CN1147872A

CN1147872A - 模糊控制用的方法和装置

Info

Publication number: CN1147872A
Application number: CN95192969A
Authority: CN
Inventors: R·帕尔姆
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 1994-03-17
Filing date: 1995-03-02
Publication date: 1997-04-16
Also published as: DE4409169C2; DE4409169A1; ATE157468T1; ES2107307T3; EP0750764A1; US5587898A; WO1995025301A1; DE59500571D1; EP0750764B1; JPH09510310A

Abstract

本发明提供用于进行模糊控制的新式方法和新型装置，它不是如同在过去流行的方法和装置中利用确定量作为模糊控制器的输入量进行处理的那样，而是输入一个附加一个概率分布密度的输入量。在模糊控制器的推理程序中，也不使用确定值，而是以本发明的一个输入值的概率分布密度作为该数值的从隶属函数进行处理，上述的这种方法，在不对称的概率分布密度情况下优越性特别显著。这样做，第1是能够获得一个优越响应特性的控制器，第2不会象使用信号预先滤波出现的那种缺点，例如，能够避免丢失信息。

Description

模糊控制用的方法和装置

模糊控制的意义越来越大，这是因为用它来解决复杂的控制技术问题要比用常规的方法经常要简单的多。但是在实践中经常会遇到控制差不是一个确定量，而是一个受到噪声影响的量。如果对这样的量不进行滤波处理，就送给控制器，那么就会对模糊控制器的控制特性产生负影响。在涉及到模糊控制(FC)的著名理论和实际应用中，是使用控制器的确定输入量(Mamdani-控制器[0])进行运算的。这个量在模糊控制器中先要经过定标处理，然后进行模糊化处理[0，1]。这里所说的“模糊化处理”是指将一个经过标定处理的确定输入量根据预先规定的输入基准模糊集进行相应的隶属度排序。然后再采用公认的方法，根据输出基准模糊集进行处理，执行模糊控制器的“若-则”规则，结果形成一个输出模糊集。再利用这个输出模糊集，通过非模糊化处理(例如，采用重心法)就可以形成一个确定的输出量。先将这个量进行非标定化处理，然后将其作为物理调节量送入受控对象。如果在这个有用信号上叠加一个噪声信号，那么对于这个随机信号值就要在模糊控制器中再进一步地进行处理或者就要对该信号进行预滤波处理。

对于未经滤波的信号进行处理的缺点是：在一般情况下，模糊控制器是静态的非线性传输部件，会使噪声直接叠加在调节量上。如果受控对象具有低通特性，它本身就会起到滤波器的作用。然而通过采用上述的办法会使调节设备和受控对象受到太强载荷的作用，所以在一般情况下就必须对信号进行预滤波处理。可是预先进行滤波也有缺点，那就是：纵然滤波会产生一个滑动平均值，然而通过信号的和其他统计因素分散性的影响，会丢失信息。而这些信息既有对某些测量值置信度进行判断的信息，还有对可能出现的这些值的概率分布密度不对称性进行判断的信息，后者可提供测量系统中的不对称现象的信息，还能提示漂移一类的系统误差。

本发明提出的任务是：提供一种使用模糊控制器进行控制的方法和装置，使其能以对模糊控制器在输入端出现的噪声连同本来的有用信号共同进行处理，在处理时，要通过对“有用信号-噪声”的混合信息进行统计，并在计算调节量时加以考虑。

这个任务在第1项权利要求的特征中解决了关于方法方面的问题，在第8项权利要求的特征中解决了关于装置方面的问题。

本发明的其他内容可以从一些从属的权利要求中得以了解。

采用本发明的方法一个优点是：向模糊控制器输入的不是一个作为控制差的平均值的确定值而是一个附加了一个概率分布密度的值。如果在这个值中出现了不对称概率分布密度，接着那么这种非对称密度就会导致在推理程序中对模糊规则进行不同的加权处理，而且统计信息对于通过模糊控制器进行处理的调节量会产生影响。

