CN105787563B - 一种基于自学习机制的快速匹配模糊推理方法 - Google Patents

Abstract

本发明涉及一种基于自学习机制的快速匹配模糊推理方法，包括以下步骤：采用高斯隶属度函数法构建参数模糊化信息；建立模糊规则库；将外部参数数据进行模糊化得到事实项，采用rete算法将事实项与模糊规则库中的规则进行匹配，得到模糊推理结果；将模糊推理结果进行去模糊化得出最终推理结果；根据最终推理结果和实际反馈结果构建样本集，基于样本集进行规则强度自学习修正。本发明采用rete算法提高了模糊推理的效率，使模糊推理方法能适用于对实时性要求较高的工程领域。

Description

一种基于自学习机制的快速匹配模糊推理方法

技术领域

本发明涉及一种快速匹配模糊推理方法，特别是一种基于自学习机制的快速匹配模糊推理方法。该方法属于人工智能领域。

背景技术

随着电子信息、航天航空、资源与环境等高技术的发展和人们探索自然领域的扩展，系统的自动化水平日益扩大，复杂性迅速提高。保证复杂系统运行的可靠性和高效性显得尤为重要，尤其是针对航天、航海、核工业等，对系统的高效性、稳定性和可靠性提出了更高的要求，而智能决策技术为这种要求开辟了新途径，智能决策主要包括生产决策调整、故障检测与诊断等，将智能决策应用于复杂系统具有很高的价值。

随着人工智能技术的不断发展，智能决策已经进入了一个新的阶段，而模糊推理技术作为人工智能领域很活跃的一个分支，取得了广泛的应用。这种方法不依赖于系统的数学模型，它根据某领域一个或多个专家提供的模糊经验知识，进行推理和判断，模拟人类专家的决策过程，来解决那些需要人类专家处理的复杂问题。由此可见，模糊推理技术建立并维护模糊知识库，模拟人类的思维方式进行智能决策，不仅能大大提高决策的准确性和可靠性，而且减少了对人类专家经验的依赖，提高了智能决策的自动化程度。

目前的模糊推理技术大多采用的是正向推理方式，在知识规则数目较多时，很容易发生知识的爆炸性组合而导致模式匹配效率偏低；另一方面，模糊推理技术中模糊知识库的构建主要依赖于专家经验，在模糊推理系统的使用过程中，也是主要依靠专家来进行知识库的维护，缺乏基于推理结果样本的自学习修正机制。

发明内容

针对上述技术不足，本发明提出一种基于自学习机制的快速匹配模糊推理方法，其目的是：将rete算法的时间冗余性和结构相似性思想融入到模糊推理中，用以克服在模糊推理时因知识的爆炸性组合而导致的匹配效率偏低问题，进而提高模糊推理效率；构建模糊知识库的自学习修正机制，利用系统日常运行中积累的决策样本，进行规则强度的自学习修正，修正完善整个模糊规则库，使模糊推理更加具有工程实用性。

本发明解决其技术问题所采用的技术方案是：一种基于自学习机制的快速匹配模糊推理方法，包括以下步骤：

1)采用高斯隶属度函数法构建参数模糊化信息；

2)建立模糊规则库；

3)将外部参数数据进行模糊化得到事实项，采用rete算法将事实项与模糊规则库中的规则进行匹配，得到模糊推理结果；

4)将模糊推理结果进行去模糊化得出最终推理结果；

5)根据最终推理结果和实际反馈结果构建样本集，基于样本集进行规则强度自学习修正。

所述的采用高斯隶属度函数法构建参数模糊化信息通过以下公式实现：

上式为自变量x对于制造业现场的监测参数模糊集A的高斯隶属度函数，μ为日常运行过程中监测参数的均值参数，σ为日常运行过程中监测参数的方差参数。

所述采用rete算法将事实项与模糊规则库中的规则进行匹配包括以下步骤：

(1)构建rete模糊模式：[PF]表示模糊规则前件元素，P为参数名称，F为模糊量词，则P和F均为测试域，将P和F相互连接，便构成了rete模糊模式；

(2)构建rete连接网络：连接网将模糊规则中具有“and”关系的rete模糊模式作为一个集合，实现对模糊规则前件的构建，每个连接网设置一个reteflag标识来记录该连接网是否匹配成功，如果匹配成功，则reteflag为true；反之，则为false；

