模糊逻辑基础篇(Foundations of Fuzzy Logic)-无人驾驶汽车自动调节速度案例

在提出模糊逻辑之前，我们已经知道布尔运算是针对机器做出准确答案的，就像存在它体内的二进制数一样，要么是1，要么是0。例如，在下图Monday,Thursday,Saturday属于一周之内的日子，而其他不属于。

但是这种方法只能适用于进行事实判断，也就是说答案不存在争议，大家普遍都这样认为的。
而在生活中，人类在做大部分决策都是非常模糊的，是在“yes”和“no”中间寻找可能的答案，而非一个确定的类别。 例如身高问题，在回答175cm和185cm是否高时，对于155cm的人来说，175cm和185cm无疑都是高的；而对于174cm的人来讲，因为自己和175cm的差别很小，所以认为175cm属于稍高，而185cm属于高。可以看出，174cm的人在回答这个问题时觉得175cm属于高的程度没那么大，所以加了形容词变成稍微高，反映到数学表达上即高的程度为[0,1]之间的数值。
为了解决此类决策问题，使计算机更符合人类思维，科学家们提出了模糊逻辑方法。包括以下这些新概念：

1. 模糊集合（Fuzzy Set）和隶属度函数（Membership Functions）：

模糊集合中的值以某种程度上属于这个集合，例如变量高度中有非常低、低、稍高、高、非常高为五个不同的模糊集合。
隶属度函数是一条曲线，它定义了如何将输入空间中的每个点映射到0到1之间的隶属度。还是以上述例子为例，隶属度就是高的程度，数值位于[0,1]之间。隶属度函数就是身高（自变量）和隶属度（因变量）的对应关系。隶属度函数一般凭经验或机器学习算法进行训练改进得出。论域是自变量的范围，如隶属度函数统计高度[155,195]。