要想充分理解涌泉码我们先来讲一下传统的方式：

发送端和接收端双向沟通，发送端给接受端发送一个包，接收端接受成功以后会反馈一个确认信息ACK，说明我已经收到了，但是，当用户量非常大的时候，ACK越来越多，就会产生反馈风暴，造成堵塞。

之后我们就来介绍一下涌泉码：（图为简单的原理图）

先来通俗的解释一下，首先发送端将数据分为若干个组，然后向周围的水桶中发送水滴，然后，当桶满了之后，就会返回一个反馈信息，当收到所有分组的反馈信息之后，就会发送下一个数据，否则继续发送原来的数据。这也就是涌泉的由来。

首先生成若干个编码分组，我这里是四个，然后发送端编码器会想向四周的译码器缓存区发送包，当这个缓存区满了之后（即一组数据都完成了解码），才会返回给发送端一个ACK，当收到所有的ACK之后，收到所有的ACK代表完成传输，发送端才会发送新的包，否则继续发送组合包。

在讲解模糊PID前，我们先要了解PID控制器的原理（本文主要介绍模糊PID的运用,对PID控制器的原理不做详细介绍）。PID控制器（比例-积分-微分控制器）是一个在工业控制应用中常见的反馈回路部件，由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制；积分控制可消除稳态误差，但可能增加超调；微分控制可加快大惯性系统响应速度以及减弱超调趋势。

 

1.1传统PID控制



传统PID控制器自出现以来，凭借其结构简单、稳定性好、工作可靠、调整方便等优点成为工业控制主要技术。当被控对象的结构和参数具有一定的不确定性，无法对其建立精确的模型时，采用PID控制技术尤为方便。PID控制原理简单、易于实现，但是其参数整定异常麻烦。对于小车的速度控制系统而言，由于其为时变非线性系统不同时刻需要选用不同的PID参数，采用传统的PID控制器，很难使整个运行过程具有较好的运行效果。

 

1.2模糊PID控制

模糊PID控制，即利用模糊逻辑并根据一定的模糊规则对PID的参数进行实时的优化，以克服传统PID参数无法实时调整PID参数的缺点。模糊PID控制包括模糊化，确定模糊规则，解模糊等组成部分。小车通过传感器采集赛道信息，确定当前距赛道中线的偏差E以及当前偏差和上次偏差的变化ec，根据给定的模糊规则进行模糊推理，最后对模糊参数进行解模糊，输出PID控制参数。



 

2.1模糊化

模糊控制器主要由三个模块组成：模糊化，模糊推理，清晰化。具体如下图所示。而我们将一步步讲解如何将模糊PID算法运用到智能车上。（最好用笔一步步自己写一遍！！！）



首先我们的智能车会采集到赛道的相关数据，例如摄像头车，其采集到的数据经过算法处理之后会得到与中线的偏差E，以及当前偏差和上次偏差的变化（差值）EC两个值（即此算法为2维输入，同理也可以是1维和3维，但2维更适合智能车）。例如此时车偏离中线的距离为150，而上一时刻偏离中线的距离为120，则E为150，EC为150 - 120 = 30。

 其次我们要对这两个值进行模糊化。这里我们对E进行举例。摄像头车采集回来的E是有范围的，即与中线的偏差是在一个区间内可行的。在这里我们假设该区间为-240到240，即小车偏离中线的最大距离为240，正负即为左右。再假设中线偏差变化率的可行区间为-40到+40。

接着我们要对这两个值进行模糊化。我现在将E的区间（-240 到 240）分成8个部分，那么他们分别为-240 ~ -180，-180 ~ -120 ，-120 ~ -60，-60 ~ 0，0 ~ 60，60 ~ 120，120 ~ 180，180 ~ 240。然后我们把-180，-120，-60，0，60，120，180分别用NB，NM，NS，ZO，PS，PM，PB表示（个人理解N为negative，P为positive，B为big，M为middle，S为small，ZO为zero）。例如，当E = 170时，此时的E属于PM和PB之间，而此时的E也会对应2（或1）个隶属度。E隶属于PM（120）的百分比为（180 - 170） /  （180 - 120） = 1 / 6 ，而同理隶属于PB（180）的百分比为（170 - 120） / （180 - 120） = 5 / 6  。意思就是120到180进行线性分割了，E离PM和PB哪个更近，则隶属于哪个就更大（当输出值E大于180（PB）时，则隶属度为1，隶属度值为PB，即E完全隶属于PB，同理当E小于 - 180 （NB）时也一样）。同理也可以对EC进行模糊化。