(3)rete网络匹配：将事实项与rete模糊模式的测试域进行匹配，并将匹配成功的事实项存储到对应的α寄存器中，然后再根据α寄存器的更新情况进行reteflag的更新，将reteflag为true的模糊规则的结论作为模糊推理结果。

所述将事实项与rete模糊模式的测试域进行匹配，并将匹配成功的事实项存储到对应的α寄存器中，然后再根据α寄存器的更新情况进行reteflag的更新包括以下步骤：

以参数名称测试域为rete模糊模式网络的入口节点，开始进行rete模糊模式网络匹配：

如果参数名称测试域匹配成功，则顺着匹配链寻找下面的模糊量词测试域节点，继续进行匹配；

如果全部匹配成功，将对应事实项存储到α寄存器中；如果不全部匹配成功，则继续将剩余的事实项与rete模糊模式的测试域进行匹配，直至完成所有事实项的匹配。

当rete模糊模式网络匹配过程完成后，便开始连接网络匹配：

当某个模糊模式的α寄存器被更新后，遍历对应连接网络的所有模式的α寄存器，并判断所有模式是否匹配成功；如果该连接网络对应的所有模式全部匹配成功，则将reteflag更新为true，将对应模糊规则的结论作为模糊推理结果；如果该连接网络对应的所有模式未全部匹配成功，则将reteflag更新为false。

所述基于样本集进行规则强度自学习修正包括以下步骤：

A.计算样本集中的实际反馈结果与最终推理结果的误差值；

B判断误差值是否超出上限；

如果未超出上限，则修正结束；

否则继续判断是否超出最大迭代次数，如果超出，则修正结束；如果未超出，则进行反向误差传播，修正模糊规则的规则强度，然后重新计算样本集的误差值；

C.返回步骤B，直到样本集的误差值减小到上限值或到达最大迭代次数为止。

所述误差值通过以下公式得到：

上式中，E为误差值，y_理论为最终推理结果；y_实际为实际反馈结果。

所述进行反向误差传播，修正模糊规则的规则强度通过下式实现：

对于模糊推理结果的结论y_j，该结论对应的某规则i的规则强度w_ij调节公式如下：

w_ij(n+1)＝w_ij(n)+ηΔw_ij i＝1,2,...,M (3)

其中，Δw_ij为每次规则强度修正的变化量，η为学习步长，n为当前迭代次数，i为规则序号，M为结论y_j对应的规则数目。

所述每次规则强度修正的变化量Δw_ij通过以下公式得到：

其中，E为误差值，y_理论为最终推理结果；y_实际为实际反馈值，f(y_j)为结论y_j对应的模糊集中心值，y_j为结论对应的结论可信度，a_ij为结论y_j对应的规则i的前件可信度，w_ij为结论y_j对应的规则i的规则强度。

本发明具有以下有益效果及优点：

1.本发明在构建参数模糊化信息时，利用高斯隶属度函数法来对参数进行模糊化，具有良好的抗干扰能力，而且模糊化结果更接近于人类的认知特点。

2.基于rete算法的模糊推理充分地利用了时间冗余性和结构相似性，节约了模糊规则库的存储空间，并且提高了推理效率，使得模糊推理方法能适用于对实时性要求较高的工程领域。

3.采用BP算法来修正模糊规则的规则强度，可以充分基于日常运行样本，利用反向误差梯度传播来实现对规则强度的修正，进而使模糊规则库更加符合日常运行情况，提高了模糊推理的工程实用性。

附图说明

图1是本发明的基于自学习机制的快速匹配模糊推理方法流程图；

图2是基于规则强度自学习修正流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明涉及一种基于自学习机制的快速匹配模糊推理方法，其步骤如下：步骤一、参数模糊化信息的构建；步骤二、模糊规则库的建立；步骤三、基于rete算法的模糊推理；步骤四、去模糊化并得出推理结果；步骤五、规则强度自学习修正。与现有的模糊推理方法相比，本发明通过应用规则强度自学习修正算法使模糊推理方法具有了初步的自学习能力，通过采用rete算法提高了模糊推理的效率。按照本发明设计的模糊推理方法不仅效率高、准确性高，而且可以基于日常使用情况来修正完善模糊规则库，为工程应用提供了一种更加实用和可靠的模糊推理方法。

本发明可应用于制造业领域，对本发明提出的基于自学习机制的快速匹配模糊推理方法进行软件实现，然后以工业现场的PC机、服务器或者工控机为载体进行软件安装，软件以现场的电压、电流等状态参数为输入进行模糊推理，通过在线或者离线的方式来实现生产决策分析、故障诊断等功能。

