方法二用MATLAB的模糊逻辑工具箱(Fuzzy toolbox)实现.

合集下载

用 Matlab 的 Fuzzy 工具箱实现模糊控制

用 Matlab 的 Fuzzy 工具箱实现模糊控制Matlab, Fuzzy, 模糊控制, 工具箱用Matlab 中的Fuzzy 工具箱做一个简单的模糊控制，流程如下：1、创建一个FIS (Fuzzy Inference System ) 对象，a = newfis(fisName,fisType,andMethod,orMethod,impMethod, aggMethod,defuzzMethod)一般只用提供第一个参数即可，后面均用默认值。

2、增加模糊语言变量a = addvar(a,'varType','varName',varBounds)模糊变量有两类：input 和output。

在每增加模糊变量，都会按顺序分配一个index，后面要通过该index 来使用该变量。

3、增加模糊语言名称，即模糊集合。

a = addmf(a,'varType',varIndex,'mfName','mfType',mfParams)每个模糊语言名称从属于一个模糊语言。

Fuzzy 工具箱中没有找到离散模糊集合的隶属度表示方法，暂且用插值后的连续函数代替。

参数mfType 即隶属度函数(Membership Functions)，它可以是Gaussmf、trimf、trapmf等，也可以是自定义的函数。

每一个语言名称也会有一个index，按加入的先后顺序得到，从 1 开始。

4、增加控制规则，即模糊推理的规则。

a = addrule(a,ruleList)其中ruleList 是一个矩阵，每一行为一条规则，他们之间是ALSO 的关系。

假定该FIS 有N 个输入和M 个输出，则每行有N+M+2 个元素，前N 个数分别表示N 个输入变量的某一个语言名称的index，没有的话用0 表示，后面的M 个数也类似，最后两个分别表示该条规则的权重和个条件的关系，1 表示AND，2 表示OR。