采用本发明的方法，能够对于具有附加统计噪声的量作为控制差进行处理，其优点在于：能够按照一个规定的时间间隔，求出这个量的概率分布密度。

除此以外，采用本发明还能够对于在空间离散分布的测量值进行处理，处理时，把一个测量值作为在一个空间范围内的测量值的概率分布密度来对待，并将其作为控制差，输入模糊控制器。

另外一个特有的优点是：求取与控制器的时间常数相对应的时间范围内的概率分布密度。

采用本发明方法的优点在于：将一个时间间隔划分成小块的时间间隔，并在这些小块时间间隔内求取信号的测量值。通过对产生的测量值的频度进行计数，就可以使用简单的办法术取信号的概率分布密度。

另一个优点是：当在一个Mamdani控制法中采用本发明的方法时，利用至少一组基准输入模糊集，与概率分布密度形成交点，作为隶属函数，并在推理程序的结论部分中对所有交点中的最大隶属值进一步处理，从而求出并在其中最佳地计入该统计信息的一个调节量。

另一个优点是：当采用一个使用Takagi-Sugeno法的模糊控制器时，虽然求出模糊规则的控制加权的方法可以完全和使用Mamdani控制器的方法完全相同，但是却需要将这个权重值乘以概率分布密度的重心值或者控制差的隶属函数，用来求取一个确定的输出量。

最好是在一模糊控制装置中装设一个分类器，用来从一个控制差信号求取一个概率分布密度，在这个过程中，每隔一定的时间间隔，检测一个测量值，并且对这些测量值的频度进行计数处理。

最好是在采用本发明的装置中装设一个推理部件，按照Mamdani或者Takagi-Sugeno的原理进行运作，因为这两种方法都是最经常采用的模糊控制方法。

以下利用附图对本发明作进一步的说明。

图1所示是使用本发明的一个模糊控制器的一个控制对象的框图，

图2所示是一个概率分布密度求算图，

图3所示是Mamdani控制器的推理过程，

图4所示是按照本发明的方法运作的模糊控制器的控制特性，

图5所示是Takagi-Sugeno控制器的框图，

图6所示是一个Takagi-Sugeno控制器所用的推理程序。

图1所示是一个控制电路的示例。电路中设有一个Mamdani-模糊控制器FR。在电路中导入控制变数x_d，并通过与输入的一个反馈y相结合，形成一个控制差e。这个控制差在一个标定部件Sc中例如通过与一标定因子相乘变换到某一范围内(论域)，并随后输送给一个分类器KL，在一个时间间隔T期间生成一个频度分布，然后再经过参照例如最大频度值的标定处理，生成输入隶属函数。将此函数输入到一个推理部件R。以后，就在一个非模糊化处理器Defuzz中经过非模糊化处理形成非模糊值，并将其在Den中进行非定标化处理。由SC，KL，R，Defuzz，Den构成的模糊控制器FR输出的就是调节量u，将其输至受控对象Pl，在这里被变换成控制量x，再加上一个干扰量d，两者相结合形成反馈值y。

正如在评价现有技术背景时所说的那样，在这样的模糊控制器FR的推理部件的控制电路中不得引入确定量e作为控制差。更确切地说，要输入一个模糊量，例如，以这个量的一个随时间变化的值的概率分布密度的形式，或者是输入一个将这个量的值的概率分布密度除以空间范围得出的空间分布量。但是，这样做时要注意的一点是：这个量的模糊度可能一方面例如来源于受噪声影响的控制变数xd，也可能是由于在该模糊控制差中增加了一个具有模糊干扰信号d的反馈量产生的结果。因而可以采用一种新办法，那就是在控制电路中不输入一个确定值，更确切地说，输入一个概率分布密度，作为控制差e，以便在模糊控制器FR的推理过程中对其进行处理。在推理处理器R中，例如，这种经过定标处理的概率分布密度就可以作为控制差的隶属函数看待。