如图1所示，本发明的技术方案，具体设计步骤如下：

步骤一：参数模糊化信息的构建，具体方法为：

首先进行制造业现场监测参数模糊化信息的构建。模糊产生器采用高斯隶属度函数法，它不仅具有良好的抗干扰能力，而且模糊化结果更接近于人类的认知特点，其隶属度函数的表达式为：

上式为自变量x对于制造业现场的监测参数模糊集A的高斯隶属度函数，μ为日常运行过程中监测参数的均值参数，σ为日常运行过程中监测参数的方差参数。

步骤二：模糊规则库的建立，具体方法为：

采用的模糊规则表示法，核心思想就是要将传统的产生式规则“IF条件THEN结论”，包括条件模糊化、结论模糊化和规则可信度，模糊产生式规则可以按如下表示：

Rule:IF A₁(f₁,t₁)and A₂(f₂,t₂)and...and A_n(f_n,t_n)THEN B(t_B) CF

A₁,A₂,...,A_n为知识前件部分，B为结论，他们均为制造业现场监测参数和模糊量词的组合，我们以"PF"来表示，P为参数名称，例如电压、电流等，F为模糊量词，例如较高、较低等，f₁,f₂,...,f_n为规则前件的隶属度函数，隶属度函数的参数选定是与它的前件相对应，t₁,t₂,...,t_n为隶属度函数计算后得出的前件可信度，t_B为结论的可信度，CF为规则强度，n为前件数目。

步骤三：基于rete算法的模糊推理，具体方法为：

1)基于rete算法的模糊推理

首先将采集到的制造业现场监测参数值进行模糊化得到事实项，事实项由ID、参数名称、模糊量词和事实可信度构成，其中事实可信度是通过将监测参数值输入到隶属度函数计算得出，例如数值为30的电流参数经过模糊化后可以得到如下的事实项FactElement{ID:1；Variable:电流；Value：30；Credit:0.8}。

然后采用rete算法将事实项与模糊规则库中的规则进行匹配，得到模糊推理结果，步骤如下：

(1)构建rete模糊模式

rete模糊模式是由模糊规则前件元素的一个或多个测试域依次连接而成，每个rete模糊模式都拥有一个α寄存器，用来存储与该模式匹配成功的事实项。

以[PF]来表示模糊规则前件元素，P为参数名称，F为模糊量词，则P和F均为测试域，将P和F相互连接，便构成了rete模糊模式。

对于某rete模糊模式[P₁:电流F₁:极高]，以α₁作为该rete模糊模式的寄存器，当某个事实项FactElement{ID:1；Variable:电流；Value：30；Credit:0.8}成功地匹配了该模式的P₁和F₁两个测试域时，则将该事实项的ID存储到α₁中，同时将该模糊模式的隶属度值μ₁赋值为该事实项的事实可信度0.8。

为了避免rete模糊模式的结构冗余，以及提高推理效率，在构建rete模糊模式时，会将各个模式之间的相同测试域进行共享。例如模式[P:电流F:极高]和模式[P:电流F:适中]会共享测试域“P:电流”。

(2)构建rete连接网络

完成rete模糊模式的构建后，则开始进行rete连接网络的建立，rete连接网络对应于整个模糊规则库，它是由连接网组成，每一个连接网对应于一个模糊规则，因此构建rete连接网络的核心在于连接网的构建。

连接网将模糊规则中具有“and”关系的rete模糊模式作为一个集合，进而实现对模糊规则前件的构建，每个连接网都会设置一个reteflag标识来记录该连接网是否匹配成功，如果匹配成功，则reteflag为true；反之，则为false。

(3)rete网络匹配

rete网络匹配是将事实项与rete模糊模式的测试域进行匹配，并将匹配成功的事实项存储到对应的α寄存器中，然后再根据α寄存器的更新情况进行reteflag的更新。