Matlab技术模糊逻辑应用

Matlab技术模糊逻辑应用Matlab技术在模糊逻辑应用中的作用引言：近年来，随着科技的飞速发展，人工智能领域得到了极大的推广和应用。

在这个领域中，模糊逻辑是一种重要的工具，可以描述和处理不确定性和模糊性的问题。

而Matlab技术作为一种强大的计算软件，提供了丰富的工具和函数，为模糊逻辑应用提供了极大的便利。

本文将介绍Matlab技术在模糊逻辑应用中的一些常见方法和技巧。

一、模糊集合与隶属度函数在模糊逻辑中，模糊集合用来描述非二元的现象，它是一个在区间[0,1]上取值的集合，表示某个事物的隶属度。

而隶属度函数则用来描述隶属度与变量之间的关系。

Matlab中提供了一系列用于处理模糊集合和隶属度函数的工具箱，如Fuzzy Logic Toolbox，它包括了模糊集合的定义、运算和可视化等功能。

二、模糊推理模糊推理是模糊逻辑应用的核心部分，它通过利用模糊规则来进行逻辑推理。

在Matlab中，可以使用Fuzzy Logic Toolbox提供的工具和函数来实现模糊推理。

首先，需要定义模糊规则集，然后通过模糊推理机制来根据输入的模糊集合进行推理，并得到相应的输出。

三、模糊控制系统模糊控制系统是模糊逻辑应用中的另一个重要领域，它利用模糊集合和模糊规则来进行控制。

在Matlab中，可以通过Fuzzy Logic Toolbox来设计和实现模糊控制系统。

首先，需要定义输入和输出的模糊集合和隶属度函数，然后定义模糊规则集，最后使用模糊控制器来进行控制。

Matlab提供了一系列的函数和工具来帮助用户进行模糊控制系统的设计、仿真和优化。

四、模糊神经网络模糊神经网络是将模糊逻辑和神经网络相结合的一种方法，它可以用来解决模糊性和非线性问题。

在Matlab中，可以使用Fuzzy Logic Toolbox和Neural Network Toolbox来设计和实现模糊神经网络。

首先，需要定义输入和输出的模糊集合和隶属度函数，然后使用神经网络模型来进行训练和学习。

利用Matlab进行模糊逻辑和模糊控制的基本原理

利用Matlab进行模糊逻辑和模糊控制的基本原理Matlab是一种强大的数学计算软件，广泛应用于各个领域的工程和科学研究。

在现实生活中，我们经常会遇到一些模糊不清、不确定的情况，而模糊逻辑和模糊控制正是用来处理这些模糊问题的有效工具。

本文将介绍利用Matlab进行模糊逻辑和模糊控制的基本原理，并通过一些具体案例来说明其在实际应用中的价值。

首先，我们需要了解模糊逻辑和模糊控制的基本概念和原理。

模糊逻辑是Lotfi Zadeh教授于1965年提出的一种处理模糊信息的形式化逻辑系统。

与传统的布尔逻辑只有两个取值（真和假）不同，模糊逻辑引入了模糊概念，可以处理多个取值范围内的逻辑判断。

其基本原理是将模糊的语言描述转化为数学上的模糊集合，然后通过模糊运算进行推理和决策。

在Matlab中，可以使用Fuzzy Logic Toolbox工具箱来进行模糊逻辑的建模和模拟。

该工具箱提供了一系列的函数和工具，可以帮助我们创建模糊逻辑系统、定义模糊集合和模糊规则，并进行输入输出的模糊化和去模糊化运算。

一个典型的模糊逻辑系统包括三个主要组成部分：模糊集合、模糊规则和模糊推理。

模糊集合用于描述模糊化的输入和输出变量，可以是三角形、梯形、高斯等形状。

模糊规则定义了模糊逻辑系统的推理过程，通常由一系列的if-then规则组成，如“如果温度较低，则输出加热”，其中“温度较低”和“加热”为模糊集合的标签。

模糊推理根据输入变量的模糊值和模糊规则，计算出输出变量的模糊值。

为了更好地理解模糊逻辑的原理和应用，我们以一个简单的案例来说明。

假设我们需要设计一个自动化灯光控制系统，使得灯光的亮度能够根据环境光线的强弱自动调节。

首先，我们需要收集一些实际的数据来建立模糊逻辑系统。

通过传感器测量到的环境光强度作为输入变量，设定的亮度值作为输出变量。

在Matlab中，可以使用Fuzzy Logic Designer来创建一个模糊逻辑系统。

首先，我们需要定义输入和输出变量，以及它们的模糊集合。

Fuzzytoolbox4步教你学会使用matlab模煳控制工具箱共3页文档

4步教你学会使用matlab模糊控制工具箱(2008-09-2023:42:02)Matlab模糊控制工具箱为模糊控制器的设计提供了一种非常便捷的途径，通过它我们不需要进行复杂的模糊化、模糊推理及反模糊化运算，只需要设定相应参数，就可以很快得到我们所需要的控制器，而且修改也非常方便。

下面将根据模糊控制器设计步骤，一步步利用Matlab工具箱设计模糊控制器。

首先我们在Matlab的命令窗口（command window）中输入fuzzy，回车就会出来这样一个窗口。

下面我们都是在这样一个窗口中进行模糊控制器的设计。

1．确定模糊控制器结构：即根据具体的系统确定输入、输出量。

这里我们可以选取标准的二维控制结构，即输入为误差e和误差变化ec，输出为控制量u。

注意这里的变量还都是精确量。

相应的模糊量为E，EC和U，我们可以选择增加输入(Add Variable)来实现双入单出控制结构。

2．输入输出变量的模糊化：即把输入输出的精确量转化为对应语言变量的模糊集合。

首先我们要确定描述输入输出变量语言值的模糊子集，如{NB，NM，NS，ZO，PS，PM，PB}，并设置输入输出变量的论域，例如我们可以设置误差E（此时为模糊量）、误差变化EC、控制量U的论域均为{-3，-2，-1，0，1，2，3}；然后我们为模糊语言变量选取相应的隶属度函数。

在模糊控制工具箱中，我们在Member Function Edit中即可完成这些步骤。

首先我们打开Member Function Edit窗口.然后分别对输入输出变量定义论域范围，添加隶属函数，以E为例，设置论域范围为[-3 3]，添加隶属函数的个数为7.然后根据设计要求分别对这些隶属函数进行修改，包括对应的语言变量，隶属函数类型。

3．模糊推理决策算法设计：即根据模糊控制规则进行模糊推理，并决策出模糊输出量。

首先要确定模糊规则，即专家经验。

对于我们这个二维控制结构以及相应的输入模糊集，我们可以制定49条模糊控制规则（一般来说，这些规则都是现成的，很多教科书上都有），如图。

Matlab技术模糊集合方法

Matlab技术模糊集合方法引言Matlab（Matrix Laboratory）是一种常用的数学软件工具，广泛应用于科学计算、工程设计、数据分析和模拟等领域。

模糊集合（fuzzy set）是一种处理不确定性信息的数学工具，可以用于描述模糊和模糊性质。

本文将探讨Matlab技术在模糊集合方法中的运用，包括模糊逻辑、模糊推理和模糊控制等方面，并结合实例展示其应用。

一、模糊逻辑1.1 模糊集合理论简介模糊集合理论是Lotfi Zadeh于1965年提出的一种数学理论，用于处理不确定性信息。

与传统的布尔集合不同，模糊集合允许元素具有随着隶属度变化的属性。

模糊集合可以用隶属函数（membership function）来描述，常见的隶属函数有三角形、梯形和高斯函数等。

1.2 Matlab实现模糊集合Matlab提供了专门的工具箱（Fuzzy Logic Toolbox）来支持模糊集合的建模和分析。

该工具箱包含了丰富的函数和算法，可以方便地进行模糊逻辑的计算和模拟。

例如，我们可以使用fis文件来定义一个模糊系统，并通过fisEditor工具进行GUI交互式设计。

该工具提供了直观的界面，可以通过添加输入、输出和规则等进行系统的建模。

建模完成后，可以通过sim命令来进行模糊系统的仿真，并通过plot命令来可视化模糊输出。

二、模糊推理2.1 模糊推理方法模糊推理是模糊集合方法中的核心内容，用于根据给定的模糊规则和输入变量，输出模糊结果。

常见的模糊推理方法包括模糊关联、模糊匹配和模糊推广等。

2.2 Matlab实现模糊推理Matlab提供了fuzzyinfer函数来支持模糊推理的计算。

该函数可以根据给定的模糊规则和输入变量，计算出相应的输出模糊结果。

例如，我们可以使用fuzzyinfer函数来实现模糊推理算法。

首先，需要定义输入变量的隶属函数和输出变量的模糊规则。

然后，使用fuzzyinfer函数传入输入变量和模糊规则，即可计算出相应的输出结果。

MATLAB模糊逻辑工具箱及函数调用方法

4 MATLAB模糊工具箱介绍Fuzzy Logic工具箱功能非常强大，利用它人们可以方便地建立模糊逻辑推理系统，并对其进行测试。

这里我们主要介绍它提供的5个图形化的系统设计工具。

4.1模糊推理系统编辑器启动模糊推理系统编辑器（FISE, Fuzzy Inference System Editer）的方法有两种，在MATLAB的命令窗口中输入“fuzzy”命令或者依次点击MATLAB软件左下角的“Start”，“Toolboxes”，“Fuzzy Logic”也可打开FISE，然后双击FIS Editor Viewer项。

