【正文】 j4。}}void delayX10ms(unsigned char count) / { unsigned char j,k。delayus(80)。show_str(w[i])。lcdscmd(0x9a)。//四delayus(80)。show_str(Tpower)。lcdscmd(0x8d)。delayus(80)。show_str(f1)。}void display3(){lcdscmd(0x88)。delayus(80)。show_str( )。lcdscmd(0x92)。//二delayus(80)。show_str(功率(W))。lcdscmd(0x80)。P2=0X00。 ADC0_Init()。{ CLK_Init()。 P74OUT=0XFF。 P5MDOUT=0xFF。}void Port_IO_Init(){ XBR2= 0xC0。lcdscmd(0X06)。lcdscmd(0X0C)。lcdscmd(0X30)。lcdscmd(0X30)。 delayus(100)。*str。 delayus(110)。 delayus(110)。delayus(110)。 delayus(110)。 } CS=0。 delayus(2)。 else SDA = 1。 i=i1 ) { if ( ( sd2 amp。 }for ( i=0x80。 delayus(2)。 else SDA = 1。 i=i1 ) { if ( ( sd1 amp。 }for ( i=0x80。 delayus(2)。 else SDA = 1。 i=i1 ) { if ( ( cmd amp。 for ( i=0x80。0xf0。 CS=1。}void lcdsdat(uchar n) { uchar i,cmd,sd1,sd2。 CLK = 0。 CLK = 1。 i ) == 0 ) SDA = 0。 i=0x01。 CLK = 0。 CLK = 1。 i ) == 0 ) SDA = 0。 i=0x01。 CLK = 0。 CLK = 1。 i ) == 0 ) SDA = 0。 i=0x01。 sd2=n4。 sd1=namp。 cmd=0xf8。i++) {delayus(1050)。 for(i=0。i++)。 for(i=0。 CLK_Init() 。 AMX0SL=0x00。 ADC1CF=0x50。}void ADC1_Init(void)//AD1{ ADC1CN=0x80。 AMX0CF=0x00。 REF0CN=0x03。= 0xfb。 OSCICN |= 0x08。 while((OSCXCN amp。n255。 OSCXCN = 0x67。define CANCTRL 0x00 define CANSTAT 0x01 define ERRCNT 0x02 define BITREG 0x03 define INTREG 0x04 define CANTSTR 0x05 define BRPEXT 0x06 define IF1CMDRQST 0x08 define IF1CMDMSK 0x09 define IF1MSK1 0x0A define IF1MSK2 0x0B define IF1ARB1 0x0C define IF1ARB2 0x0D define IF1MSGC 0x0E define IF1DATA1 0x0F define IF1DATA2 0x10 define IF1DATB1 0x11 define IF1DATB2 0x12 define IF2CMDRQST 0x20 define IF2CMDMSK 0x21 define IF2MSK1 0x22 define IF2MSK2 0x23 define IF2ARB1 0x24 define IF2ARB2 0x25 define IF2MSGC 0x26 define IF2DATA1 0x27 define IF2DATA2 0x28 define IF2DATB1 0x29 define IF2DATB2 0x2A define TRANSREQ1 0x40 define TRANSREQ2 0x41 define NEWDAT1 0x48 define NEWDAT2 0x49 define INTPEND1 0x50 define INTPEND2 0x51 define MSGVAL1 0x58 define MSGVAL2 0x59 P4=0x00。