模糊推理
1、定义 论域：全体对象U
元素：每个对象
集合：相同属性、确定的可以相互区分的元素
集合关系：真假
模糊逻辑中存在一个隶属度函数，给予每个元素归属于某个集合的一个强度，[0,1]
2、表示方法
其中，μ(x)表示隶属度，X表示论域，x表示元素
模糊集合表示方法如下：
（1）Zadeh表示法 ：当论域为离散且元素数目有限时，
或者
当论域为连续或元素数目无限的时候
简而言之，离散则求和或者写为数据集，连续则求积分。
（2) 序偶表示法
这里则将每个隶属度与元素结合起来组成类似元组形式。
(3)向量表示法
只表示隶属度的向量序列。
正态分布、三角分布、梯形分布等等
确定方法：模糊统计法、二元对比排序法、基本概念扩充法以及专家经验法
包含关系：若A的隶属度大于等于B，则A包含B
相等关系：隶属度相等时,A=B
交运算：
二者取其小
并运算：二者取其大
补运算：1-μ(x)
例题如下：
运算过程中主要考虑隶属度的运算
运算类似于概率论的运算。类比即可，在进行有界和以及有界积的运算时，和取小[1,μA(x)+μB(x)]，有界积取大[0,μA(x)+μB(x)-1]。带圈的为有界运算。例题如下：
重点案例：
这里主要进行了模糊矩阵的转换，横向为体重，纵向为身高。论域表示为所有的元素，模糊矩阵表示μ(x)
模糊关系的定义：A、B模糊集合，模糊关系用叉积表示：
叉积采用最小算子运算，即
与前面的模糊运算对应
A、B：离散模糊集，其隶属函数分别为：
则叉积运算为
最终为一个模糊矩阵，
模糊关系案例
这里应该是A X B的模糊矩阵
具有连续性。遵循模糊合成运算规则。取小的部分。
运算与普通的矩阵运算不一样。
1、模糊知识表示与模糊规则
知识表示：如果 （条件） → 则 （结论）
模糊规则：从条件论域到结论论域的模糊关系矩阵R。通过条件模糊向量与模糊关系R的合成进行模糊推理，得到结论的模糊向量，然后采用清晰化的方法将模糊结论转化为精确量。
2、对以上的进行推理
这里的模糊关系R采用的是两个隶属度其中的较小隶属度。
这里选最大的一个隶属度，结合之前的例题继续进行计算
**IF x is A and … and y is B THEN z is C 类型的模糊规则的推理 **
整理可为：
多条件模糊推理例题展示：
“模糊判决”、“解模糊”或“清晰化”：由模糊推理得到的结论或者操作是一个模糊向量，转化为确定值的过程。
1. 最大隶属度法
设有模糊控制规则：
“如果温度低，则将风门开大”。设温度和风门开度的论域为{1，2，3，4，5}。
“温度低”和“风门大”的模糊量：
“温度低”=1/1+0.6/2+0.3/3+0.0/4+0/5
“风门大” =0/1+0.0/2+0.3/3+0.6/4+1/5
已知事实“温度较低”，可以表示为
“温度较低”=0.8/1+1/2+0.6/3+0.3/4+0/5
试用模糊推理确定风门开度。
目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》，侵权删。前言最近需要学习放大电路和滤波电路，但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放，所以也是相当从零开始学习了。滤波电路科普主要分类滤波器：主要是从不同频率的成分中提取出特定频率的信号。有源滤波器：由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路。无源滤波器：无源滤波器，又称
最近在学习CAN，记录一下，也供大家参考交流。推荐几个我觉得很好的CAN学习，本文也是在看了他们的好文之后做的笔记首先是瑞萨的CAN入门，真的通透；秀！靠这篇我竟然2天理解了CAN协议！实战STM32F4CAN！原文链接：https://blog.csdn.net/XiaoXiaoPengBo/article/details/116206252CAN详解（小白教程）原文链接：https://blog.csdn.net/xwwwj/article/details/105372234一篇易懂的CAN通讯协议指南1一篇易懂的CAN通讯协议指南1-知乎(zhihu.com)视频推荐CAN总线个人知识总
深度学习部署：Windows安装pycocotools报错解决方法1.pycocotools库的简介2.pycocotools安装的坑3.解决办法更多Ai资讯：公主号AiCharm本系列是作者在跑一些深度学习实例时，遇到的各种各样的问题及解决办法，希望能够帮助到大家。ERROR:Commanderroredoutwithexitstatus1:'D:\Anaconda3\python.exe'-u-c'importsys,setuptools,tokenize;sys.argv[0]='"'"'C:\\Users\\46653\\AppData\\Local\\Temp\\pip-instal