这就是说，既可以在推理处理器R的条件部分中，也可以在其结论部分中不是处理控制差的一个确定值，而是处理一个控制差的隶属函数的输入值。这样就和过去的方法不一样，算出的不只是和一个基准隶属函数的一个交点，而是与基准隶属函数曲线的多个交点，于是可以从其中选出具有最大的隶属度的那个交点，借以进一步运算。另外还有一点与过去方法不同的地方，那就是能够采用明确输入量(crisp-inputs)的办法，取基准隶属函数的一个覆盖比为1(交点比＝1，交点等级＝0.5[4])，可以同时交叉两个以上的基准隶属函数。例如，采用本发明的优点在于：当遇到控制差隶属函数的变化不对称时，可以对两个以上的不同输入基准模糊集进行不同的加权处理。求出作为隶属值用的交点，还能够在推理处理器R的理论部分中依据有明确定义的模糊规则和输出基准模糊集相交。自此以后，例如，通过利用普通的重心法在非模糊化处理器Defuzz中进行非模糊化处理，然后在Den中进行非定标化处理，生成一个输出量u的确定值。这与迄今所用的模糊控制法的不同之处在于这个数值是取决于对给定控制差的统计。其结果是，例如，导致改善了模糊控制器对于受噪声影响的信号的响应，更进一步显示了它的优点：可以彻底免除对于给定的控制差再进行滤波；同时也可以避免由于滤波产生的那些缺点。

图2所示是表示如何能够从一个与时间成依赖关系的信号求出概率分布密度的示例。首先，例如，要在模糊控制器的分类器中检出在一个给定的时间间隙T中的一个输入信号，在这个示例中检测到的控制差e_N是在经过一定的时间间隔T进行多次测量检测到的。然后对检测到的各种不同的测量值进行计数。于是得出每个数值e_N1至e_Nn的频度值。这些数值就可以作为概率分布密度p(e_N)，绘制成图。一个这样的概率分布密度示例如图2a中WD的绘制图。

图2b所示是表示如何能够从概率分布密度WD推导出一个有说明力的控制差信号e_N的隶属函数ZG。图中是以每个e_N值与隶属值的相互关系μ(e_N)绘成的。所绘的隶属函数ZG是以直方图表示。为了从概率分布密度WD推导出一个隶属函数ZG，例如取概率分布密度的最大值p(e_N)作为标定量。例如，可以将概率分布密度WD标定为1，从而求出ZG。

具体做法如下所示：

按照本发明的范围，在一个规定的时间T内，经过k次检测，求出概率分布密度p，绘成直方图.为了达到这个目的，要将该物理信号(例如：误差信号e)使用一个预先规定的换算因数N_e进行换算，使标定信号e_N按照一个既定的概率，进入一个预先规定的分成n-1类的标定论域Ie＝(e₁，e_n)中：

e_N＝N_ee(1)

然后利用一个分类器分配给e_N标定论域I_e＝(e₁，e_n)内的一个同样预先规定的区间e_N∈[e_i，e_i＋1]。经过k次检测，将频度分布e_N在论域I_e＝(e₁，e_n)中分成n-1类，绘成直方图。利用这个直方图，通过以最大值p(e_N)_max为基准的对所有的频度值p(e_N)的定标处理形成一隶属函数μ(e_N)，其含义如下所列：

e＝e_N(p(e_N)_max) (2)

利用此式，求出在p(e_N)＝p(e_N)_max条件下的e_N值的隶属值μ(e_N)＝1。

如果一个模糊控制器只有一个输入端，就可以将求出的隶属函数μ(eN)纳入控制句中。图3a所示就是这种定理的一个示例。

如果是一个Mamdani推理方案，就可以使各组输入基准模糊集e_N＝NB，……，PB与输入模糊集形成交点(最小值)，并且构成最大隶属值μ1_max…μ5_max。利用这些最大值，就可以获得输出基准模糊集u_N＝NB，……，PB(取截面)。

