【文章內(nèi)容簡(jiǎn)介】 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)直接控制的基本思想。人工神經(jīng)元是生物神經(jīng)元的近似模擬，它是一種多輸入單輸出非線性的信息處理單元。[224]。 人工神經(jīng)元模型 Artificial Neuron Model，是神經(jīng)元的輸入，表示從其他神經(jīng)元傳來(lái)的輸入信號(hào)的個(gè)數(shù)，是神經(jīng)元的閾值；分別是神經(jīng)元對(duì)的連接權(quán)系數(shù)；是神經(jīng)元的輸出，是激發(fā)函數(shù)，它決定神經(jīng)元受到輸入的共同刺激達(dá)到閾值時(shí)以何種方式輸出。該神經(jīng)元的數(shù)學(xué)模型表達(dá)式為：狀態(tài)： ()輸出： ()激發(fā)函數(shù)決定神經(jīng)元節(jié)點(diǎn)的輸出，它有多種形式，常用的有如下幾種形式。(1)階躍型函數(shù)： ()(2)線性型函數(shù)： ()(3)Sigmiod函數(shù)： ()神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)。根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡(luò)可分成兩大類“沒(méi)有反饋的前向網(wǎng)絡(luò)和互相結(jié)合性網(wǎng)絡(luò)”。前向網(wǎng)絡(luò)由輸入層、中間層（或稱隱層）和輸出層組成，中間層可有若干層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出?；ハ嘟Y(jié)合性網(wǎng)絡(luò)中任意兩個(gè)神經(jīng)元都有可能連接，因此輸入信號(hào)要在神經(jīng)元之間反復(fù)往返傳遞，從某一初態(tài)開始，經(jīng)過(guò)若干次的變化，漸漸趨于某一穩(wěn)定狀態(tài)或進(jìn)入周期振蕩等其它狀態(tài)。人工神經(jīng)網(wǎng)絡(luò)主要有BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、CMAC網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)等。在眾多神經(jīng)網(wǎng)絡(luò)模型中，應(yīng)用最廣泛的是BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)，它們都有很強(qiáng)的生物背景和逼近任意非線性函數(shù)的能力，但各有所長(zhǎng)。BP網(wǎng)絡(luò)的輸出與網(wǎng)絡(luò)的連接權(quán)之間呈非線性關(guān)系，這使得其學(xué)習(xí)算法必須采用非線性優(yōu)化方法，因而不可避免地存在局部極小點(diǎn)問(wèn)題，針對(duì)這一點(diǎn)，己有許多學(xué)者提出了改進(jìn)算法。而對(duì)于RBF網(wǎng)絡(luò)，則具有唯一最佳逼近的優(yōu)點(diǎn)，其網(wǎng)絡(luò)的連接權(quán)與輸出呈線性關(guān)系的特點(diǎn)使得它能采用可保證全局收斂的線性優(yōu)化算法，但其中心點(diǎn)集不易選取。目前雖然已有數(shù)十種的神經(jīng)網(wǎng)絡(luò)模型，但根據(jù)已有的神經(jīng)網(wǎng)絡(luò)，可分為三大類，即前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)[25~27]。(1)前向網(wǎng)絡(luò)前向網(wǎng)絡(luò)又稱前饋型神經(jīng)網(wǎng)絡(luò)。神經(jīng)元分層排列，有輸入層、中間層（或稱隱層）和輸出層組成，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。