sfr16 CAN0DAT = 0xD8。int MsgIntNum。int RXbuffer [4]。int MOOneIndex = 0。int i。char MsgNum。 sbit CLK=P2^2。致 謝首先，向所有支持和關(guān)心我的人們致以最誠摯的感謝！其次，衷心感謝我的指導(dǎo)教師張曉鋒教授、王宗剛老師，在他們的精心指導(dǎo)和耐心幫助下，才使本設(shè)計(jì)任務(wù)得以順利完成，感謝他們在畢業(yè)設(shè)計(jì)期間給予我的無私幫助，我將非常感激！感謝學(xué)院提供的良好設(shè)計(jì)條件，讓我可以安心進(jìn)行設(shè)計(jì)工作！最后，謹(jǐn)向百忙中抽出時(shí)間來參加我的論文答辯的各位老師表示衷心的感謝！附 錄程序清單：include includeincludeincludedefine uchar unsigned chardefine uint unsigned intsbit CS=P2^0。更進(jìn)一步地，在假設(shè)出形成模糊分割的輸出變量的隸屬函數(shù)和輸入變量隸屬函數(shù)，或者假設(shè)規(guī)則基礎(chǔ)為連續(xù)的情況下，我們要檢查這種算法是否可以被簡化。注意到，文章中假定linguistic輸出值是用形成模糊分割的不規(guī)則四邊形隸屬函數(shù)來描述的。其他兩種計(jì)算COG反模糊化的方法應(yīng)用上不如離散法直接，但他們的計(jì)算速度更快，計(jì)算精度更高。對于三個(gè)時(shí)域規(guī)范值和，討論了這兩種方法和廣泛應(yīng)用的離散法的計(jì)算精度，計(jì)算消耗和應(yīng)用復(fù)雜性。像在第一個(gè)實(shí)驗(yàn)中看到的，改良的變換函數(shù)法的計(jì)算消耗最小，其次是斜率法和離散法。表5列出了30次重復(fù)第二個(gè)實(shí)驗(yàn)的平均結(jié)果。斜率法和改良的變換函數(shù)法具有相同的計(jì)算精度，但由于改良的變換函數(shù)不用計(jì)算轉(zhuǎn)變點(diǎn)因此后者更快一些。當(dāng)檢測表4中的結(jié)果時(shí)，離散化方法的唯一優(yōu)點(diǎn)仿佛就是應(yīng)用簡單。Ⅳ.結(jié)論在表4中列出了50次重復(fù)第一個(gè)實(shí)驗(yàn)測得的RMSE值，相對以及絕對計(jì)算時(shí)間。并且，每30代規(guī)則基礎(chǔ)會(huì)通過爬山法被優(yōu)化，爬山法對同一個(gè)離散模型輸出會(huì)產(chǎn)生幾個(gè)不同的結(jié)果。第二個(gè)實(shí)驗(yàn)中，用一種遺傳算法——爬山法搜索，具有兩個(gè)輸入變量和一個(gè)輸出變量的已知MamdaniAssilian模型的隸屬函數(shù)和規(guī)則基礎(chǔ)。我們假設(shè)使用斜率法得到的結(jié)果是正確的，除了電腦產(chǎn)生的roundoff錯(cuò)誤，沒有做其它近似。例如，當(dāng)兩個(gè)參數(shù)重疊（相同）時(shí)，會(huì)得到一個(gè)矩形而不是更一般的不規(guī)則四邊形隸屬函數(shù)，或者當(dāng)兩個(gè)連續(xù)的參數(shù)值差別很小時(shí)，會(huì)產(chǎn)生帶有非常狹窄支撐的隸屬函數(shù)，這種特定形式的輸出隸屬函數(shù)常?？梢允箍侩x散化方法進(jìn)行反模糊化的精度有所提高。計(jì)算中使用了圖6中所示的5個(gè)隸屬函數(shù)和the sane randomly generated set of 1000 times 5 degrees of fulfilment。所有程序都是用Matlab語言編寫， Athlon處理其條件下執(zhí)行完成。 當(dāng)對N個(gè)模糊輸出進(jìn)行反模糊化時(shí)，改良的反模糊化方法在實(shí)際當(dāng)中的應(yīng)用包括以下幾個(gè)步驟：1）對n個(gè)linguistic值中的每一個(gè)，表2和3中的獨(dú)立因素都要計(jì)算。計(jì)算和的公式見表3。