FISE的图形界面如下图14示。

图1FISE图形界面4.2隶属函数编辑器在MATLAB的命令界面输入“mfedit”命令或者在模糊推理系统编辑器的“File” “Edit/Membership Functions”或者双击图14中红色矩形，都可打开隶属函数编辑器。

通过该编辑器可以设定和变更输入/输出语言变量的各自的语言值的隶属函数的类型及参数。

如下图15所示。

图2隶属函数编辑器界面4.3模糊规则编辑器在MATLAB的命令界面中输入“ruleedit”命令或者利用模糊推理系统编辑器的“File” “Edit/Rules”或双击图2里红色框旁的黑色的矩形框，都可以打开模糊规则编辑器。

通过该编辑器可以添加、修改和删除必要的模糊规则，其空白界面如下图3所示。

图3模糊规则编辑器界面4.4模糊规则观察器在MATLAB的命令界面输入“ruleview”命令，或者在前面介绍的三种编辑器中的任一个中选择相应的“View/Rules”，均可打开模糊规则观察器。

在模糊规则观察器中，以图形形式描述了模糊推理系统的推理过程，如下图4所示。

图4模糊规则浏览器界面4.5模糊推理输入输出变量特性观察器在MATLAB的命令窗口中输入“surfview”命令，或者在各个编辑器窗口选择相应菜单“View/Surface”，都可打开模糊推理输入输出曲面浏览器。

方法二用MATLAB的模糊逻辑工具箱（Fuzzytoolbox）实现.

⽅法⼆⽤MATLAB的模糊逻辑⼯具箱（Fuzzytoolbox）实现.⽅法⼆：⽤MATLAB的模糊逻辑⼯具箱(Fuzzy toolbox)实现（陈⽼师整理）⼀、模糊逻辑推理系统的总体特征模糊控制由于不依赖对象的数学模型⽽受到⼴泛的重视，计算机仿真是研究模糊控制系统的重要⼿段之⼀。

由Math Works公司推出的Matlab软件，为控制系统的计算机仿真提供了强有⼒的⼯具，特别是在Matlab4.2以后的版本中推出的模糊⼯具箱(Fuzzy Toolbox)，为仿真模糊控制系统提供了很⼤的⽅便。

由于这样的模块都是由相关领域的著名学者开发的，所以其可信度都是很⾼的，仿真结果是可靠的。

在Simulink环境下对PID控制系统进⾏建模是⾮常⽅便的，⽽模糊控制系统与PID控制系统的结构基本相同，仅仅是控制器不同。

所以，对模糊控制系统的建模关键是对模糊控制器的建模。

Matlab软件提供了⼀个模糊推理系统（FIS）编辑器，只要在Matlab命令窗⼝键⼊Fuzzy就可进⼊模糊控制器编辑环境。

⼆、Matlab模糊逻辑⼯具箱仿真1.模糊推理系统编辑器（Fuzzy）模糊推理系统编辑器⽤于设计和显⽰模糊推理系统的⼀些基本信息，如推理系统的名称，输⼊、输出变量的个数与名称，模糊推理系统的类型、解模糊⽅法等。

其中模糊推理系统可以采⽤Mandani或Sugeuo两种类型，解模糊⽅法有最⼤⾪属度法、重⼼法、加权平均等。

打开模糊推理系统编辑器，在MATLAB的命令窗（command window）内键⼊：fuzzy 命令，弹出模糊推理系统编辑器界⾯，如下图所⽰。

因为我们⽤的是两个输⼊，所以在Edit菜单中，选Add variable… ->input,加⼊新的输⼊input,如下图所⽰。

选择input(选中为红框),在界⾯右边⽂字输⼊处键⼊相应的输⼊名称，例如,温度输⼊⽤tmp-input, 磁能输⼊⽤ mag-input，等。

方法二用MATLAB的模糊逻辑工具箱(Fuzzy toolbox)实现.

方法二：用MATLAB的模糊逻辑工具箱(Fuzzy toolbox)实现（陈老师整理）一、模糊逻辑推理系统的总体特征模糊控制由于不依赖对象的数学模型而受到广泛的重视，计算机仿真是研究模糊控制系统的重要手段之一。

由Math Works公司推出的Matlab软件，为控制系统的计算机仿真提供了强有力的工具，特别是在Matlab4.2以后的版本中推出的模糊工具箱(Fuzzy Toolbox)，为仿真模糊控制系统提供了很大的方便。

由于这样的模块都是由相关领域的著名学者开发的，所以其可信度都是很高的，仿真结果是可靠的。

在Simulink环境下对PID控制系统进行建模是非常方便的，而模糊控制系统与PID控制系统的结构基本相同，仅仅是控制器不同。

所以，对模糊控制系统的建模关键是对模糊控制器的建模。

Matlab软件提供了一个模糊推理系统（FIS）编辑器，只要在Matlab命令窗口键入Fuzzy就可进入模糊控制器编辑环境。

二、Matlab模糊逻辑工具箱仿真1.模糊推理系统编辑器（Fuzzy）模糊推理系统编辑器用于设计和显示模糊推理系统的一些基本信息，如推理系统的名称，输入、输出变量的个数与名称，模糊推理系统的类型、解模糊方法等。