利用输出模糊集，求出重心，就能使非模糊化处理得以简化。

采用上述的方法进行定标时，能够将其标定为1，因为在一个模糊控制器的一个用来作为求算用的推理程序中，模糊集一般都标定为1。

但是对于采用本发明的方法来说，不论是标定为什么样的量完全都没有什么关系。仅需注意的是：用来定标概率分布密度用的那种标定量，也就是在输入基准模糊集和输出基准模糊集中所用的标定量，因为，否则将这些量进行对比也就毫无意义。

图3所示是举例说明采用本发明的方法，结合一个Mamdani推理过程，所经过的各种不同的过程。在a的部分中可以了解到作为推理基础的模糊规则。在b的部分所示，是在上述的推理过程中的条件部分，在c的部分所示，是在结论部分中对求出的隶属值的评估过程。

图3a本身基本上就能说明问题。但是却要注意该规则是从R1到R5顺序编号列出的，该标定量是基准量，这就是说，e_N是作为标定控制差使用，u_N是作为标定调节量使用。除此以外，NB表示负大，NS表示负小，Z为0，PS表示正小，PB表示正大。

图3b所示是控制差隶属函数e_N和输入基准模糊集的相交图。由图可见，通过与控制差隶属函数的相交，产生了隶属值μ1_max至μ5_max。以上所示函数的逻辑连接方式，此处就是指函数的相交，是由根据在模糊规则R1至R5中规定的语言变量的逻辑连接产生的。具体地说，μ_1max是e_N和NS交点的值；μ_3max是e_N和Z的隶属值，μ_1max是e_N对NB的隶属值，μ_4max是eN对PS的隶属值。μ_5max是e_N对PB的隶属值。从这些示例可以很清楚的看出，一个非均匀分布的隶属函数与其他方法相比，就会得出不同的隶属值μ。按照本发明的方法与现有的方法不同之处在于：后者仅只使用一个确定值，该值也可以看作与具有一个高斯分布均匀的分布的隶属函数。

现在举例说明在条件部分中求算最大隶属的方法。这虽然要取决于模糊规则R1至R5和所选定的逻辑结合方式之间的相互关系，却仍然可以不受限制地设想：用其他隶属值代替函数交点的最大值当作隶属值使用。

图3c所示是将Mamdani模糊控制器的结论部分的操作过程作为采用本发明的一个示例。在图3b和图3c之间利用箭头进行互相连接，并且标上具体的模糊规则，也就是在结论部分中相关的位置上所用的规则。输出基准模糊集的隶属值要在模糊控制器的条件部分的隶属值中查找。这在图3c中在线图的左边界线上标出。在一般情况下，结论部分中的确定输出值uN要通过在结论中找到的面积形成的重心求出。

当控制器处理变量

s = λ \cdot e + \overset{\cdot}{e}

时(滑动模式模糊控制器[2])，要进行例如以下的步骤：

1.检测出，然后求出。接着将理论值与实际值对比。

2.定标e：e_N＝N_e·e

3.检测出，然后求出

接着将理论值与实际值对比。

4.定标

{\overset{\cdot}{e}}_{N} = N_{\overset{\cdot}{e}} \cdot \overset{\cdot}{e}

5.建立

S_{N} = e_{N} + {\overset{\cdot}{e}}_{N}

6，根据在论域I_s＝(S₁，S_n)中的n-1个给定的等级，对S_N进行分类

7.通过对步6中求出的频度分布进行定标处理，形成模糊集

8.利用输出基准模糊集的结果执行下列规则：

若s_N＝NB则u_N＝PB

若S_N＝NS则u_N＝PS

若S_N＝Z则u_N＝Z

若s_N＝PS则u_N＝NS

若S_N＝PB则u_N＝NB

9.借助于形成重心的方法，对u_N进行非模糊化处理。

10.对u_N进行非定标化处理：u＝N_u·u_N

11.将调节量u输入控制对象。

一个用模糊输入和确定输出的模糊控制器，不能象用确定输入和确定输出的控制器那样，采用同样简单的方式来规定该传输特征。其原因是：它在输入与输出之间不能产生点对点的映射，另外，要描绘这样的一种特性，就非要借助于输入模糊集的选定参数不可。对于一个钟型输入模糊集(标定高斯曲线)来说，只要有两个参数一个平均值 e_N和一个标准偏差)σ_eN就足够了。