我完全不是程序员，正在学习使用Ruby和Rails框架进行编程。我目前正在使用Ruby1.8.7和Rails3.0.3，但我想知道我是否应该升级到Ruby1.9，因为我真的没有任何升级的“遗留”成本。缺点是什么？我是否会遇到与普通gem的兼容性问题，或者甚至其他我不太了解甚至无法预料的问题？ 最佳答案 你应该升级。不要坚持从1.8.7开始。如果您发现不支持1.9.2的gem，请避免使用它们(因为它们很可能不被维护)。如果您对gem是否兼容1.9.2有任何疑问，您可以在以下位置查看:http://www.railsplugins.or
如何学习ruby的正则表达式？(对于假人) 最佳答案 http://www.rubular.com/在Ruby中使用正则表达式时是一个很棒的工具，因为它可以立即将结果可视化。 关于ruby-我如何学习ruby的正则表达式？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/1881231/
深度学习12.CNN经典网络VGG16一、简介1.VGG来源2.VGG分类3.不同模型的参数数量4.3x3卷积核的好处5.关于学习率调度6.批归一化二、VGG16层分析1.层划分2.参数展开过程图解3.参数传递示例4.VGG16各层参数数量三、代码分析1.VGG16模型定义2.训练3.测试一、简介1.VGG来源VGG（VisualGeometryGroup）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG
文章目录1、自相关函数ACF2、偏自相关函数PACF3、ARIMA(p,d,q)的阶数判断4、代码实现1、引入所需依赖2、数据读取与处理3、一阶差分与绘图4、ACF5、PACF1、自相关函数ACF自相关函数反映了同一序列在不同时序的取值之间的相关性。公式：ACF(k)=ρk=Cov(yt,yt−k)Var(yt)ACF(k)=\rho_{k}=\frac{Cov(y_{t},y_{t-k})}{Var(y_{t})}ACF(k)=ρk=Var(yt)Cov(yt,yt−k)其中分子用于求协方差矩阵，分母用于计算样本方差。求出的ACF值为[-1,1]。但对于一个平稳的AR模型，求出其滞
写在之前Shader变体、Shader属性定义技巧、自定义材质面板，这三个知识点任何一个单拿出来都是一套知识体系，不能一概而论，本文章目的在于将学习和实际工作中遇见的问题进行总结，类似于网络笔记之用，方便后续回顾查看，如有以偏概全、不祥不尽之处，还望海涵。1、Shader变体先看一段代码......Properties{ [KeywordEnum(on,off)]USL_USE_COL("IsUseColorMixTex?",int)=0 [Toggle(IS_RED_ON)]_IsRed("IsRed?",int)=0}......//中间省略，后续会有完整代码 #pragmamulti_c
TCL脚本语言简介•TCL（ToolCommandLanguage）是一种解释执行的脚本语言（ScriptingLanguage）,它提供了通用的编程能力：支持变量、过程和控制结构；同时TCL还拥有一个功能强大的固有的核心命令集。TCL经常被用于快速原型开发，脚本编程，GUI和测试等方面。•实际上包含了两个部分：一个语言和一个库。首先，Tcl是一种简单的脚本语言，主要使用于发布命令给一些互交程序如文本编辑器、调试器和shell。由于TCL的解释器是用C\C++语言的过程库实现的，因此在某种意义上我们又可以把TCL看作C库，这个库中有丰富的用于扩展TCL命令的C\C++过程和函数，所以，Tcl是
按照目前的情况，这个问题不适合我们的问答形式。我们希望答案得到事实、引用或专业知识的支持，但这个问题可能会引发辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开，visitthehelpcenter指导。关闭9年前。我来自C、php和bash背景，很容易学习，因为它们都有相同的C结构，我可以将其与我已经知道的联系起来。然后2年前我学了Python并且学得很好，Python对我来说比Ruby更容易学。然后从去年开始，我一直在尝试学习Ruby，然后是Rails，我承认，直到现在我还是学不会，讽刺的是那些打着简单易学的烙印，但是对于我这样一个老练的程序员来说，我只是无法将它