其中模糊推理系统可以采用Mandani或Sugeuo两种类型，解模糊方法有最大隶属度法、重心法、加权平均等。

打开模糊推理系统编辑器，在MATLAB的命令窗（command window）内键入：fuzzy 命令，弹出模糊推理系统编辑器界面，如下图所示。

因为我们用的是两个输入，所以在Edit菜单中，选Add variable… ->input,加入新的输入input,如下图所示。

选择input(选中为红框),在界面右边文字输入处键入相应的输入名称，例如,温度输入用tmp-input, 磁能输入用 mag-input，等。

2.隶属度函数编辑器(Mfedit)该编辑器提供一个友好的人机图形交互环境，用来设计和修改模糊推理系中各语言变量对应的隶属度函数的相关参数，如隶属度函数的形状、范围、论域大小等，系统提供的隶属度函数有三角、梯形、高斯形、钟形等，也可用户自行定义。

matlab 模糊工具箱操作

num=20;den=[8 6 1];[a1,b1,c1,d]=tf2ss(num,den); T=0.01;h=T;N=500;R=1.5*ones(1,N);%pide=0;de=0;ie=0;kp=4;ki=0.5;kd=1.5;x=[0;0];for k=1:Nu1=-(kp*e+ki*ie+kd*de);k0=a1*x+b1*u1;k1=a1*(x+h*k0/2)+b1*u1;k2=a1*(x+h*k1/2)+b1*u1;k3=a1*(x+h*k2)+b1*u1;x=x+(k0+2*k1+2*k2+k3)*h/6; y=c1*x+d*u1;e1=e;e=y-R(1,k);de=(e-e1)/T;ie=e*T+ie;yy2(1,k)=y;enda=newfis('simple1');a=addvar(a,'input','e',[-5 5]);a=addmf(a,'input',1,'NB','trapmf',[-5,-5,-5,-4]);a=addmf(a,'input',1,'NM','trapmf',[-5,-4,-3,-2]);a=addmf(a,'input',1,'NS','trapmf',[-3,-2,-1,0]);a=addmf(a,'input',1,'ZE','trimf',[-1,0,1]);a=addmf(a,'input',1,'PS','trapmf',[0,1,2,3]);a=addmf(a,'input',1,'PM','trapmf',[2,3,4,5]);a=addmf(a,'input',1,'PB','trapmf',[4,5,5,5]);a=addvar(a,'input','de',[-5 5]);a=addmf(a,'input',2,'NB','trapmf',[-5,-5,-5,-4]);a=addmf(a,'input',2,'NM','trapmf',[-5,-4,-3,-2]);a=addmf(a,'input',2,'NS','trapmf',[-3,-2,-1,0]);a=addmf(a,'input',2,'ZE','trimf',[-1,0,1]);a=addmf(a,'input',2,'PS','trapmf',[0,1,2,3]);a=addmf(a,'input',2,'PM','trapmf',[2,3,4,5]);a=addmf(a,'input',2,'PB','trapmf',[4,5,5,5]);a=addvar(a,'output','kp',[-5 5]);a=addmf(a,'output',1,'NB','trapmf',[-5,-5,-5,-4]);a=addmf(a,'output',1,'NM','trapmf',[-5,-4,-3,-2]);a=addmf(a,'output',1,'NS','trapmf',[-3,-2,-1,0]);a=addmf(a,'output',1,'ZE','trimf',[-1,0,1]);a=addmf(a,'output',1,'PS','trapmf',[0,1,2,3]);a=addmf(a,'output',1,'PM','trapmf',[2,3,4,5]);a=addmf(a,'output',1,'PB','trapmf',[4,5,5,5]);rulelist1=[1 1 7 1 1;1 2 7 1 1;1 3 6 1 1;1 4 6 1 1;1 5 5 1 1;1 6 4 1 1;1 7 4 1 1;2 1 7 1 1;2 2 7 1 1;23 6 1 1;245 1 1;2 5 5 1 1;26 4 1 1;2 73 1 1;3 1 6 1 1;3 2 6 1 1;3 3 6 1 1;345 1 1;3 5 4 1 1;36 3 1 1;3 7 3 1 1;4 1 6 1 1;4 2 6 1 1;4 35 1 1;4 4 4 1 1;4 5 3 1 1;46 2 1 1;4 7 2 1 1;5 1 5 1 1;5 2 5 1 1;5 3 4 1 1;5 4 3 1 1;5 5 3 1 1;56 2 1 1;5 7 2 1 1;6 1 5 1 1;6 2 4 1 1;6 3 3 1 1;6 4 2 1 1;6 5 2 1 1;6 6 2 1 1;6 7 1 1 1;7 1 4 1 1;7 2 4 1 1;7 3 2 1 1;7 4 2 1 1;7 5 2 1 1;7 6 1 1 1;7 7 1 1 1]; a=addrule(a,rulelist1);b=newfis('simple2');b=addvar(b,'input','e',[-5 5]);b=addmf(b,'input',1,'NB','trapmf',[-5,-5,-5,-4]);b=addmf(b,'input',1,'NM','trapmf',[-5,-4,-3,-2]);b=addmf(b,'input',1,'NS','trapmf',[-3,-2,-1,0]);b=addmf(b,'input',1,'ZE','trimf',[-1,0,1]);b=addmf(b,'input',1,'PS','trapmf',[0,1,2,3]);b=addmf(b,'input',1,'PM','trapmf',[2,3,4,5]);b=addmf(b,'input',1,'PB','trapmf',[4,5,5,5]);b=addvar(b,'input','de',[-5 