由于一个滑动式模糊控制器就和一个与状态相关的滤波器那样工作，模糊输入会表现以下所述的结果：离散度较强的信号(标准偏差σ_eN)要比离散度较弱的信号需要较强的滤波处理，此外，高(低)离散度的信号会减慢(加快)沿相位平面源点方向近似过程的速度。这点可以相应的滤波公式容易看出。这最好以带界面层BL的滑动式控制为例加以说明。

这种控制方式是一种非线性控制方式，和该模糊控制器非常近似。图7所示，是该带界面层BL的

滑动式控制的相位平面中的模糊状态e和

的平均值 e和

的特性。

图中：

K-控制器的最大输出

λ-控制直线上升的绝对值

G(t)-模型非安全性，非模型化频度，参数波动的平均值。此外，

\bar{s} = λ \cdot \bar{e} + \dot{\bar{e}} (4)

沿相位平面源点方向的状态矢量

\overset{\overset{&RightArrow;}{-}}{e} = {(\bar{e,} \overset{\overset{\cdot}{-}}{e})}^{T}

的近似过程通过下列滤波公式求出：

控制直线法线方向：

\dot{\bar{e}} + λ \cdot \bar{e} = 0 (5)

控制直线方向：

\dot{\bar{s}} + \frac{k}{Φ} \cdot \bar{s} = G (t) (6)

上述滑动式模糊控制器有类似的动态特性，因为这样的控制器是该带界面层BL的滑动式控制器的通用类型。如果在较大离散度的条件下产生一个较小的u_N，在滤波公式(6)中会产生一个较小的K，此公式(6)描述沿着控制直线方向的近似过程。因此，针对这种模型的非安全度的，非模型化频度的，和参数波动的平均值就要进行较强的滤波处理(较弱的权重处理)。

图4所示是采用本发明的方法时一个控制过程进行情况的一个示例图。制图方法与其他图所用的方法相同。所要注意的是：图4a中的时间划分方法在图4b中也同样适用。具体地说，在图4a中从左向右的概率分布密度或控制差的相应隶属函数是在规定恒等时间间隔中绘制的。在该图中的这些时间间隔是位于正100ms和负100ms范围内的值，这些值，在图的下方横轴线上按标定的时间标注，但是也可以用其他的值。由此明显可见，求算出的隶属函数不属于一个高斯分布。这一点在时间64处的数值表现最明显。

在图4b中所绘的控制变数xd是作为时间的正弦函数绘制的。同时还可以看到采用本发明的方法求出的控制量x。除此以外。在图中还绘出了一个受噪声影响的，作为反馈的量y。由于这个受噪声影响的或附加有概率统计值的量，用来计入控制差中，所以在图4a中绘出了概率分布密度或者控制差隶属函数。特别是在时间64左右地方的正弦曲线的回转点处可以发现，引入统计法可以提供较好的控制量X。

图5所示是一个Takagi-Sugeno控制器的控制器结构图。具体地说，图中所示的结构包括：一个定标部件Sc，一个分类器KL，一个控制基准和结论部件Rekon和一个非定标化部件Den。在图示的TaKagi-Sugeno控制器中标定部件Sc中输入由x₁到x_n的n个确定值，这些值是按照规定时间在控制电路中取得的。在分类器KI，经过一个时间间隔T，绘出一个直方图，并由此图通过(例如)用最大频度值进行定标处理，从而构成相应的输入隶属函数。图中的推理部分Rekon也包括一个条件部分和一个结论部分。其中的条件部分的工作方式完全和一个Mamdni控制器中的相同，但是在结论部分中却是根据所求得的隶属值产生的一个函数，不用再经过非模糊化处理部件直接形成一个调节量的确定值u_N。经过在Den中进行非定标化处理，形成一个确定的调节量u。

