当前,从数据库中提取定性规则是建立被控系统知识模型的一种有效方法,而此类方法的一个难点就是对数据空间进行合理有效划分。目前的划分方法存在着固定划分、规则难于理解、规则逼近精度较低、规则库不具备鲁棒性和完备性等诸多问题。本课题以云模型作为研究手段,提出了尺度云变换算法,研究探讨上述问题的解决方法。本课题主要针对现有规则提取算法普遍存在的问题——数据空间划分问题,利用云模型在定性定量间转换上的优势,探讨新的解决方法。针对传统方法存在的硬性划分问题,新算法引入了关键划分点概念,关键点的选取是基于样本数据统计信息,而不是基于专家经验或准则,这就保证划分体现数据的分布信息,使规则具有较好的可理解性;此外,新算法还引入了最佳分割点,由于最佳分割点是根据误差要求动态增减的,以此可以实现对数据空间的动态划分,这也在一定程度上解决了一般规则提取算法逼近精度差的问题,同时使得新算法得到的规则库具有良好的可维护性。针对规则库的完备性问题,作者在尺度云变换算法中引入区间误差概念,即新算法首先对划分区间内的数据进行总体描述,产生相应定性规则,再根据区间误差对该子空间进行拆分或者合并,这就保证了规则库的完备性。为验证新算法的可行性及有效性,在T-S型模糊控制器的基础上,本课题首次提出了T-S云模型控制器的设计。利用该新型云模型控制器,本课题还设计了验证尺度云变换算法的仿真试验。通过分析仿真试验结果,表明尺度云变换算法对数据空间划分合理、体现数据的分布特征,得到的规则数量较少、可理解性较好,且满足误差要求。T-S控制器的规则库具有良好的鲁棒性和完备性,且结构简单、易于实现。本课题将云模型理论引入到规则提取、规则优化领域,丰富了该领域的研究方法,此外,本课题对云模型理论的研究发展也具有一定的学术价值。