的橫坐标值作為精确輸出。公式表示為： $$ y^ = frac{int y cdot mu{Y}(y) dy}{int mu{Y}(y) dy} $$ 其中 $y^$ 是解模糊後的精确輸出值，$y$ 是輸出論域上的變量，$mu_{Y}(y)$ 是輸出模糊集合的隸屬度函數。該方法考慮了整個輸出模糊集的分布信息，結果通常比較平滑精确。
最大值平均法（Mean of Maximum, MOM）：此方法找出輸出模糊集合中具有最高隸屬度值（最大值）的所有點的平均值作為精确輸出。如果最大值區域是一個平台，則取平台的中點。該方法計算相對簡單，但可能忽略了隸屬度非最大區域的分布信息。
最大值取小法（Smallest of Maximum, SOM）與最大值取大法（Largest of Maximum, LOM）：這兩種方法也是基于輸出模糊集合的最大隸屬度區域。SOM 取具有最大隸屬度的所有點中最小的那個值，LOM 則取最大的那個值。它們適用于對輸出值有特定邊界要求的情況（如安全限制）。
解模糊器的重要性與應用： 解模糊器是模糊邏輯系統與實際物理世界接口的關鍵環節。它的性能直接影響整個模糊控制或決策系統的精确性、穩定性和響應速度。選擇哪種解模糊方法取決于具體的應用需求、計算複雜度的考慮以及對輸出平滑性的要求。重心法因其綜合性能優良，在工業控制、家電模糊控制（如洗衣機、空調）、模式識别等領域應用最為廣泛。
權威來源參考：
在模糊邏輯系統中，defuzzifier（去模糊化器）是将模糊推理結果轉化為明确數值輸出的關鍵組件。以下是詳細解釋：
Defuzzifier的作用是将模糊集合（由模糊規則推理生成的非精确結果）轉換為具體的數值，使系統能夠執行實際控制或決策。例如在溫度控制系統中，模糊推理可能輸出"中等加熱"的模糊結論，而defuzzifier會将其轉化為具體的電壓值。
重心法（Centroid Defuzzifier）
最常用的方法，通過計算隸屬度函數曲線下區域的質心坐标确定輸出值。公式為：
$$
x^* = frac{int x cdot mu(x) dx}{int mu(x) dx}
$$
其中$mu(x)$是隸屬度函數，該方法能平衡不同隸屬度區域的權重。
其他方法包括最大值平均法（Mean of Maximum）、最大值中心法（Center of Maximum）等，但重心法因平滑性和穩定性更常用。
注：低權威性網頁僅提及"模糊器"的直譯，未涉及技術細節。核心解釋基于高權威性技術文檔。
【别人正在浏覽】