前向網(wǎng)絡(luò)是一種強(qiáng)有力的學(xué)習(xí)系統(tǒng)，其結(jié)構(gòu)簡(jiǎn)單易于編程，它通過(guò)簡(jiǎn)單非線性處理單元的復(fù)合映射，可獲得復(fù)雜的非線性處理能力，但是它缺乏豐富的動(dòng)力學(xué)行為。 前向網(wǎng)絡(luò)結(jié)構(gòu) Forward Network Structure(2)反饋網(wǎng)絡(luò)。若總結(jié)點(diǎn)（神經(jīng)元）數(shù)為，則每個(gè)節(jié)點(diǎn)有個(gè)輸入和一個(gè)輸出，也就是說(shuō)，所有節(jié)點(diǎn)都是一樣的，它們之間都可以相互連接。反饋網(wǎng)絡(luò)是一種反饋動(dòng)力學(xué)系統(tǒng)，它需要工作一段時(shí)間才能達(dá)到穩(wěn)定。 反饋網(wǎng)絡(luò)結(jié)構(gòu) Feedback Network Structure(3)自組織網(wǎng)絡(luò)自組織網(wǎng)絡(luò)中，輸出節(jié)點(diǎn)與相鄰的其他節(jié)點(diǎn)廣泛相連，并互相激勵(lì)。輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)之間通過(guò)強(qiáng)度相連接，通過(guò)某種控制規(guī)則，不斷的調(diào)整，使得在穩(wěn)定時(shí)，每一鄰域的所有節(jié)點(diǎn)對(duì)某種輸入具有類似的輸出，并且這種聚類的概率分布與輸入模式的概率分布相接近。學(xué)習(xí)能力是人工神經(jīng)網(wǎng)絡(luò)智能特性的主要標(biāo)志。所謂神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，主要是指通過(guò)一定的學(xué)習(xí)算法實(shí)現(xiàn)對(duì)突觸結(jié)合強(qiáng)度（權(quán)值）的調(diào)整，使其達(dá)到具有記憶、識(shí)別、分類、信息處理和問(wèn)題優(yōu)化求解等功能。目前神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法有多種，按有導(dǎo)師可分為：有教師學(xué)習(xí)、無(wú)教師學(xué)習(xí)和再勵(lì)學(xué)習(xí)。在有教師的學(xué)習(xí)方式中，網(wǎng)絡(luò)的輸出和期望的輸出（即教師信號(hào)）進(jìn)行比較，然后根據(jù)兩者之間的差異調(diào)整網(wǎng)絡(luò)的權(quán)值，最終使差異變小。在無(wú)教師學(xué)習(xí)中，輸入模式進(jìn)入網(wǎng)絡(luò)后，網(wǎng)絡(luò)按照一預(yù)先設(shè)定的規(guī)則（如競(jìng)爭(zhēng)規(guī)則）自動(dòng)調(diào)整權(quán)值，使網(wǎng)絡(luò)最終具有模式分類等功能。再勵(lì)學(xué)習(xí)是介于上述兩者之間的一種學(xué)習(xí)方式。(1)Hebb學(xué)習(xí)規(guī)則Hebb學(xué)習(xí)規(guī)則是一種無(wú)教師的學(xué)習(xí)方法，它只根據(jù)神經(jīng)元連接間水平改變權(quán)值，因此這種方法又稱為相互學(xué)習(xí)或并聯(lián)學(xué)習(xí)。按照Hebb學(xué)習(xí)規(guī)則，調(diào)整的原則為：若第個(gè)與第個(gè)神經(jīng)元同時(shí)處于興奮狀態(tài)，則它們之間的連接應(yīng)當(dāng)加強(qiáng)，即： ()其中為連接從神經(jīng)元到的當(dāng)前權(quán)值；、為神經(jīng)元的激活水平。