以参数名称测试域为rete模糊模式网络的入口节点，开始进行rete模糊模式网络匹配。

如果参数名称测试域匹配成功，则顺着匹配链寻找下面的模糊量词测试域节点，继续进行匹配；

如果全部匹配成功，将对应事实项的ID存储到α寄存器中。由于模式之间可以共享相同的测试域，因此rete模糊模式的匹配效率将大为提高。

当rete模糊模式网络匹配过程完成后，便开始连接网络匹配，主要根据变化的α寄存器来更新对应reteflag，体现了时间冗余性，进而提高了推理效率。其主要流程是：当某个模糊模式的α寄存器被更新后，遍历对应连接网络的所有模式的α寄存器，如果某个模式的α寄存器中存有事实项ID，则该模式匹配成功，否则该模式匹配失败，进一步判断对应连接网络的所有模式是否匹配成功；如果该连接网络对应的所有模式全部匹配成功，则将reteflag更新为true，将对应模糊规则的结论作为模糊推理结果；如果该连接网络对应的所有模式未全部匹配成功，则将reteflag更新为false。

在rete网络匹配过程，采用Mamdani法来合成规则前件的可信度，对于结论y_j对应的某规则i，设其有n个前件子项，前件子项之间都用“and”连接，结论y_j对应的规则i的前件可信度合成公式如下：

其中为规则i中各个前件子项的隶属度值，设结论j对应的规则总数为M，结论y_j对应的规则i的规则强度为w_ij，则结论j的可信度为：

步骤四：去模糊化并得出最终推理结果，具体方法为：

本系统采用重心法进行去模糊化处理并得出最终推理结果，它充分利用了模糊推理结果中的所有信息，得到的清晰值具有很好的鲁棒性。计算公式如下：

其中N为模糊推理结果的数目，f(y_j)为结论y_j对应的模糊集中心值，模糊集中心值根据实际应用情况进行设定，例如结论“投料量较大”对应的模糊集中心值为“100”，y_j为结论对应的结论可信度，y^*为去模糊化得出最终推理结果，它是一个去模糊化后得出的精确值，用于描述最终推理结果的可信度大小，例如，y^*等于0.8时，生产线设备损坏的可信度为0.8。

步骤五：规则强度自学习修正算法，具体方法为：

规则强度自学习修正融入了BP(Back Propagation)算法的反向误差梯度传播思想，根据实际反馈结果与最终推理结果的差值情况，将误差依次向去模糊化并得出推理结果环节、基于rete算法的模糊推理环节进行传递，进而实现对规则强度的修正，不断地反复上述过程，直至误差收敛至最小值。

规则强度自学习修正流程如图2所示，包含以下步骤：

A.计算样本集中的实际反馈结果与最终推理结果的误差值；

B判断误差值是否超出上限；

如果未超出上限，则修正结束；

否则继续判断是否超出最大迭代次数，如果超出，则修正结束；如果未超出，则进行反向误差传播，修正模糊规则的规则强度，然后重新计算样本集的误差总值；

C.返回步骤B，直到样本集的误差值减小到上限值或到达最大迭代次数为止。

设计的规则强度自学习修正算法采用批处理方式，下面以单样本的修正算法为例，来阐述其原理，批处理样本的修正就是单样本修正的累加，原理类似。

单样本结论的误差函数E为：

上式中，y_理论为最终推理结果；y_实际为实际反馈结果。

对于模糊推理结果的结论y_j，该结论对应的某规则i的规则强度调节公式如下：

w_ij(n+1)＝w_ij(n)+ηΔw_ij i＝1,2,...,M (6)

上式中，Δw_ij为每次规则强度修正的变化量，η为学习步长，n为当前迭代次数，i为规则序号，M为结论y_j对应的规则数目。

由于本系统面向不同数量级的结果值时，采用相同的学习步长进行修正，因此为了保证高效的学习效率和较好的收敛效果，在修正前会将推理结果值映射到一个共同标准区间中，因此只需要按照标准区间来设定学习步长η即可。

设标准区间为{std_down,std_up}，其中std_down为标准区间下限，std_up为标准区间上限；设当前目标的值域区间为{obj_down,obj_up}，其中obj_down为标准区间下限，obj_up为标准区间上限，则映射公式如下：

上式中，obj_value为映射到标准区间前的数值，std_value为映射到标准区间后的数值。

根据误差反向传递算法，反向误差梯度依次如式(8)、式(9)所示。在式(9)中，按照重心法去模糊化公式，当N＝1时，将y_j和f(y_j)进行了合并，主要考虑到如下两点：