 

2.2 模糊推理

对于采集回来的E和EC，我们可以推出它们各所占的隶属度，此时我们可以根据模糊规则表去找出输出值所对应的隶属度。

             

     我们假设为E的两个隶属度值为PM、PB,E属于PM的隶属度为a（a < 1），则属于PB的隶属度为（1 - a）。再假设EC的两个隶属度值为NB、NM，EC属于NM的隶属度为b，则属于NB的隶属度为（1 - b）。而在假设中，E属于PM的隶属度为a，EC属于NB的隶属度为( 1 - b )，则输出值属于ZO的隶属度为a *( 1 - b )（看图）。

              

同理我们可以得出，当输出值属于ZO的另外两个隶属度为a * b， （ 1 - a ） * （ 1 - b） ，而输出值属于NS的隶属度为 ( 1 - a ) *  b。在这里我们先证明一个条件，将这四个隶属度加起来，刚好等于1。这是因为

        （a + （1 - a）） * （b + （1 - b）） = a * b + ( 1 - a ) *  b  + a * ( 1 - b ) + ( 1 - a ) * ( 1 - b )   （下图）

即一个十字相乘的概念。这个等式说明输出值的隶属度之和等于1（第三步求解的时候需要用到隶属度之和）。

               

因此，我们知道了输出值为ZO的隶属度和为 a * b + a * ( 1 - b ) + ( 1 - a ) * ( 1 - b ) ，输出值为NS的隶属度为 ( 1 - a ) *  b 。

 

2.3 清晰化

对于输出值，我们同样采用给予隶属度的办法。例如，我们把输出值假设为[1000，1400]（即舵机的摆角值范围）的区间同样划分为八个部分，即7个隶属值NB,NM,NS,ZO,PS,PM,PB。根据上一步所得出的结论，我们就可以用隶属度乘以相应的隶属值算出输出值的解，即 （a * b + a * ( 1 - b ) + ( 1 - a ) * ( 1 - b ) ） * ZO   +    ( 1 - a ) *  b * NS。到此为止，整个模糊过程就结束了。

     

3 模糊PID

我们已经知道了整个模糊的过程，但上述的过程还不够完美。因为我们的输出值只有一个输出，并没有实现PID。因此我们可以先对E和EC进行模糊化，然后分别对kp和ki和kd（PID的三个参数）进行求解，再套入公式。

                  

一般的我们也可以只用kp，kd，不用ki。而模糊规则表一般的论文已经基本给出。因此带入算法之后我们的难度也只是在于调节kp，kd，和适当调节规则表。当然调节的难度会大于普通的PID，因为还要定kp，kd的输出范围，调得不好可能效果并没有普通的PID好。

 

4. 部分解释

4.1对于部分论文所说的重心法解模糊，其实就是上述方法。公式如下。

        

式中μ（Zi） * Zi相当于文章上面的（a * b + a * ( 1 - b ) + ( 1 - a ) * ( 1 - b ) ） * ZO   +    ( 1 - a ) *  b * NS，即隶属度乘以隶属度值之和，而μ（Zi）之和就是输出值的隶属度之和，我们已经证明它是等于1的。

————————————————

版权声明：本文为CSDN博主「我爱广工大」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/weixin_36340979/article/details/79168052

简单来说：
在javascript中，所有的事件都是通过函数来执行的,函数本身即是动作(针对事件来说)，也是方法(针对对象来说)！对象是指的谁触发了事件，绑定事件的主谋。
【事件】
事件就如神经开关，刺激激发动作函数，只需交互一瞬间； 比方：“针刺皮肤，神经刺激敏感”就是一个事件。
【函数】

