【摘要】：步骤1.定义隶属度函数对于输入变量取如下5个高斯型函数：，，，，1/。表3-2 普通型关系表的样本数据注：表3-2为节省篇幅，实际应行列互换或转置。表3-3 模糊型关系表的样本数据步骤3.摩擦模糊规则库的提取按照前面的算法，基于最大支持度原则提取模糊规则库。2）取距离两个模糊集合最大值平均值距离最近所对应的模糊集合。在这里我们选择1）的方式，所以第三条模糊规则是：B3F。另外，通过上面的数据挖掘过程得到参数向量取值为θ=T。
步骤1.定义隶属度函数
对于输入变量
取如下5个高斯型函数：
，
，
，
，
1/（1+exp（-2.5（x·-0.37）））。对于摩擦输出变量F取三角型隶属函数（见图3-4），其参数为：[-20-10]，[-20-100]，[-10010]，[01020]，[1020]。
步骤2.建立速度摩擦数据对的关系表
首先，建立
和F的10个样本数据采集点t1→t10的普通型关系表（见表3-2）。然后，将
和F的10个样本数据采集点的普通型关系表转换成模糊型关系表（见表3-3）。
表3-2 普通型关系表的样本数据
注：表3-2为节省篇幅，实际应行列互换或转置。
表3-3 模糊型关系表的样本数据
(www.xing528.com)
步骤3.摩擦模糊规则库的提取
按照前面的算法，基于最大支持度原则提取模糊规则库。由表3-4的计算的支持度结果可得如下模糊规则库
表3-4 计算支持度
注1：在上面的数据挖掘过程中，第三条规则出现了两个最大支持度相等的情况，我们采用下面的原则来处理：
1）取两个模糊集合最大值平均值所对应的模糊集合。
2）取距离两个模糊集合最大值平均值距离最近所对应的模糊集合。在这里我们选择1）的方式，所以第三条模糊规则是：
B3F。另外，通过上面的数据挖掘过程得到参数向量取值为θ=（-20，-20，0，20，20）T。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