1)考虑到f(y_j)是个与y_j相关的离散函数，无法求导；

2)f(y_j)的数量级不同，f(y_j)本身就是对误差的一种常数量的放大或缩小。

当N>1时，根据重心法去模糊化的特征，将各个结论值与重心值的差值与结论可信度总和相除的结果近似作为误差梯度进行传递，这样既考虑到了各个结论值相对于重心值的偏差因素，又避开了离散函数f(y_j)的求导问题，并将可信度纳入了考虑。

E为误差值，y_理论为最终推理结果；y_实际为实际反馈值，f(y_j)为结论y_j对应的模糊集中心值，y_j为结论对应的结论可信度，a_ij为结论y_j对应的规则i的前件可信度，w_ij为结论y_j对应的规则i的规则强度。

可以看出，式(8)中的偏导数一定存在。在式(9)中，如果分母为零的话，公式(9)的偏导数是不存在的，但一般来讲，分母为零的话，y_理论也就为零，说明该结论根本未被激活，也不会对其进行反馈的，因此式(9)的偏导数也是存在的。由于f(y_j)会映射到标准区间中而不会为零，所以式(10)中的偏导数也一定存在。

图1为本发明提供的基于自学习机制的快速匹配模糊推理方法的流程，具体的设计方法主要包括以下四个步骤：

1)参数变量模糊化信息的构建

以电机为例，其参数变量为电压、电流和机壳温度，分别用U、I和T表示，目标结果量为电机损坏概率，用Y表示；

建立参数变量的模糊化信息，电压、电流、机壳温度模糊化信息分别如表1至表3所示，主要包括高斯隶属度函数中的均值参数和方差参数的设定，电机损坏概率的模糊化信息如表4所示，主要设置各个模糊量词对应的中心值；

表1 U的模糊化信息

	低	中	高
				均值参数	100	150	200
方差参数	20.8	20.8	20.8

表2 I的模糊化信息

	极低	较低	适中	较高	极高
						均值参数	30	35	40	45	50
方差参数	2.1	2.1	2.1	2.1	2.1

表3 T的模糊化信息

	低	中	高
				均值参数	100	150	200
方差参数	20.8	20.8	20.8

表4 Y的模糊化信息

极低	较低	适中	较高	极高
					0.1	0.3	0.5	0.7	0.9

2)模糊规则库的构建

针对电机，如下三条典型的模糊规则，模糊规则的前件支持“括号”、“and”和“or”三种逻辑符号，在进行模糊规则的存储时，会首先解括号，然后根据“or”左右两端的前件将模糊规则拆分为两条规则；

ID1:IF(U＝高and I＝极低)or T＝高 THEN Y＝极高 规则强度＝0.9

ID2:IF(U＝中and I＝适中)or T＝中 THEN Y＝适中 规则强度＝0.88

ID3:IF(U＝低and I＝极高)or T＝低 THEN Y＝极低 规则强度＝0.9

3)模糊推理，基于初始输入的数据进行模糊推理，然后去模糊化并得出推理结果，初始输入与推理结果如表5所示；

表5 初始输入与推理结果

初始输入U	初始输入I	初始输入T	推理结果Y
				200	32	180	0.814
160	40	222	0.708
				140	43	160	0.546

由表5可以看出，初始输入与对应的推理结果大体符合模糊规则所描述的规律，即U与I的比值越高，或者T越高，那么Y越高。

4)规则强度自学习修正

当表5中的最终推理结果和实际反馈值不符时，可以提交实际反馈值，如表6所示；

表6 最终推理结果与实际反馈值的对比

最终推理结果	实际反馈值
		0.814	0.7
0.708	0.58
		0.546	0.47

然后根据最终推理结果与实际反馈值的差值来修正规则强度，其中，ID1的规则强度由0.9修正到了0.15，ID2的规则强度由0.9修正到了0.9996，ID3由于未被激活而规则强度保持不变，然后再进行一次模糊推理，结果如表7所示；

表7 修正后的推理结果与期望输出的对比

修正后的最终推理结果	实际反馈值
		0.7	0.7
0.579	0.58
		0.508	0.47

由表7可以看出，修正后的最终推理结果更加贴近实际反馈值，验证了规则强度自学习修正算法具有较好的效果。

Claims (7)

1.一种基于自学习机制的快速匹配模糊推理方法，其特征在于，以工业现场的PC机、服务器或者工控机为载体，以现场的状态参数为输入进行模糊推理，通过在线或者离线的方式实现生产决策分析、故障诊断，包括以下步骤：