图6所示是一个Tagaki-Sugeno控制器中的条件部分的工作方式示例。按图中示例所示，该控制差隶属函数RZ应该与一个规则R_i作逻辑连接。R_i中包含n个语言变数x₁至x_n的n个“与”逻辑连接。以采用本发明的方法为例，在此处发生的过程是：控制差隶属函数Rz和语言变数的输入基准模糊集相交，从而分别算出每个语言变数xⁱ ₁至xⁱ _n的一个隶属值

至。取为规则R1算出的隶属值的最小MW作为Takagi-Sugeno控制器的结论部分中的控制加权值。为了求算供Takagi-Sugeno控制器使用的确定输入值x₁至x_n的等效值，已经证明采用本发明的方法有利于求算一输入值的相应控制差隶属函数x₁(t)的重心SP为 x₁(t)或者求算x_n(t)的重心SP为 x_n(t)。

从控制结构方面看，Takagi-Sugeno模糊控制器的结构与惯用的Mamdani模糊控制器的不同。[3]Mamdani模糊控制器不但在一个规则的条件部分中而且在其结论部分中都要出现模糊集，然而在Takagi-Sugeno模糊控制器中虽然只在规则的条件部分中有一个模糊集，可是在结论部分中却有一个公式，该式在输入变数和输出变数之间建立一代数关系。这类规则的形式的一个示例如下所列：

规则R₁：若(x₁＝Xⁱ ₁)与…与(x_n＝Xⁱ _n)则u_i＝f_i(x₁，…，x_n)这个规则的计算方法是：首先为在一个规定时间t测出的n个确定值x₁，………，x_n，确定隶属于模糊值Xⁱ ₁，…，Xⁱ _n的隶属度

,…，根据这些隶属度，通过最小化法求出控制加权值：

μ^{i} = \min (μ_{x 1}^{i}, \cdot \cdot \cdot, μ_{xn}^{i})

然后算出下式：

u_i＝f_i(x₁，…，x_n)

并将其乘以控制加权值

μ^{i} = \min (μ_{x^{- 1} l}, \cdot \cdot \cdot, μ_{x^{- 1} n})

根据m个规则，就能求出m个u_i的值，经过对全部规则进行处理之后，按照下式叠加，求出

一个共用的控制器输出值：

u = \frac{Σ_{i = 1}^{m} μ^{i} \cdot u_{i}}{Σ_{i = 1}^{m} μ^{j}}

由于控制器输出值已经是一个确定值(Crisp-Wert)，所以在Takagi-Sugeno控制器的结构中

没有非模糊化处理部件。

按照Takagi-Sugeno控制器处理模糊输入的工作方式，在遇到要用一个规则的条件程序处理时就要依靠Mamdani控制器的工作方式进行处理：

1.利用模糊输入集与规则Ri中处理过的格基准模糊，的交叉建立交点组合：X₁(t)＝(μ_x1(x₁(t))，x₁(t)……X_n(t)＝(μ_xn(x_n(t))，x_n(t))

2.求算各交点组合的所有隶属值的最大值μⁱ _kmax(K＝1…n，基准模糊集编号)X₁(t)＝(μ_x1(x₁t))，x₁t))……X_n(t)＝(μ_xn(x_n(t))，x_n(t))(参阅图12.).

3.求算所有μⁱ _kmax的最小值：μⁱ＝min(μⁱ _1max，…，μⁱ _nmax)。

这个公式表示第i个规则Ri的控制加权。

为了表示使用确定输入的工作方式的不同之处，列出作为模糊集使用的X_k(t)。但是，结论公式的结果应该是一个确定值。所以最好是在第i个规则的原始的结论公式u_i＝f_i(x₁，…，x_n)中的确定值x₁，……，x_n，用模糊值X₁，……，X_n的重心x₁，……，x_n代替，这些模糊值是予期值，它应能足够好地代表模糊输入值。于是结论公式如下所列：

u_i＝f_i( x₁…… x_n)总值的公式又如下所列：

u = \frac{Σ_{i = 1}^{m} μ^{i} \cdot u_{i}}{Σ_{i = 1}^{m} μ^{i}} .