這一規(guī)則與“條件反射”學(xué)說(shuō)一致，并已得到神經(jīng)細(xì)胞學(xué)說(shuō)的證實(shí)。(2)Delta(δ)學(xué)習(xí)規(guī)則假設(shè)誤差準(zhǔn)則函數(shù)，其中代表期望輸出（教師信號(hào)）；為網(wǎng)絡(luò)的實(shí)際輸出；是網(wǎng)絡(luò)的所有權(quán)值組成的向量，；為輸入模式，訓(xùn)練樣本數(shù)沿著E的負(fù)梯度方向不斷修正值，直到E達(dá)到最小，的修正規(guī)則為： ()上式稱為學(xué)習(xí)規(guī)則，又稱誤差修正規(guī)則。(3)概率式學(xué)習(xí)概率式學(xué)習(xí)的典型代表是Boltzmann機(jī)學(xué)習(xí)規(guī)則。它是基于模擬退火的統(tǒng)計(jì)優(yōu)化方法，因此又稱為模擬退火算法。Boltzmann機(jī)模型是一個(gè)包括輸入、輸出和隱含層的多層網(wǎng)絡(luò)，但隱含層間存在互聯(lián)結(jié)構(gòu)且網(wǎng)絡(luò)層次不明顯。對(duì)于這種網(wǎng)絡(luò)的訓(xùn)練過(guò)程，就是根據(jù)規(guī)則 ()對(duì)神經(jīng)元、間的連接權(quán)值進(jìn)行調(diào)整的過(guò)程。其中為學(xué)習(xí)速率；表示網(wǎng)絡(luò)受到學(xué)習(xí)樣本的約束且系統(tǒng)達(dá)到平衡狀態(tài)時(shí)第個(gè)和第個(gè)神經(jīng)元同時(shí)為1的概率；表示系統(tǒng)為自由運(yùn)轉(zhuǎn)狀態(tài)達(dá)到平衡狀態(tài)時(shí)第個(gè)和第個(gè)神經(jīng)元同時(shí)為1的概率。調(diào)整權(quán)值的原則是：當(dāng)時(shí)，權(quán)值增加，否則減少。(4)競(jìng)爭(zhēng)式學(xué)習(xí)競(jìng)爭(zhēng)式學(xué)習(xí)屬于無(wú)教師學(xué)習(xí)方式。它利用不同層間的神經(jīng)元發(fā)生興奮性聯(lián)接，以及同一層內(nèi)距離很近的神經(jīng)元間發(fā)生同樣的興奮性聯(lián)接，而距離較遠(yuǎn)的神經(jīng)元產(chǎn)生抑制性聯(lián)接。在這種聯(lián)接機(jī)制中引入競(jìng)爭(zhēng)機(jī)制的學(xué)習(xí)方式稱為競(jìng)爭(zhēng)式學(xué)習(xí)。它的本質(zhì)在于神經(jīng)網(wǎng)絡(luò)中高層次的神經(jīng)元對(duì)低層次神經(jīng)元的輸入模式進(jìn)行競(jìng)爭(zhēng)識(shí)別。神經(jīng)網(wǎng)絡(luò)和模糊集理論都是介于傳統(tǒng)人工智能的符號(hào)推理和傳統(tǒng)控制理論的數(shù)值計(jì)算之間的方法。兩者有某些共同的基本特點(diǎn)，可以認(rèn)為兩者是互補(bǔ)的。模糊控制利用專家的先驗(yàn)知識(shí)進(jìn)行近似處理，但在工程實(shí)際應(yīng)用中對(duì)時(shí)變參數(shù)非線性系統(tǒng)，缺乏在線學(xué)習(xí)或自調(diào)整的能力。如何自動(dòng)生成或調(diào)整隸屬度函數(shù)或調(diào)整模糊規(guī)則，是一個(gè)很復(fù)雜的問(wèn)題。神經(jīng)網(wǎng)絡(luò)是典型的學(xué)習(xí)模式，當(dāng)學(xué)習(xí)完后，神經(jīng)網(wǎng)絡(luò)所獲得輸入/輸出關(guān)系無(wú)法用容易被人接受的方式表示出來(lái)。神經(jīng)網(wǎng)絡(luò)雖然具有并行計(jì)算、分布式信息存貯、容錯(cuò)能力強(qiáng)及具備自適應(yīng)學(xué)習(xí)功能等一系列優(yōu)點(diǎn)，但不適于表達(dá)基于規(guī)則的知識(shí)。