1)采用高斯隶属度函数法构建参数模糊化信息；

2)建立模糊规则库；

3)将外部参数数据进行模糊化得到事实项，采用rete算法将事实项与模糊规则库中的规则进行匹配，得到模糊推理结果；

4)将模糊推理结果进行去模糊化得出最终推理结果；

5)根据最终推理结果和实际反馈结果构建样本集，基于样本集进行规则强度自学习修正；

所述基于样本集进行规则强度自学习修正包括以下步骤：

A.计算样本集中的实际反馈结果与最终推理结果的误差值；

B判断误差值是否超出上限；

如果未超出上限，则修正结束；

否则继续判断是否超出最大迭代次数，如果超出，则修正结束；如果未超出，则进行反向误差传播，修正模糊规则的规则强度，然后重新计算样本集的误差值；

C.返回步骤B，直到样本集的误差值减小到上限值或到达最大迭代次数为止。

2.根据权利要求1所述的一种基于自学习机制的快速匹配模糊推理方法，其特征在于所述的采用高斯隶属度函数法构建参数模糊化信息通过以下公式实现：

上式为自变量x对于制造业现场的监测参数模糊集A的高斯隶属度函数，μ为日常运行过程中监测参数的均值参数，σ为日常运行过程中监测参数的方差参数。

3.根据权利要求1所述的一种基于自学习机制的快速匹配模糊推理方法，其特征在于所述采用rete算法将事实项与模糊规则库中的规则进行匹配包括以下步骤：

(1)构建rete模糊模式：[PF]表示模糊规则前件元素，P为参数名称，F为模糊量词，则P和F均为测试域，将P和F相互连接，便构成了rete模糊模式；

(2)构建rete连接网络：连接网将模糊规则中具有“and”关系的rete模糊模式作为一个集合，实现对模糊规则前件的构建，每个连接网设置一个reteflag标识来记录该连接网是否匹配成功，如果匹配成功，则reteflag为true；反之，则为false；

(3)rete网络匹配：将事实项与rete模糊模式的测试域进行匹配，并将匹配成功的事实项存储到对应的α寄存器中，然后再根据α寄存器的更新情况进行reteflag的更新，将reteflag为true的模糊规则的结论作为模糊推理结果。

4.根据权利要求3所属的一种基于自学习机制的快速匹配模糊推理方法，其特征在于所述将事实项与rete模糊模式的测试域进行匹配，并将匹配成功的事实项存储到对应的α寄存器中，然后再根据α寄存器的更新情况进行reteflag的更新包括以下步骤：

以参数名称测试域为rete模糊模式网络的入口节点，开始进行rete模糊模式网络匹配：

如果参数名称测试域匹配成功，则顺着匹配链寻找下面的模糊量词测试域节点，继续进行匹配；

如果全部匹配成功，将对应事实项存储到α寄存器中；

当rete模糊模式网络匹配过程完成后，便开始连接网络匹配：

当某个模糊模式的α寄存器被更新后，遍历对应连接网络的所有模式的α寄存器，并判断所有模式是否匹配成功；如果该连接网络对应的所有模式全部匹配成功，则将reteflag更新为true，将对应模糊规则的结论作为模糊推理结果；如果该连接网络对应的所有模式未全部匹配成功，则将reteflag更新为false。

5.根据权利要求1所述的一种基于自学习机制的快速匹配模糊推理方法，其特征在于所述误差值通过以下公式得到：

上式中，E为误差值，y_理论为最终推理结果；y_实际为实际反馈结果。

6.根据权利要求4所述的一种基于自学习机制的快速匹配模糊推理方法，其特征在于所述进行反向误差传播，修正模糊规则的规则强度通过下式实现：

对于模糊推理结果的结论y_j，该结论对应的某规则i的规则强度w_ij调节公式如下：

w_ij(n+1)＝w_ij(n)+ηΔw_ij i＝1,2,...,M (3)

其中，Δw_ij为每次规则强度修正的变化量，η为学习步长，n为当前迭代次数，i为规则序号，M为结论y_j对应的规则数目。

7.根据权利要求6所述的一种基于自学习机制的快速匹配模糊推理方法，其特征在于所述每次规则强度修正的变化量Δw_ij通过以下公式得到：

其中，E为误差值，y_理论为最终推理结果；y_实际为实际反馈值，f(y_j)为结论y_j对应的模糊集中心值，y_j为结论对应的结论可信度，a_ij为结论y_j对应的规则i的前件可信度，w_ij为结论y_j对应的规则i的规则强度。