由全局模糊輸出定義的區(qū)域的重心不僅取決于n個(gè)適合的隸屬函數(shù)的面積和重心，還取決于n1個(gè)重疊區(qū)域的面積和重心，它的計(jì)算公式如下：當(dāng)形成一個(gè)模糊分割的不規(guī)則四邊形隸屬函數(shù)依據(jù)或被適當(dāng)調(diào)整時(shí)。參數(shù)是完成的一致程度。表Ⅱ中列出了計(jì)算和公式。當(dāng)計(jì)算N個(gè)模糊輸出的離散輸出時(shí)，對每一個(gè)模糊輸出：1） 轉(zhuǎn)變點(diǎn)是確定的（注意：不同模糊輸出之間的轉(zhuǎn)變點(diǎn)數(shù)量不同）2） 所有子區(qū)的和都要計(jì)算3） 由公式8得到改良的變換函數(shù)法是基于Patel和Mohan〔4〕，〔5〕提出的變換函數(shù)法，這種方法是一種在計(jì)算不規(guī)則四邊形隸屬函數(shù)的COG反模糊化方法上很有吸引力的一種技術(shù)。圖4表示了如何用和來描述不規(guī)則四邊形隸屬函數(shù)的特征。由于模糊輸出的形狀取決于使用的時(shí)域規(guī)范值，因此，使用和得到轉(zhuǎn)變點(diǎn)的過程各不相同，在選擇轉(zhuǎn)變點(diǎn)使用到的規(guī)則見圖3。并且所得到的子區(qū)的面積和重心容易計(jì)算：其中， 為了使用這個(gè)方法，出了計(jì)算子區(qū)面積和重心的公式外，還需要一個(gè)方法來確定子區(qū)?？梢钥吹?，由以上所描述的方法得出的兩個(gè)子區(qū)經(jīng)常是無交點(diǎn)的。如本文中假設(shè)的一樣，當(dāng)輸出值用不規(guī)則四邊形函數(shù)描述時(shí)，帶有和的MamdamiAssilian模型經(jīng)常會(huì)導(dǎo)致分段線性模糊輸出。一個(gè)平面到一個(gè)軸的力矩等于這個(gè)平面的面積S和該平面重心到軸的距離的乘積。為運(yùn)用反模糊化方法對N個(gè)模糊輸出進(jìn)行反模糊化時(shí)，將執(zhí)行一下計(jì)算：1) 用離散點(diǎn)的值構(gòu)建一個(gè)矢量2) 用n個(gè)原始隸屬函數(shù)計(jì)算矢量中所有離散點(diǎn)的隸屬度3) 對于每一個(gè)模糊輸出，用（）值計(jì)算隸屬度（），（）是與模糊輸出和適當(dāng)?shù)臅r(shí)域規(guī)范值相一致的完成程度。其中，矩形k越高，則它越窄，和真正的模糊輸出也越接近，在矩形k中模糊輸出被分割。方程式5轉(zhuǎn)化為方程式6。 離散法是COG反模糊化策略中最直接的工具。離散數(shù)出被定義為：實(shí)際當(dāng)中，方程式5由數(shù)值計(jì)算法近似得到。對于和，這個(gè)結(jié)果分別是：接下來，用計(jì)算時(shí)使用的時(shí)域規(guī)范值來計(jì)算適合的隸屬函數(shù)（y）全局模糊輸出A（y）由下式?jīng)Q定：最后，離散模糊輸出用模糊輸出A（y）的反模糊化形式定義，例如COG反模糊化方法。當(dāng)要確定模型的輸入時(shí)，首先，計(jì)算那些對規(guī)則規(guī)定具有優(yōu)先權(quán)的事件的linguistic值的模型輸入x的隸屬度函數(shù)（）。Ⅱ.應(yīng)用COG反模糊化方法A． COG反模糊化方法MamdaniAssilian模型的核心是r規(guī)則組成的規(guī)則基礎(chǔ)，r規(guī)則包括以下形式：：如果是，是，……，是，則y是這里（反映）是語言學(xué)意義上的變量（反映Y）的值，這個(gè)變量用隸屬函數(shù)表示。第Ⅲ和第Ⅳ部分將描述實(shí)驗(yàn)情況及實(shí)驗(yàn)結(jié)果。本文中語言學(xué)意義上的輸出值被假設(shè)用可以形成模糊分割的不規(guī)則四邊形隸屬函數(shù)來描述。斜率法和改良的變換函數(shù)法這兩種計(jì)算方法被引入并與著名的離散法（COG）做比較。然而，COG反模糊化方法會(huì)帶來很大的計(jì)算負(fù)擔(dān)，這在控制與模式識別以及整定應(yīng)用中是一個(gè)很大的不足。Ⅰ.簡介 綜合概述見〔1〕〔2〕.鑒于文獻(xiàn)中在描述不同的反模糊化方法時(shí)，不通的作者使用的術(shù)語不同，因此，研究