5]);b=addmf(b,'input',2,'NB','trapmf',[-5,-5,-5,-4]);b=addmf(b,'input',2,'NM','trapmf',[-5,-4,-3,-2]);b=addmf(b,'input',2,'NS','trapmf',[-3,-2,-1,0]);b=addmf(b,'input',2,'ZE','trimf',[-1,0,1]);b=addmf(b,'input',2,'PS','trapmf',[0,1,2,3]);b=addmf(b,'input',2,'PM','trapmf',[2,3,4,5]);b=addmf(b,'input',2,'PB','trapmf',[4,5,5,5]);b=addvar(b,'output','ki',[-5 5]);b=addmf(b,'output',1,'NB','trapmf',[-5,-5,-5,-4]);b=addmf(b,'output',1,'NM','trapmf',[-5,-4,-3,-2]);b=addmf(b,'output',1,'NS','trapmf',[-3,-2,-1,0]);b=addmf(b,'output',1,'ZE','trimf',[-1,0,1]);b=addmf(b,'output',1,'PS','trapmf',[0,1,2,3]);b=addmf(b,'output',1,'PM','trapmf',[2,3,4,5]);b=addmf(b,'output',1,'PB','trapmf',[4,5,5,5]);rulelist2=[1 1 1 1 1;1 2 1 1 1;1 3 2 1 1;1 4 2 1 1;1 5 3 1 1;1 6 4 1 1;1 7 4 1 1;2 1 1 1 1;2 2 1 1 1;23 2 1 1;24 3 1 1;25 3 1 1;26 4 1 1;2 7 4 1 1;3 1 1 1 1;3 2 2 1 1;3 3 3 1 1;34 3 1 1;35 4 1 1;36 5 1 1;3 7 5 1 1;4 1 2 1 1;4 2 2 1 1;4 3 3 1 1;4 4 4 1 1;45 5 1 1;46 6 1 1;4 7 6 1 1;5 1 2 1 1;5 2 3 1 1;5 3 4 1 1;5 4 5 1 1;5 5 5 1 1;56 6 1 1;5 7 7 1 1;6 1 4 1 1;6 2 4 1 1;6 3 5 1 1;6 4 5 1 1;6 5 6 1 1;6 67 1 1;6 7 7 1 1;7 1 4 1 1;7 2 4 1 1;7 3 5 1 1;7 4 6 1 1;7 5 6 1 1;7 6 7 1 1;7 7 7 1 1]; b=addrule(b,rulelist2);c=newfis('simple3');c=addvar(c,'input','e',[-5 5]);c=addmf(c,'input',1,'NB','trapmf',[-5,-5,-5,-4]);c=addmf(c,'input',1,'NM','trapmf',[-5,-4,-3,-2]);c=addmf(c,'input',1,'NS','trapmf',[-3,-2,-1,0]);c=addmf(c,'input',1,'ZE','trimf',[-1,0,1]);c=addmf(c,'input',1,'PS','trapmf',[0,1,2,3]);c=addmf(c,'input',1,'PM','trapmf',[2,3,4,5]);c=addmf(c,'input',1,'PB','trapmf',[4,5,5,5]);c=addvar(c,'input','de',[-5 5]);c=addmf(c,'input',2,'NB','trapmf',[-5,-5,-5,-4]);c=addmf(c,'input',2,'NM','trapmf',[-5,-4,-3,-2]);c=addmf(c,'input',2,'NS','trapmf',[-3,-2,-1,0]);c=addmf(c,'input',2,'ZE','trimf',[-1,0,1]);c=addmf(c,'input',2,'PS','trapmf',[0,1,2,3]);c=addmf(c,'input',2,'PM','trapmf',[2,3,4,5]);c=addmf(c,'input',2,'PB','trapmf',[4,5,5,5]);c=addvar(c,'output','kd',[-5 5]);c=addmf(c,'output',1,'NB','trapmf',[-5,-5,-5,-4]);c=addmf(c,'output',1,'NM','trapmf',[-5,-4,-3,-2]);c=addmf(c,'output',1,'NS','trapmf',[-3,-2,-1,0]);c=addmf(c,'output',1,'ZE','trimf',[-1,0,1]);c=addmf(c,'output',1,'PS','trapmf',[0,1,2,3]);c=addmf(c,'output',1,'PM','trapmf',[2,3,4,5]);c=addmf(c,'output',1,'PB','trapmf',[4,5,5,5]);rulelist3=[1 1 1 1 1;1 2 1 1 1;1 3 1 1 1;1 4 1 1 1;1 5 1 1 1;1 6 1 1 1;1 7 1 1 1;2 1 2 1 1;2 2 2 1 1;23 2 1 1;24 2 1 1;25 2 1 1;26 2 1 1;2 7 2 1 1;3 1 3 1 1;3 2 3 1 1;3 3 3 1 1;34 3 1 1;35 3 1 1;36 3 1 1;3 7 3 1 1;4 1 4 1 1;4 2 3 1 1;4 3 3 1 1;4 4 3 1 1;45 3 1 1;46 3 1 1;4 7 4 1 1;5 1 4 1 1;5 2 4 1 1;5 3 4 1 1;5 4 4 1 1;5 5 4 1 1;56 4 1 1;5 7 4 1 1;6 1 