在PythonPi基於人臉檢測的行車控制中我們介紹了PythonPi的目標驅動型控制.但這個目標驅動型控制在控制小車的時候，怎麼看怎麼難受：就這麼前前後後、磨磨唧唧的挪來挪去的，這效率也太低了些吧:(
目標驅動控制是應用反饋控制的原理來簡化控制的分析與實現過程，降低了控制的難度。但正由於這種簡化，所以其控制過程不夠精細、效率也不太高。還記得我們的那個控制系統的通用框架嗎？
目標驅動型控制是用來解決預置知識比較難時該如何進行控制的，所以如果我們想提高控制效率，就應該想辦法增加預置知識。
我們今天就來介紹一種PythonPi平臺中比較高大上的控制功能：模糊控制。
預置知識比較難是由於計算機只能使用精確的、形式化的知識，而人類的知識，有時很難形式化，尤其是對於現場控制非常有用的操作經驗。幸運的是，針對這種非常有用、但難以準確描述出來的經驗型知識，人類發明了模糊數學來進行處理。
傳統IT所使用的數學是用來處理確定性問題的，其基石是所謂的邏輯學三（五）大定律：
同一律：A就是A，不管你怎麼動、怎麼說，它是不變的。也就是說我們討論某個問題時，這個問題的主要特徵是雙方所公認的、穩定的，不變的。我們中國人很多時候的爭論根本就是自說自話，比如很多人和我討論儒學復興的問題，結果呢，我說的是我想象中的儒學，他說的是他想象中的儒學，兩人竟然還能吵半天:)
矛盾律：其實應該是不矛盾律，即A與非A不能同時成立，這兩者是勢不兩立的，用邏輯公式表示就是：A and 非A = 0
排中律：即要麼是A，要麼是非A，也就是我們常說的非黑即白、非此即彼、兩者必居其一，用邏輯公式表示就是：A or 非A = 1
因果律：有因必有果，原因決定了結果
充足理由律：事物存在必有其存在的理由
前三個定律是人類邏輯思維的基石，爲所有邏輯學家所公認，而後兩個則存在一定的爭論
遵守排中律，我們就能對事物進行明確的分類，就能識別出各類事物的顯著特徵，就能堅信屬於某類事物的某物體一定具備該類事物的普遍特徵和能力。這是人類得以識別、處理未知事物的基礎，是人類知識的巨大威力所在。而模糊則是說某事物既具有A的部分特徵也具有非A的部分特徵，這就違背了排中律，也就動搖了這一切。
首先，我們得認識到：由於沒有完全一模一樣的事物，所以分類的過程其實就是抽取事物主要特徵、簡化次要特徵、四捨五入以歸併特徵值的過程，所以模糊其實才是世界的基本屬性，而排中律只是模糊背景下的特殊性。
其次，排中律的成立其實是在模糊性比較弱的前提下的簡化處理。也就是說，當事物非常模糊，以至於無法區分時，我們是無法用科學進行處理的。而人類認識水平的提高，就是我們對事物的認識越來越清晰的過程，就是模糊性逐漸減弱的過程。
因此，我們把模糊性視爲普遍性規律，而把精確知識視爲模糊條件下的簡化。爲了打通這兩者，模糊數學引入了隸屬度的概念：即某類事物中各事物符合本類事物主要特徵的程度。那麼：
A：隸屬度爲1，意即確定無疑的屬於A類事物
非A：隸屬度爲0，意即確定無疑的不屬於A類事物
其它：隸屬度在0和1之間的實數：u，即u屬於【0，1】（u大於等於0而小於等於1），意即屬於A類事物的可能性是u
而排中律就只有0和1。由於大家習慣了排中律的非此即彼，所以在理解模糊這個概念時最大的障礙可能就是這個隸屬度了。我們舉個例子：多和少，從1、2、3、4、5就這五個數來看：
1百分之百的算少，完全不可能算多
2應該以0.9的可能算少，但同時還以0.1的可能算多
3應該以0.5的可能算少，但同時還以0.5的可能算多
4應該以0.1的可能算少，但同時還以0.9的可能算多
5完全不可能算少，百分之百的算多
這是爲什麼呢？！不爲什麼，是你必須得克服非此即彼的想法。
什麼叫模糊，就是某個事物既帶有這個類屬的部分特徵，還帶有那個類屬的部分特徵，使得我們無法明確的說這個事物到底應該屬於這個類還是那個類。這就象辨認一張不太清晰的照片是不是某人，看起來似象非象的，說是吧還有部分不太象，說不是吧，又有部分象。所以這種情況下，我們就用哪些符合的部分特徵來表示事物和本類的相似程度：如果有10個特徵值可以用來刻畫本類事物，a有三個特徵符合，就說a對本類的隸屬度是0.3；而a還有四個特徵符合B類的特徵取值，就說a對B的隸屬度是0.4。
所以，什麼是隸屬度，簡略的說就是符合本類特徵刻畫的那些特徵值的數量和本類所有區別於其它類的特徵值總數的比，就是衡量某事物和本類相似程度大小的。
在引入了隸屬度之後，基於經典集合論的傳統精確數學就可以轉換爲隸屬度如何計算的處理，這就基本實現了對模糊性質的問題的科學化處理。如果說，科學是：
通過分析（從已知中選擇）、假設來設定基本事實
然後通過邏輯推理根據基本事實推斷出一個結論
最後則是通過實驗來驗證這個結論的正確性
在這個過程中，基於三大定律的傳統數學是用來確保從事實到結論的可靠性的。這就意味着：由於邏輯推理確保了真值傳遞是可靠的，所以如果基本事實是可信的，則推導出的結論就是可信的。這就是人類科學的威力！即便是我們沒有經歷過的、甚至從沒見過的事物，我們都可以推斷其存在、判定其性質、推測其規律。
由於這個過程中，爲了確保真值傳遞的可靠性，如果有多個假設時，只有這些假設都爲真，纔會將真值傳遞過去，而這未免過於嚴格。在引入模糊性的思路後，所傳遞的就不在是真值了，而是可能性的傳遞，也就是說，當我們對當前所瞭解到的事實並沒有百分之百的把握時，仍然可以得到一個不太可靠的結果。而這恰恰是我們在處理日常事務時的常態：
嗯，這件事涉及到方方面面，環節有多，有點複雜，我沒太大的把握，只有7成的成功可能
7成？！幹了！！7成還不幹？！！拼了！！！
將隸屬度（也可以理解爲可能性、把握、概率）縮小到只有0和1，就是傳統數學在傳遞從事實到結論的可靠性；而放大到【0，1】，就是模糊數學在傳遞從事實到結論的可能性。
順便說下，通過對上述五大邏輯定律的違背，就出現了相應的五種不確定性：
違反了同一律的是不穩定性，也就是A不一定就是A，比如：出去轉了下，唉，怎麼手指頭破了？！我這剛做好的指紋識別卡不就沒用了嗎。即被我們選爲事物識別特徵的特徵值不穩定，總是變來變去的
違反了矛盾律的是不一致性
違反了排中律的是模糊性
違反了因果律的是隨機性，所謂的隨機性，就是事物不符合經驗邏輯，比如：它明明不應該出現的啊？！可它怎麼竟然就是出現了:(
違反了充足理由律的是不完全性
隨機性和模糊性是最主要的不確定性，爲了解決隨機性所引發的不確定性問題，我們主要採取概率論的手段。而爲了解決模糊性所引發的不確定性問題，我們主要採取模糊數學的手段
====================================================================================================
關注我的公衆號及時獲取推送的最新文章
