我们前文已经深度解读了三角形、梯形、高斯、S型和Z型隶属函数，现在转向Pi型。当然我们先简要回顾不同隶属函数的特点和曲线效果。了解每种隶属函数的特性是为了更好的应用。

一、回顾五种隶属函数的特点

        1.从每种隶属函数的结构和特点角度对比。三角形隶属函数，结构简单，计算效率高，但可能不够平滑。梯形则扩展了三角形，有更宽的顶部，适用于更广的区间，但同样可能有突变的问题。高斯函数基于正态分布，平滑且对称，适合自然现象，但计算复杂一些。S型和Z型是互补的，S型递增，Z型递减，适合单边变化，但不能处理对称或多峰的情况。

        2.从优缺点角度对比。三角形需要提到简单高效，但不够灵活；梯形覆盖更广但不够平滑；高斯平滑但计算量大；S型适合单边但参数敏感；Z型类似但方向相反。以下是五种隶属函数优缺点的简单总结：

（1）三角形隶属函数

·优点：计算高效、简单直观，适合快速建模；

·缺点：隶属度变化不够平滑，无法描述宽泛区间。

详细内容可看我CSDN文章：https://lzm07.blog.csdn.net/article/details/146400949

（2）梯形隶属函数

·优点：支持更宽的隶属区间，灵活性略高于三角形；

·缺点：过渡区域仍有突变，不适用于自然渐变场景。

详细内容可看我CSDN文章：https://lzm07.blog.csdn.net/article/details/146400949

（3）高斯隶属函数

·优点：平滑对称，适合自然现象建模；

·缺点：计算复杂度较高，参数（标准差）物理意义不够直观。

详细内容可看我CSDN文章：https://lzm07.blog.csdn.net/article/details/146400949

（4）S型隶属函数

·优点：单边平滑递增，适合描述“高值”渐变；

·缺点：无法描述对称或多峰集合，参数调整敏感。

详细内容可看我CSDN文章：https://lzm07.blog.csdn.net/article/details/146439053

（5）Z型隶属函数

·优点：单边平滑递减，适合描述“低值”渐变；

·缺点：与S型类似，是S型的反向，无法覆盖对称逻辑，需结合其他函数使用。

详细内容可看我CSDN文章：https://lzm07.blog.csdn.net/article/details/146443321

        3.从如何选择适合的隶属函数角度对比。实时系统可能需要计算效率高的三角形或梯形，而需要平滑处理的情况可能用高斯或S/Z型。

        4.从参数调整的难易程度角度对比。三角形只能调整三个点，而梯形可以调整四个点。高斯函数的参数虽不如梯形直观，但通过标准差和均值调整比梯形灵活。S型和Z型通过斜率和中心点调整，但需要处理正负参数，可能对新手不够直观。

二、对比五种隶属函数的图形

        接下来，对比三角形、梯形、高斯、S型和Z型隶属函数的图形，并将它们放在同一张图中展示，可以更直观的了解各隶属函数的不同。当然，由于这几种隶属函数的定义和参数不同，所以我们需要先确定每个函数的参数，三角形的a、b、c，梯形的a、b、c、d，高斯的中心和标准差，S型和Z型的斜率和中心点。为了图形美观，可能需要调整参数，使得各个函数在同一个x范围内（比如0到10）有部分重叠，便于比较。

        例如，设定x从0到10，三角形函数的参数是a=2, b=5, c=8，梯形是a=1, b=3, c=7, d=9，高斯中心在5，标准差1.5，S型中心在3，斜率2，Z型中心在7，斜率-2。这样各个函数在图形中分布合理，不会重叠太多，又能展示各自特点。

        以下是使用Python绘制三角形、梯形、高斯、S型和Z型隶属函数的综合图形代码，所有曲线在同一坐标系中展示：

import numpy as np

import matplotlib.pyplot as plt



# ========================

# 隶属函数定义

# ========================

def triangular_mf(x, a, b, c):

    """三角形隶属函数"""

    return np.where(x <= a, 0,

           np.where(x <= b, (x - a)/(b - a),

           np.where(x <= c, (c - x)/(c - b), 0)))



def trapezoidal_mf(x, a, b, c, d):

    """梯形隶属函数"""

    return np.where(x <= a, 0,

           np.where(x <= b, (x - a)/(b - a),

           np.where(x <= c, 1,

           np.where(x <= d, (d - x)/(d - c), 0))))



def gaussian_mf(x, center, sigma):

