基于聚类模糊方法的啤酒酿造车间能耗分析系统设计

(1)数据清理首先是处理空缺值，如：要分析某市场的销售和顾客数据，但顾客的income项没有记录，如何处理这类问题：①忽略元组，忽略整条记录；②人工填写空缺值，根据其它资料手工填写；③使用一个全局常量填充空缺值，使所有income项记录都以一个常量(如：2000)填充；④使用属性的平均值填充空缺值，取得其它记录中该属性的平均值进行填充；⑤使用与给定元组属同一类的所有样本的平均值，与上面相类似；⑥使用最可能的值填充空缺值，与上面相类似，然后是处理噪声数据；⑦分箱：通过考察周围的值来平滑存储数据的值，有两种方法：按箱平均值平滑，箱中每一个值被箱中的平均值替换；按箱边界平滑，箱中的最大和最小值被视为箱边界，箱中的每一个值被最近的边界值替换；⑧计算机和人工检查结合：即手工处理，最后是处理不一致数据，主要方法是参照其它资料，如纸上记录，人工的加以更正。(2)数据集成即由多个数据存储合并数据。(3)数据变换将数据转换成适用于数据挖掘的形式。(4)数据归约数据挖掘时往往数据量非常大，在少量数据上进行挖掘分析需要很长的时间，数据归约技术可以用来得到数据集的归约表示，它小得多，但仍然接近于保持原数据的完整性，并且结果与归约前的结果相同或几乎相同。数据预处理是目前数据挖掘一个热门的研究方面，毕竟这是由数据预处理的产生背景所决定的——现实世界中的数据几乎都是脏数据。数据的清理隶属度定义：美国加利福尼亚大学控制论教授扎得()经过多年的研究，终于在1965年首先发表了题为《模糊集》的论文。指出：若对论域(研究的范围)U中的任一元素x，都有一个数A(x)∈[0，1]与之对应，则称A为U上的模糊集，A(x)称为x对A的隶属度。当x在U中变动时，A(x)就是一个函数，称为A的隶属函数。隶属度A(x)越接近于1，表示x属于A的程度越高，A(x)越接近于0表示x属于A的程度越低。用取值于区间[0，1]的隶属函数A(x)表征x属于A的程度高低，这样描述模糊性问题比起经典集合论更为合理。隶属度属于模糊评价函数里的概念：模糊综合评价是对受多种因素影响的事物做出全面评价的一种十分有效的多因素决策方法，其特点是评价结果不是绝对地肯定或否定，而是以一个模糊集合来表示。图6.1图6.2B的隶属度函数图6.3图6.4D的隶属度函数图6.5E的隶属度函数图6.6图6.7H的隶属度函数图6.8输出的隶属度函数模糊规则是对专家的理论知识与实践经验的总结。本文中有389个输入、输出，理想情况应当编写389条规则，但由于规则重复的概率比较高，故应当抽样选取一部分编写规则，这里抽取了80个点作为参照点。在RulesEditor窗口中输入控制规则。例如：if(Ais小)and(Bis中)and(Dis小)and（Eis大）and（Gis小）and(His中)then(输出is大)这样得到了10条模糊规则，具体如图6.9所示：图6.9模糊规则模糊决策一般采用Mamdani’s(min-max)决策法。解模糊有重心法、等分法、最大隶属度平均法等5种可供选择，在此采用重心法(centroid)。如此设计的模糊控制器的输出与输入的关系曲面图如图6.10所示。显然模糊控制是一种非线性控制。图6.10模糊模型输入输出曲面图这样即可得到系统的的模糊模型如图6.11所示：图6.11模糊模型至此模糊建模工作完成。在模糊逻辑工具箱中能方便地修改输入输出的论域、模糊子集、隶属度函数、模糊规则、模糊决策方法及解模糊方案。由于定义隶属度函数及设计模糊规则的自由程度比较高，并没有特定的设计方法，只能依靠经验。因此，建立的模型可能仍有改进余地，因此需要对模型加以验证和改进。MATLAB提供的SIMULINK是一个用来对动态系统进行建模、仿真和分析的软件包，它支持连续、离散及两者混合的线性和非线性系统。SIMULINK包含多个子模型库，每个子模型库中又包含多个功能模块。利用鼠标可直观地“画”出系统模型，然后直接进行仿真。仿真时可选择各种数值算法、仿真步长等重要参数，并可用模拟示波器将仿真动态结果予以显示，直观高效。如果对建模得出的结果不满意，可以调整模糊规则和隶属度函数。SIMLINK仿真接线图如图6.12所