参考文献

[0]E.H.Mamdani：(Apllication of fuzzy algorithms for control of asimple dynamic plant.)《简单动态工厂控制的模糊算法应用》

Proc.IEEE，121，S.；1585-1588；1974

[1]D.Driankov，H.Hellendoorn，M.Reinfrank(1993)：(An Introduction toFuzzy Control.)《模糊控制引论》

Springer-Verlag Berlin，Heidelberg，New York

[2]R.Palm：(Sliding Mode Fussy Control)，1st FUZZ-IEEE｀92Sandigo，pp.519-526《滑动式模糊控制》

[3]T.Tagaki，M.Sugeno：(Fuzzy identification of systems and itsapplication to modeling and control.)

《模糊识别系统及其在样本和控制上的应用》

IEEE Trans.on Syst.，Man，and Cyb.，Vol.SMC-15，No.11985

[4]D.Driankov，H.Hellendoorn，M.Reinfrank(1993)：(AnIntroductionto Fuzzy Control)《模糊控制引论》

Springer-Verlag Berlin，Heidelberg，New York，S.119.

Claims

1.一种用作模糊控制的方法，

a)采用这种方法，至少向一个模糊控制器(FR)输入一个非确定量，并且连同该值的一个概率分布密度，

b)采用这种方法，该概率分布密度要依照一个预先给定的值进行定标(Sc)处理，

c)采用这种方法，利用模糊控制器(FR)的一个推理程序(R，Rekon)，处理一个作为控制差隶属函数(RZ)使用的，代替确定值的，标定概率分布密度(WD)，形成一个调节量(u)

2.权利要求1中的方法，采用这种方法，在一个规定的时间内至少求出该控制电路中的一个随时间变化的量的一个数值的概率分布密度(WD)，然后用于形成控制差(e)。

3.权利要求2中的方法，采用这种方法，取控制误差和控制误差的时间导函数的差值作为控制差(e)输入。

4.权利要求1中的方法，采用这种方法，至少求出控制电路中产生的一个空间量所在具体空间范围内的若干数值的一空间分布情况，并且作为仅只一个数值的概率分布密度(WD)，用于构成控制差(e)。

5.权利要求2中的方法，采用这种方法，求出在一控制过程中的概率分布密度(P)。

6.权利要求5中的方法，采用这种方法，通过对于一控制过程中的控制差的多次分析，并对所分析数值的计数，求出概率分布密度(p)。

7.权利要求1至6中的任一方法，

a)采用这种方法，在Mamdani法的推理程序内的一个条件部分中，控制差隶属的数与至少由一组输入基准模糊集，形成交点，从而求出交点的隶属，作为交点值。

b)采用这种方法，在推理程序内的一个结论部分中把交点值，用于求出调节量。

8.权利要求1至6中的任一方法。

a)采用这种方法，在Tagaki-Sugeno法的推理程序内的一个条件部分中，控制差隶属函数与一个规则的至少两组输入基准模糊集，形成交点，求出相关交点的隶属值，作为交点值组合。

b)采用这种方法，求出控制差隶属函数的重心，作为在Takagi-Sugeno法的推理程序内的一个结论部分中的确定输入值使用。

c)采用这种方法，利用输入值和交点值组合的最小值的乘积形成一个调节量。

9.用于模糊控制的装置，

a)在该装置中至少设置一个分类器(KL)和一个推理部件(R，Rekon)，

b)在该装置中将一个随时间变化的控制差信号(e)输入到分类器(KL)中，从而产生一个控制差信号值的概率分布密度信号，

c)采用此法时，向推理部件输入概率分布密度信号，在推理部件中将其转换成控制差隶属函数，再将其至少与另一个隶属函数作逻辑连接，借此形成一个调节量。

10.权利要求9中的模糊控制装置，采用此装置时，装设一个Mamdani-推理部件(R)

11.权利要求9中的模糊控制装置，采用此装置时，设置一个Takagi-Sugeno推理部件(Rekon)

12.权利要求9中的模糊控制装置，采用此装置时，设置一个附有边界层(BL)的滑动式模糊控制器。