5 1 1;6 2 5 1 1;6 3 5 1 1;6 4 5 1 1;6 5 5 1 1;6 6 5 1 1;6 7 4 1 1;7 1 6 1 1;7 2 6 1 1;7 3 6 1 1;7 4 6 1 1;7 5 6 1 1;7 6 6 1 1;7 7 6 1 1]; c=addrule(c,rulelist3);figure(2);gensurf(c)e=0;de=0;ie=0;x=[0;0];ke=30;kd=20;kup=5;kui=0.3;kud=0.7;for k=1:Ne1=ke*e;de1=kd*de;if e1>=5e1=5;elseif e1<=-5e1=-5;endif de1>=5de1=5;elseif de1<=-5de1=-5;endin=[e1 de1];u1=evalfis(in,a);u2=evalfis(in,b);u3=evalfis(in,c);kp=u1/10+kup;ki=u2/10+kui;kd=u3/10+kud;u=-(kp*e+ki*ie+kd*de);k0=a1*x+b1*u;k1=a1*(x+h*k0/2)+b1*u;k2=a1*(x+h*k1/2)+b1*u;k3=a1*(x+h*k2)+b1*u;x=x+(k0+2*k1+2*k2+k3)*h/6; y=c1*x+d*u;yy(1,k)=y;e1=e;e=y-R(1,k);de=(e-e1)/T;ie=ie+T*e;endkk=[1:N]*T;figure(1);plot(kk,R,'k',kk,yy(1,:),'r',kk,yy2(1,:),'g'); gtext('FSA-PID');gtext('PID');num=20;den=[1.6,4.4,1];[a1,b,c,d]=tf2ss(num,den);x=[0;0];T=0.01;h=T;N=1000;%PID CONTROLe=0;de=0;ie=0;kp=5;ki=1.3;kd=0.1;for k=1:Nuu(1,k)=-(kp*e+ki*de+kd*ie); u=uu(1,k);k0=a1*x+b*u;k1=a1*(x+h*k0/2)+b*u;k2=a1*(x+h*k1/2)+b*u;k3=a1*(x+h*k2)+b*u;x=x+(k0+2*k1+2*k2+k3)*h/6;y=c*x+d*u;t(1,k)=k*T;if k<=300R(1,k)=t(1,k)/3;elseif k<=700R(1,k)=1.0;elseif k<=1000R(1,k)=(10-t(1,k))/3;ende1=e;e=y-R(1,k);de=(e-e1)/T;ie=e*T+ie;yy1(1,k)=y;enda=newfis('simple');a=addvar(a,'input','e',[-6 6]);a=addmf(a,'input',1,'NB','trapmf',[-6,-6,-5,-3]); a=addmf(a,'input',1,'NS','trapmf',[-5,-3,-2,0]);a=addmf(a,'input',1,'ZR','trimf',[-2,0,2]);a=addmf(a,'input',1,'PS','trapmf',[0,2,3,5]);a=addmf(a,'input',1,'PB','trapmf',[3,5,6,6]);a=addvar(a,'input','de',[-6 6]);a=addmf(a,'input',2,'NB','trapmf',[-6,-6,-5,-3]); a=addmf(a,'input',2,'NS','trapmf',[-5,-3,-2,0]);a=addmf(a,'input',2,'ZR','trimf',[-2,0,2]);a=addmf(a,'input',2,'PS','trapmf',[0,2,3,5]);a=addmf(a,'input',2,'PB','trapmf',[3,5,6,6]);a=addvar(a,'output','u',[-3 3]);a=addmf(a,'output',1,'NB','trapmf',[-3,-3,-2,-1]); a=addmf(a,'output',1,'NS','trimf',[-2,-1,0]);a=addmf(a,'output',1,'ZR','trimf',[-1,0,1]);a=addmf(a,'output',1,'PS','trimf',[0,1,2]);a=addmf(a,'output',1,'PB','trapmf',[1,2,3,3]);rr=[5 5 4 4 3;5 4 4 3 3;4 4 3 3 2;4 3 3 2 2;3 3 2 2 1]; r1=zeros(prod(size(rr)),3);k=1;for i=1:size(rr,1)for j=1:size(rr,2)r1(k,:)=[i,j,rr(i,j)];k=k+1;endend[r,s]=size(r1);r2=ones(r,2);rulelist=[r1,r2];a=addrule(a,rulelist);e=0;de=0;ke=40;kd=1.5;ku=1;for k=1:Ne1=ke*e;de1=kd*de;if e1>=6e1=6;elseif e1<=-6e1=-6;endif de1>=6de1=6;elseif de1<=-6de1=-6;endin=[e1 de1];uu(1,k)=ku*evalfis(in,a); u=uu(1,k);k0=a1*x+b*u;k1=a1*(x+h*k0/2)+b*u;k2=a1*(x+h*k1/2)+b*u;k3=a1*(x+h*k2)+b*u;x=x+(k0+2*k1+2*k2+k3)*h/6; y=c*x+d*u;t(1,k)=k*T;if k<=300R(1,k)=t(1,k)/3;elseif k<=700R(1,k)=1.0;elseif k<=1000R(1,k)=(10-t(1,k))/3;ende1=e;e=y-R(1,k);de=(e-e1)/T;yy(1,k)=y;endkk=[1:N]*T;figure(1);plot(kk,R,'k',kk,yy,'k',kk,yy1,'r'); gtext('FUZZY');gtext('n');gtext('PID');。