函数就是对事件作出具体反馈映射，即执行处理某种事件的动作，需要一段执行过程。比方：“针刺皮肤，激发反馈，立刻躲闪”躲闪动作就是函数。
故，所有的函数动作本身都是静态的，不会自我运行，必须借用外力即事件刺激激活调用才可运行。
即，函数动作必须与事件绑定才有意义，函数与事件二者是息息相关，相依为命的，才能称之为完整是动作。
总，函数动作必须有事件激发调用。
【方法】
当把一个函数赋给某个对象当属性时，就变成了方法：



1

2

3

4

5




var person = {

    age ： 26,

    say : function (){

        alert('I am a person！ ');

    }



你调用这个对象的方法，他会弹出一句话说：I am a person！

【对象】

在javascript中，一切都是对象！既然是一切，那么 函数、方法、事件本身也是对象。只不过，它们是一种特殊的对象，具有特殊功能和含义；对象也可以简单的理解为一个大仓库，具有各种资源（各种属性——定义这个大仓库的特征，比如，长-宽-高-颜色-材质-建造日期-使用年限-容纳多少物品...；各种方法—也就是函数——定义这个大仓库用途段能干什么？手比如，可以做仓储存放粮食蔬菜水果-可以放置农具机械-可以囤积零售商品-可以做修理厂...）。好了，现在你有一个具有各种资源大仓库了，美美的你想做某些事件，你想到了这个大仓库里有你想要的资源，那么你就可以调用这里的资源了，也就是调用这个对象里的方法了。

【总之】不管是函数动作还是方法手段，都是干什么，本质都是产生动作动机，必须有函数function(){};来执行!

英文出处：Shekhar Gulati。欢迎加入翻译组。

昨天，我在Xebia印度办公室发表了一个关于MapReduce的演说。演说进行得很顺利，听众们都能够理解MapReduce的概念（根据他们的反馈）。我成功地向技术听众们（主要是Java程序员，一些Flex程序员和少数的测试人员）解释了MapReduce的概念，这让我感到兴奋。在所有辛勤的工作之后，我们在Xebia印度办公室享用了丰盛的晚餐，然后我径直回了家。

回家后，我的妻子（Supriya）问道：“你的会开得怎么样？”我说还不错。 接着她又问我会议是的内容是什么(她不是从事软件或编程领域的工作的)。我告诉她说MapReduce。“Mapduce，那是什么玩意儿？”她问道： “跟地形图有关吗？”我说不，不是的，它和地形图一点关系也没有。“那么，它到底是什么玩意儿？”妻子问道。 “唔…让我们去Dominos(披萨连锁)吧，我会在餐桌上跟你好好解释。” 妻子说：“好的。” 然后我们就去了披萨店。



我们在Domions点餐之后，柜台的小伙子告诉我们说披萨需要15分钟才能准备好。于是，我问妻子：“你真的想要弄懂什么是MapReduce？” 她很坚定的回答说“是的”。 因此我问道：

我： 你是如何准备洋葱辣椒酱的？（以下并非准确食谱，请勿在家尝试）

妻子： 我会取一个洋葱，把它切碎，然后拌入盐和水，最后放进混合研磨机里研磨。这样就能得到洋葱辣椒酱了。

妻子： 但这和MapReduce有什么关系？

我： 你等一下。让我来编一个完整的情节，这样你肯定可以在15分钟内弄懂MapReduce.