因此，神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，由于不能很好地利用已有的經(jīng)驗(yàn)知識(shí)，常常只能將初始權(quán)值取為零或隨機(jī)數(shù)，從而增加了網(wǎng)絡(luò)的訓(xùn)練時(shí)間或者陷入非要求的局部極值。如何將模糊理論的知識(shí)表達(dá)容易和神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力強(qiáng)這兩種優(yōu)勢(shì)結(jié)合起來(lái)，取長(zhǎng)補(bǔ)短，提高整個(gè)系統(tǒng)的學(xué)習(xí)能力和表達(dá)能力，是整個(gè)控制工程界需要解決的問(wèn)題[28]。模糊神經(jīng)網(wǎng)絡(luò)是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合，它吸取了兩者的長(zhǎng)處，可組成比單獨(dú)的神經(jīng)網(wǎng)絡(luò)或單獨(dú)的模糊系統(tǒng)性能更好的系統(tǒng)。模糊神經(jīng)網(wǎng)絡(luò)與單獨(dú)的模糊系統(tǒng)或神經(jīng)網(wǎng)絡(luò)一樣，也具有非線性函數(shù)的映射能力?？蛇M(jìn)行模糊信息處理的神經(jīng)網(wǎng)絡(luò)稱為模糊神經(jīng)網(wǎng)絡(luò)。它通常是一類由大量模糊的或非模糊的神經(jīng)元相互聯(lián)接構(gòu)成的網(wǎng)絡(luò)系統(tǒng)，也可以把神經(jīng)網(wǎng)絡(luò)與模糊控制進(jìn)行簡(jiǎn)單的融合。目前神經(jīng)元網(wǎng)絡(luò)與模糊技術(shù)的融合方式，大致有下列三種[29]：(1)神經(jīng)元、模糊模型該模型以模糊控制為主體，應(yīng)用神經(jīng)元網(wǎng)絡(luò)，實(shí)現(xiàn)模糊控制的決策過(guò)程。以模糊控制方法為“樣本”，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練學(xué)習(xí)，“樣本”就是學(xué)習(xí)的“教師”。所有樣本學(xué)習(xí)完以后，這個(gè)神經(jīng)元網(wǎng)絡(luò)就是一個(gè)聰明靈活的模糊規(guī)則表。 神經(jīng)元、模糊模型 Fuzzy Control And Neuron Network Model(2)模糊、神經(jīng)模型該模型以神經(jīng)網(wǎng)絡(luò)為主體，將輸入空間分割成若干不同形式的模糊推論組合，對(duì)該系統(tǒng)先進(jìn)行模糊邏輯判斷，以模糊控制器輸出作為神經(jīng)元網(wǎng)絡(luò)的輸入，具有自學(xué)習(xí)的智能控制特性。(3)神經(jīng)與模糊模型該模型根據(jù)輸入量的不同性質(zhì)分別由神經(jīng)網(wǎng)絡(luò)與模糊控制并行直接處理輸入信息，直接作用于控制對(duì)象，各自發(fā)揮控制特點(diǎn)。模糊神經(jīng)網(wǎng)絡(luò)有多種類型，與一般神經(jīng)網(wǎng)絡(luò)相類似，通常將最基本的神經(jīng)網(wǎng)絡(luò)劃分為前向型模糊神經(jīng)網(wǎng)絡(luò)和反饋型模糊神經(jīng)網(wǎng)絡(luò)兩類[30]。前向型模糊神經(jīng)網(wǎng)絡(luò)是一類可實(shí)現(xiàn)模糊映射關(guān)系的模糊網(wǎng)絡(luò)。這類網(wǎng)絡(luò)通常由模糊化層、模糊關(guān)系映射層和去模糊化層構(gòu)成。模糊化層是對(duì)模糊信息進(jìn)行預(yù)處理的網(wǎng)層，主要由模糊化神經(jīng)元組成。