Matlab-的-Fuzzy-工具箱实现模糊控制(rulelist的确定)

引用如何在MATLAB下把模糊推理系统转化为查询表(原创)Matlab 2009-12-26 22:05:01 阅读161 评论0 字号：大中小订阅引用foundy的如何在MATLAB下把模糊推理系统转化为查询表(原创)李会先摘要：该文论述了将MATLAB下调试成功的模糊逻辑转换为查询表的一种技巧，这种技巧不直接使用MATLAB的矩阵计算方法，操作者多数情况下只需点击鼠标就可完成任务，效率比较高，该方法使用MATLAB下的系统测试工具，收集构造查询表所需的数据资料，文中以MATLAB中的水位模糊控制演示模型为例，把该系统的模糊控制推理模块用在其基础上生成的查询表代替后再进行水位控制仿真，控制效果与模糊推理模块在线推理控制是一致的。

关键词：模糊控制;查询表;MATLAB;Simulink; 系统测试Abstract：This article discuss a skill that make a translation from fuzzy logic system to Lookup Table in Matlab,It doesn't use matrix computing, user need only to drag and draw the mouse completing this task,It's a efficiency method which to collect data for Lookup Table construction from a fuzzy controller by SystemTest Toolbox in Matlab,in the article,I will discuss the skill by a demo which is the Water Level Control in Tank in the Fuzzy logic Toolbox,at last,I simulate the Water Control in Tank instead of the Fuzzy Controller with the Lookup Table which I have constructed,the test results is verywell.Keywords: Fuzzy Logic, Matlab,Simulink,Lookup Table,SystemTest1. 引言在MATLAB/Simulink下，构建模糊逻辑系统模型和调试其推理规则都是很方便的[3][4]，我们当然不希望在MATLAB下的仿真工作仅仅用于仿真目的，如果实际产品设计能继承仿真的工作成果，将事半功倍。

Matlab中的模糊逻辑控制方法

Matlab中的模糊逻辑控制方法引言模糊逻辑控制（FLC）是一种常用的控制方法，在很多实际应用中得到了广泛的应用。

Matlab作为一种功能强大的数学计算和工程仿真软件，提供了丰富的工具和函数来支持模糊逻辑控制的设计和实现。

本文将介绍Matlab中的模糊逻辑控制方法及其应用。

一、模糊逻辑控制的基本概念模糊逻辑控制是一种基于模糊逻辑原理的控制方法，它可以处理不确定性信息和模糊概念，适用于那些难以建立精确数学模型的控制系统。

模糊逻辑控制系统由四个基本部分组成：模糊化、推理、解模糊和规则库。

1.1 模糊化模糊化是将输入量从实际值转化为模糊集合的过程。

在Matlab中，可以使用fuzzifier函数将实际输入映射到模糊集合上。

模糊集合可以通过一些参数来描述，如三角形型、梯形型、高斯型等。

1.2 推理推理是根据模糊集合的规则进行推导，得到系统的输出。

在Matlab中，可以使用inference函数进行推理。

推理的方法有三种：基于规则的推理、基于模糊集合的推理和基于模型的推理。

根据应用的需求和系统的复杂程度，可以选择不同的推理方法。

1.3 解模糊解模糊是将模糊输出转化为实际值的过程。

在Matlab中，可以使用defuzzifier 函数进行解模糊。

常用的解模糊方法有：最大值法、平均值法、面积法等。

1.4 规则库规则库是模糊逻辑控制系统的核心，它包含了一系列的模糊规则，用来描述输入和输出之间的关系。

在Matlab中，可以使用fuzzy规则对象来定义规则库。

规则库的设计是模糊逻辑控制系统设计中的关键一步，直接影响系统的性能和稳定性。

二、Matlab中的模糊逻辑控制工具箱Matlab提供了专门的工具箱，用于支持模糊逻辑控制系统的设计和实现。

这个工具箱包含了一些常用的函数和工具，能够帮助用户更加方便快捷地进行模糊逻辑控制系统的设计和仿真。

2.1 模糊逻辑控制系统设计工具Matlab的模糊逻辑控制系统设计工具提供了一种用户友好的可视化界面，用于设计和编辑模糊逻辑控制系统。

Matlab 的 Fuzzy 工具箱实现模糊控制(rulelist的确定)

引用如何在MATLAB下把模糊推理系统转化为查询表(原创) Matlab 2009-12-26 22:05:01 阅读161 评论0 字号：大中小订阅引用foundy的如何在MATLAB下把模糊推理系统转化为查询表(原创)李会先摘要：该文论述了将MATLAB下调试成功的模糊逻辑转换为查询表的一种技巧，这种技巧不直接使用MATLAB的矩阵计算方法，操作者多数情况下只需点击鼠标就可完成任务，效率比较高，该方法使用MATLAB下的系统测试工具，收集构造查询表所需的数据资料，文中以MATLAB中的水位模糊控制演示模型为例，把该系统的模糊控制推理模块用在其基础上生成的查询表代替后再进行水位控制仿真，控制效果与模糊推理模块在线推理控制是一致的。

关键词：模糊控制;查询表;MATLAB;Simulink; 系统测试Abstract：This article discuss a skill that make a translation from fuzzy logic system to Lookup Table in Matlab,It doesn't use matrix computing, user need only to drag and draw the mouse completing this task,It's a efficiency method which to collect data for Lookup Table construction from a fu zzy controller by SystemTest Toolbox in Matlab,in the article,I will discuss the skill by a demo which is the Water Level Control in Tank in the Fuzzy logic Toolbox,at last,I simulate the Water Control in Tank instead of the Fuzzy Controller with the Lookup Table which I have constructed,the test results is verywell.Keywords: Fuzzy Logic, Matlab,Simulink,Lookup Table,SystemTest1. 引言在MATLAB/Simulink下，构建模糊逻辑系统模型和调试其推理规则都是很方便的[3][4]，我们当然不希望在MATLAB下的仿真工作仅仅用于仿真目的，如果实际产品设计能继承仿真的工作成果，将事半功倍。