    """高斯隶属函数"""

    return np.exp(-(x - center)**2 / (2 * sigma**2))



def sigmoid_mf(x, slope, center):

    """S型隶属函数"""

    return 1 / (1 + np.exp(-slope * (x - center)))



def z_mf(x, slope, center):

    """Z型隶属函数（S型的反向）"""

    return 1 - sigmoid_mf(x, slope, center)



# ========================

# 参数设置与计算

# ========================

x = np.linspace(0, 10, 1000)  # X轴范围



# 参数配置

tri_params = (2, 5, 8)           # 三角形参数 (a, b, c)

trap_params = (1, 3, 7, 9)        # 梯形参数 (a, b, c, d)

gauss_params = (5, 1.2)           # 高斯参数 (μ, σ)

s_params = (2, 3)                 # S型参数 (k, x₀)

z_params = (-2, 7)                # Z型参数 (k, x₀)



# 计算所有隶属度

y_tri = triangular_mf(x, *tri_params)

y_trap = trapezoidal_mf(x, *trap_params)

y_gauss = gaussian_mf(x, *gauss_params)

y_s = sigmoid_mf(x, *s_params)

y_z = z_mf(x, *z_params)



# ========================

# 可视化设置

# ========================

plt.figure(figsize=(10, 6), dpi=100)



# 启用数学文本渲染

plt.rcParams.update({

    "text.usetex": False,          # 不使用LaTeX（避免依赖）

    "mathtext.default": "regular", # 普通数学字体

    "font.family": "serif",        # 衬线字体

    "font.serif": ["Times New Roman"],

    "axes.unicode_minus": False    # 解决负号显示问题

})



# 绘制所有曲线（使用LaTeX语法）

plt.plot(x, y_tri, lw=3,

         label=r'Triangular $(a=2,\ b=5,\ c=8)$')

plt.plot(x, y_trap, lw=3,

         label=r'Trapezoidal $(a=1,\ b=3,\ c=7,\ d=9)$')

plt.plot(x, y_gauss, lw=3,

         label=r'Gaussian $(\mu=5,\ \sigma=1.2)$')

plt.plot(x, y_s, '--', lw=3,

         label=r'S-shaped $(k=2,\ x_0=3)$')

plt.plot(x, y_z, ':', lw=3,

         label=r'Z-shaped $(k=-2,\ x_0=7)$')



# 图形装饰

plt.title('Membership Function Comparison', fontsize=14, pad=20)

plt.xlabel(r'Input Value $(x)$', fontsize=12)

plt.ylabel(r'Membership Degree $(\mu)$', fontsize=12)

plt.legend(loc='upper right', framealpha=0.9)

plt.grid(True, alpha=0.3)

plt.xlim(0, 10)

plt.ylim(-0.05, 1.05)



# 添加辅助线

plt.axhline(0, color='black', lw=0.5)

plt.axhline(1, color='black', lw=0.5)



plt.tight_layout()

plt.show()

输出图形说明：

（1）实线：三角形（蓝色）、梯形（橙色）、高斯（绿色）

（2）虚线：S型（红色）

（3）点线：Z型（紫色）

参数设置特点：

（1）三角形(2,5,8)：Triangular (a=2, b=5, c=8)，展示标准对称三角形

（2）梯形(1,3,7,9)：Trapezoidal (a=1, b=3, c=7, d=9)，展示宽平台特性

（3）高斯(5,1.2)：Gaussian (μ=5, σ=1.2)，中心对称平滑曲线

（4）S型(斜率2, 中心3)：S-shaped (k=2, x₀=3)，左侧快速上升

（5）Z型(斜率-2, 中心7)：Z-shaped (k=-2, x₀=7)，右侧快速下降

三、Pi型隶属函数

        经以上对比分析，我们了解到每一种隶属函数都有优缺点。接下来学习Pi型隶属函数。

        Pi型隶属函数（Π-shaped Membership Function）是一种对称的隶属函数，其形状类似于希腊字母“Π”，中间区域隶属度为1，两侧通过S型或Z型函数平滑过渡到0。它常用于描述“中等范围”或“接近目标值”的模糊概念，例如“适中温度”或“正常风险”。