其主要功能是對(duì)觀測(cè)值和輸入值進(jìn)行規(guī)范化處理，使之適應(yīng)后面的網(wǎng)絡(luò)化處理。模糊關(guān)系映射層是前向型模糊神經(jīng)網(wǎng)絡(luò)的核心，可模擬執(zhí)行模糊關(guān)系的映射，以實(shí)現(xiàn)模糊模式識(shí)別、模糊推理和模糊聯(lián)想等。去模糊化層可對(duì)映射層的輸出結(jié)果進(jìn)行非模糊化處理。反饋型模糊神經(jīng)網(wǎng)絡(luò)主要是一類可實(shí)現(xiàn)模糊聯(lián)想存儲(chǔ)與映射的網(wǎng)絡(luò)，有時(shí)也稱為模糊聯(lián)想存儲(chǔ)器。與一般反饋型神經(jīng)網(wǎng)絡(luò)所不同的是，反饋型模糊神經(jīng)網(wǎng)絡(luò)中神經(jīng)元不是普通的閾值神經(jīng)元，而是模糊神經(jīng)元。(1)模糊化神經(jīng)元模糊化神經(jīng)元是一類可將觀察值或輸入值定量化或標(biāo)準(zhǔn)化的神經(jīng)元。它接受離散或連續(xù)的、確定的或模糊的單元輸入，而輸出由系統(tǒng)模糊變量基本狀態(tài)隸屬函數(shù)所確定的標(biāo)準(zhǔn)化的值。研究中通常選用單輸入單輸出形式，其輸入輸出關(guān)系為： ()其中函數(shù)為模糊化函數(shù)，通常取分段函數(shù)。(2)解模糊神經(jīng)元第二種類似的模糊神經(jīng)元，也稱為去模糊化神經(jīng)元，是一類可將以“分布值”表示的輸出結(jié)果以“確定性值”的形式輸出的信息處理單元。為了將“分布值”轉(zhuǎn)化為“確定性值”，去模糊化函數(shù)通常是一類可將“分布值”整合為其所對(duì)應(yīng)的“確定性值”的一類函數(shù)，其整合功能包括“映射”與“逼近”。(3)模糊邏輯神經(jīng)元在模糊神經(jīng)網(wǎng)絡(luò)中，最主要的也是最經(jīng)常使用的一類模糊神經(jīng)元是模糊邏輯神經(jīng)元。這是一類多輸入單輸出類型的神經(jīng)元，其輸入輸出關(guān)系為： () ()其中：為神經(jīng)元輸入，其值取區(qū)間[0，1]上的值；為神經(jīng)元連接權(quán)值，其值取區(qū)間[0，1]上的值；為神經(jīng)元輸出，其值取區(qū)間[0，1]上的值；為神經(jīng)元閾值；為輸出函數(shù)，常取為單調(diào)升函數(shù)；為模糊邏輯函數(shù)或模糊整合函數(shù)，具體形式根據(jù)實(shí)際情況和需要確定。本章主要闡述了模糊控制系統(tǒng)的基本原理、模糊控制實(shí)現(xiàn)的過(guò)程和方法；神經(jīng)網(wǎng)絡(luò)的基本原理及其學(xué)習(xí)方法，并簡(jiǎn)要介紹了如何將兩者有機(jī)的結(jié)合，為下一章利用模糊神經(jīng)網(wǎng)絡(luò)控制變頻空調(diào)壓縮機(jī)工作頻率奠定了理論基礎(chǔ)。東北大學(xué)碩士學(xué)位論文 第4章　智能變頻空調(diào)控制系統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)第4章　智能變頻空調(diào)控制系統(tǒng)的模糊神經(jīng) 網(wǎng)絡(luò)算法設(shè)計(jì)在了解了模糊控制和神經(jīng)網(wǎng)絡(luò)理論的相關(guān)知識(shí)后，本章將結(jié)合模糊控制器的工作原理，構(gòu)造模糊控制模型，確定模糊控制規(guī)則。并在此基礎(chǔ)上嘗試將神經(jīng)網(wǎng)絡(luò)和模糊控制技術(shù)相結(jié)合，設(shè)計(jì)智能變頻空調(diào)模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，并對(duì)其進(jìn)行仿真。變頻空調(diào)器的溫控系統(tǒng)是一個(gè)多輸入多輸出、非線性的時(shí)滯系統(tǒng)。