妻子： 好吧。

我：现在，假设你想用薄荷、洋葱、番茄、辣椒、大蒜弄一瓶混合辣椒酱。你会怎么做呢？

妻子： 我会取薄荷叶一撮，洋葱一个，番茄一个，辣椒一根，大蒜一根，切碎后加入适量的盐和水，再放入混合研磨机里研磨，这样你就可以得到一瓶混合辣椒酱了。

我： 没错，让我们把MapReduce的概念应用到食谱上。Map和Reduce其实是两种操作，我来给你详细讲解下。

Map（映射）: 把洋葱、番茄、辣椒和大蒜切碎，是各自作用在这些物体上的一个Map操作。所以你给Map一个洋葱，Map就会把洋葱切碎。 同样的，你把辣椒，大蒜和番茄一一地拿给Map，你也会得到各种碎块。 所以，当你在切像洋葱这样的蔬菜时，你执行就是一个Map操作。 Map操作适用于每一种蔬菜，它会相应地生产出一种或多种碎块，在我们的例子中生产的是蔬菜块。在Map操作中可能会出现有个洋葱坏掉了的情况，你只要把坏洋葱丢了就行了。所以，如果出现坏洋葱了，Map操作就会过滤掉坏洋葱而不会生产出任何的坏洋葱块。

Reduce（化简）:在这一阶段，你将各种蔬菜碎都放入研磨机里进行研磨，你就可以得到一瓶辣椒酱了。这意味要制成一瓶辣椒酱，你得研磨所有的原料。因此，研磨机通常将map操作的蔬菜碎聚集在了一起。

妻子： 所以，这就是MapReduce?

我： 你可以说是，也可以说不是。 其实这只是MapReduce的一部分，MapReduce的强大在于分布式计算。

妻子： 分布式计算？ 那是什么？请给我解释下吧。

我： 没问题。

我： 假设你参加了一个辣椒酱比赛并且你的食谱赢得了最佳辣椒酱奖。得奖之后，辣椒酱食谱大受欢迎，于是你想要开始出售自制品牌的辣椒酱。假设你每天需要生产10000瓶辣椒酱，你会怎么办呢？

妻子： 我会找一个能为我大量提供原料的供应商。

我：是的..就是那样的。那你能否独自完成制作呢？也就是说，独自将原料都切碎？ 仅仅一部研磨机又是否能满足需要？而且现在，我们还需要供应不同种类的辣椒酱，像洋葱辣椒酱、青椒辣椒酱、番茄辣椒酱等等。

妻子： 当然不能了，我会雇佣更多的工人来切蔬菜。我还需要更多的研磨机，这样我就可以更快地生产辣椒酱了。

我：没错，所以现在你就不得不分配工作了，你将需要几个人一起切蔬菜。每个人都要处理满满一袋的蔬菜，而每一个人都相当于在执行一个简单的Map操作。每一个人都将不断的从袋子里拿出蔬菜来，并且每次只对一种蔬菜进行处理，也就是将它们切碎，直到袋子空了为止。

这样，当所有的工人都切完以后，工作台（每个人工作的地方）上就有了洋葱块、番茄块、和蒜蓉等等。

妻子：但是我怎么会制造出不同种类的番茄酱呢？

我：现在你会看到MapReduce遗漏的阶段—搅拌阶段。MapReduce将所有输出的蔬菜碎都搅拌在了一起，这些蔬菜碎都是在以key为基础的 map操作下产生的。搅拌将自动完成，你可以假设key是一种原料的名字，就像洋葱一样。 所以全部的洋葱keys都会搅拌在一起，并转移到研磨洋葱的研磨器里。这样，你就能得到洋葱辣椒酱了。同样地，所有的番茄也会被转移到标记着番茄的研磨器里，并制造出番茄辣椒酱。

披萨终于做好了，她点点头说她已经弄懂什么是MapReduce了。我只希望下次她听到MapReduce时，能更好的理解我到底在做些什么。

 

编注：下面这段话是网上其他人用最简短的语言解释MapReduce：

We want to count all the books in the library. You count up shelf #1, I count up shelf #2. That’s map. The more people we get, the faster it goes.

我们要数图书馆中的所有书。你数1号书架，我数2号书架。这就是“Map”。我们人越多，数书就更快。

Now we get together and add our individual counts. That’s reduce.

现在我们到一起，把所有人的统计数加在一起。这就是“Reduce”。





顶

0

踩