1. 数学定义

Pi型隶属函数通常由两个S型函数组合而成：

·左侧：递增S型函数（从0到1）。

·右侧：递减Z型函数（从1到0）。

其数学表达式为：

其中：

S(x,a,c) 是S型函数：

c：中心点，隶属度为1的区间中心。

w：控制隶属度为1的区间宽度（半宽）。

a1 ,a2：分别控制左侧和右侧曲线的陡峭程度。

2. 特点

（1）对称性：关于中心点c 对称。

（2）平滑过渡：两侧通过S型函数平滑下降到0。

（3）灵活调整：w 控制中间平坦区域的宽度。a1 ,a2控制左右两侧的陡峭程度（|a|越大，过渡越陡峭）。

（4）应用场景：适合描述对称且需要中间高隶属度的模糊集合。

3. 应用场景

（1）温度控制：定义“适中温度”区间。

（2）风险评估：描述“正常风险”范围。

（3）工业控制：设定设备运行的“理想转速区间”。

（4）图像处理：识别“中等亮度”像素。

4. Python实现与可视化

以下是生成Pi型隶属函数图的Python代码示例：

import numpy as np

import matplotlib.pyplot as plt



def sigmoid(x, a, c):

    """S型函数"""

    return 1 / (1 + np.exp(-a * (x - c)))



def pi_shaped_mf(x, c, w, a_left, a_right):

    """Pi型隶属函数"""

    left = sigmoid(x, a_left, c - w)

    right = 1 - sigmoid(x, a_right, c + w)

    return left * right



# 定义参数

c = 5.0    # 中心点

w = 2.0    # 半宽（隶属度为1的区间为 [c - w, c + w]）

a_left = 3.0  # 左侧S型斜率

a_right = 3.0  # 右侧Z型斜率



# 生成输入值

x = np.linspace(0, 10, 1000)



# 计算隶属度

y = [pi_shaped_mf(t, c, w, a_left, a_right) for t in x]



# 绘制图形

plt.figure(figsize=(8, 4))

plt.plot(x, y, label=f'Π-shaped MF: c={c}, w={w}, a_left={a_left}, a_right={a_right}')

plt.title('Π-shaped Membership Function')

plt.xlabel('x')

plt.ylabel('Membership Degree (μ)')

plt.legend()

plt.grid(True)

plt.show()

 代码说明：

（1）函数定义：

·sigmoid：实现S型函数，用于构建Pi型函数的左侧和右侧。

·pi_shaped_mf：通过左侧S型函数和右侧Z型函数的乘积生成Pi型隶属度。

（2）参数设置：

·c = 5.0：中心点，隶属度为1的区间中心为x=5。

·w = 2.0：半宽，隶属度为1的区间为[5-2,5+2]=[3,7]。

·a_left = 3.0和a_right = 3.0：控制左右两侧的陡峭程度。

（3）运行结果：

图形在x=3到x=7之间隶属度接近1，两侧平滑下降至0。

5. 参数调整示例

（1）调整半宽w：

w = 1.0  # 隶属度为1的区间变窄（[4, 6]）

中间高隶属度区域缩小，两侧过渡更快。

（2）调整斜率a：

a_left = 5.0  # 左侧更陡峭

a_right = 1.0  # 右侧更平缓

左侧从0到1的过渡更陡，右侧从1到0的过渡更平缓。

6. 与高斯隶属函数的对比

特征	Pi型隶属函数	高斯隶属函数
数学形式	S型函数组合	指数函数
对称性	对称	对称
计算复杂度	中等（涉及多个指数运算）	中等（单指数运算）
参数意义	中心点c、半宽w、斜率a	中心点c、标准差σ
适用场景	需明确平坦区间的对称模糊集合	自然现象中的对称模糊集合

7. 优缺点分析

优点：明确控制中间平坦区间的宽度（w）。两侧过渡陡峭程度可独立调整（aleft,aright)。

缺点：计算复杂度略高于高斯函数。参数较多，调整需要更多经验。

8. 实际应用案例

案例：空调系统的“适中温度”控制

（1）输入变量：温度T（范围：10°C到30°C）。

（2）Pi型参数：c=20°C，w=5°C，aleft=aright=2.0。

（3）逻辑说明：

当温度在15°C 到25°C 之间时，隶属度为1（完全属于“适中温度”）。

温度低于15°C 或高于25°C 时，隶属度平滑下降。

9. 总结

        Pi型隶属函数通过组合S型和Z型函数，提供了对对称中间区域的灵活描述能力。它特别适用于需要明确平坦区间且两侧需平滑过渡的场景（如控制系统的“理想范围”）。通过调整参数c,w,a，可快速适配不同需求，是模糊逻辑工具箱中的重要组成部分。