由于空調(diào)器的工作環(huán)境千變?nèi)f化，不確定因素很多，采用模糊控制具有很大的優(yōu)越性。比起傳統(tǒng)的控制方式來(lái)說(shuō)，系統(tǒng)的抗干擾能力更強(qiáng)，響應(yīng)速度更快，并對(duì)系統(tǒng)參數(shù)的變化有較強(qiáng)的魯棒性。首先通過(guò)A/D采樣讀入空調(diào)環(huán)境的溫度值，計(jì)算溫差和溫差變化變化率，并加以離散化，分成幾檔，每一檔對(duì)應(yīng)一個(gè)模糊子集，這樣就完成了精確量的模糊化，得到模糊量值。再根據(jù)預(yù)先確定的模糊規(guī)則，作出模糊決策。通過(guò)解模糊處理后得到控制對(duì)象的精確調(diào)節(jié)值，空調(diào)系統(tǒng)根據(jù)模糊控制器的該輸出值進(jìn)行調(diào)節(jié)，滿足用戶要求。 變頻空調(diào)模糊控制器工作原理 Variable Frequency Airconditioning Fuzzy Control Procedure模糊控制算法中要求明確輸入、輸出變量和模糊控制規(guī)則，以便清晰化處理。本設(shè)計(jì)采用二維模糊控制器，設(shè)模糊語(yǔ)言變量為溫差和溫差變化率作為輸入量，變頻壓縮機(jī)工作頻率變化作為輸出量。輸入變量溫度偏差及溫度偏差變化率滿足： () ()其中：為室內(nèi)溫度；為預(yù)設(shè)溫度；為采樣時(shí)間。模糊控制器將現(xiàn)實(shí)的精確量、進(jìn)行模糊化，由不同狀態(tài)下的控制規(guī)則計(jì)算出輸出頻率變化量，將其精確化后加到變頻壓縮機(jī)上，即為模糊控制器的主要工作過(guò)程。模糊控制器的輸入量是精確量，模糊推理是針對(duì)模糊量進(jìn)行的，因此應(yīng)先對(duì)輸入量模糊化。本文基于常規(guī)模糊系統(tǒng)的模糊模型即標(biāo)準(zhǔn)模型構(gòu)建模糊系統(tǒng)。 常規(guī)模糊系統(tǒng)的模型 Regular Fuzzy Control System Model設(shè)輸入向量為，每個(gè)分量經(jīng)過(guò)模糊化后均轉(zhuǎn)化為模糊語(yǔ)言變量，其語(yǔ)言變量值為： ()其中是變量的第個(gè)語(yǔ)言變量值，它是定義在論域上的模糊集合。例如為負(fù)大、負(fù)中、正小等，相應(yīng)的隸屬度函數(shù)為，它是正態(tài)分布函數(shù)（高斯函數(shù)）。本文設(shè)計(jì)的系統(tǒng)中，溫差（單位：℃）實(shí)際變化范圍取，溫差論域，采用{負(fù)大、負(fù)中、負(fù)小、零、正小、正中、正大}共7個(gè)模糊子集來(lái)描述。溫差變化率（單位：℃/分鐘）實(shí)際變化范圍取，溫差變化率論域，也采用{負(fù)大、負(fù)中、負(fù)小、零、正小、正中、正大}共7個(gè)模糊子集來(lái)描述。輸入變量的隸屬度函數(shù)均用正態(tài)分布函數(shù)來(lái)表示。正態(tài)分布函數(shù)的表達(dá)式為： ()。 隸屬度函數(shù)網(wǎng)絡(luò)模型 Network Model of Subordinate Function 模糊神經(jīng)網(wǎng)絡(luò)（FNN）接點(diǎn)的作用函數(shù)即為()式的正態(tài)函數(shù)。(A)層到(B)層的連接權(quán)值，即清晰量轉(zhuǎn)化為模糊量的量化因子；為網(wǎng)絡(luò)權(quán)值中心值；網(wǎng)絡(luò)權(quán)值表示函數(shù)的分布參數(shù)，又稱尺度因子；表示正態(tài)型激活函數(shù)（作用函數(shù)）。于是FNN的輸入輸出映射關(guān)系為： ()用正態(tài)型函數(shù)作為節(jié)點(diǎn)激發(fā)函數(shù)，比用兩個(gè)S型函數(shù)構(gòu)成的隸屬