使用Matlab进行模糊逻辑分析的技巧

使用Matlab进行模糊逻辑分析的技巧引言：在现代科学中，逻辑分析在决策、控制系统和模糊推理等领域发挥着重要的作用。

模糊逻辑是一种能够处理复杂和不确定的问题的有效工具。

而Matlab作为一种功能强大的数学软件，也提供了丰富的工具和函数来支持模糊逻辑的建模和分析。

本文将介绍使用Matlab进行模糊逻辑分析的一些技巧和实例。

一、安装模糊逻辑工具箱Matlab提供了自带的模糊逻辑工具箱，可以通过Matlab的插件管理器进行安装。

打开Matlab后，在工具栏中选择"Add-Ons"，然后在搜索框中输入"模糊逻辑工具箱"，点击搜索按钮，选择合适的版本进行安装。

安装完成后，即可在工具箱中找到并使用模糊逻辑相关的函数和工具。

二、建立模糊逻辑系统使用Matlab进行模糊逻辑分析的第一步是建立一个模糊逻辑系统。

可以使用命令"fuzzy"创建一个模糊逻辑系统对象，然后使用该对象进行后续的分析。

例如，创建一个简单的三角形隶属函数的模糊逻辑系统对象：```matlabfis = fuzzyfis = addInput(fis,[0 10],'Name','input1')fis = addOutput(fis,[0 20],'Name','output1')fis = addMF(fis,'input1','trimf',[2 5 7])fis = addMF(fis,'output1','trimf',[4 10 16])```上述代码创建了一个输入变量input1和一个输出变量output1，并添加了三角形隶属函数。

通过这种方式，可以根据实际问题的需求建立模糊逻辑系统。

三、设置模糊规则在模糊逻辑系统中，模糊规则是描述输入和输出之间关系的关键。

模糊控制在matlab中的实例

模糊控制在matlab中的实例模糊控制是一种应用广泛的控制方法，它可以处理那些难以精确建立数学模型的系统。

在Matlab中，使用Fuzzy Logic Toolbox工具箱可以方便地实现模糊控制系统。

以下是一个简单的模糊控制器示例，控制一个小车的速度和方向，使得其能够沿着预设的轨迹行驶。

1. 首先，定义输入和输出变量。

这里我们需要控制小车的速度和转向角度。

代码如下：```speed = newfis("speed");speed = addvar(speed,"input","distance",[0 10]);speed = addmf(speed,"input",1,"slow","trimf",[0 0 5]);speed = addmf(speed,"input",1,"fast","trimf",[5 10 10]); speed = addvar(speed,"output","velocity",[-10 10]);speed = addmf(speed,"output",1,"reverse","trimf",[-10-10 -2]);speed = addmf(speed,"output",1,"stop","trimf",[-3 0 3]); speed = addmf(speed,"output",1,"forward","trimf",[2 10 10]);angle = newfis("angle");angle = addvar(angle,"input","position",[-1 1]);angle = addmf(angle,"input",1,"left","trimf",[-1 -1 0]);angle = addmf(angle,"input",1,"right","trimf",[0 1 1]); angle = addvar(angle,"output","steering",[-1 1]);angle = addmf(angle,"output",1,"hard_left","trimf",[-1 -1 -0.5]);angle = addmf(angle,"output",1,"soft_left","trimf",[-1 -0.5 0]);angle = addmf(angle,"output",1,"straight","trimf",[-0.5 0.5 0.5]);angle = addmf(angle,"output",1,"soft_right","trimf",[0 0.5 1]);angle = addmf(angle,"output",1,"hard_right","trimf",[0.5 1 1]);```2. 然后，定义模糊规则。

模糊控制在MATLAB中的实现

模糊控制在MATLAB中的实现模糊控制是一种基于模糊逻辑的控制方法，可以处理输入模糊或模糊输出的问题。

在MATLAB中，模糊控制可以通过Fuzzy Logic Toolbox实现。

Fuzzy Logic Toolbox提供了一套用于设计、模拟和分析模糊逻辑系统的工具。

它允许用户定义模糊集、模糊规则和模糊推理过程，从而实现模糊控制。

在实现模糊控制之前，首先需要确定输入和输出的模糊集以及它们之间的关系。

可以通过定义模糊集合的成员函数来描述输入和输出的模糊集。

常见的成员函数有三角形、梯形、高斯等。

例如，对于一个温度控制系统，可以定义三个模糊集:"冷"，"舒适"和"热"用于描述温度的状态。

每个模糊集可以具有不同的成员函数。

接下来，需要定义模糊规则，规则用于描述输入和输出之间的关系。

例如，当温度"冷"时，可以设定输出为"加热"，当温度"舒适"时，输出为"保持"，当温度"热"时，输出为"冷却"。

在MATLAB中，可以使用Fuzzy Logic Toolbox的命令createFIS来创建一个模糊逻辑系统(FIS)，并使用addInput和addOutput命令来定义输入和输出的模糊集。

例如，以下代码片段演示了如何创建一个简单的模糊逻辑系统：```MATLABfis = createFIS('fuzzy_system');fis = addInput(fis, [0 100], 'Temperature');fis = addOutput(fis, [0 10], 'Control');fis = addMF(fis, 'input', 1, 'cold', 'trimf', [-10 0 10]);fis = addMF(fis, 'input', 1, 'hot', 'trimf', [40 100 160]);fis = addMF(fis, 'output', 1, 'cool', 'trimf', [-5 0 5]);fis = addMF(fis, 'output', 1, 'maintain', 'trimf', [0 5 10]);fis = addMF(fis, 'output', 1, 'heat', 'trimf', [5 10 15]);ruleList = [1 1 2 3 1;22221;33211];fis = addRule(fis, ruleList);```在定义模糊逻辑系统之后，可以使用evalfis命令对系统进行模糊推理和模糊控制。

模糊神经和模糊聚类的MATLAB实现

模糊神经和模糊聚类的MATLAB实现模糊神经网络(Fuzzy Neural Networks)是一种结合了模糊逻辑和神经网络的方法，用于处理不确定性和模糊性问题。

它具有模糊逻辑的灵活性和神经网络的学习和优化能力。

在MATLAB中，可以使用Fuzzy Logic Toolbox来实现模糊神经网络。

下面将介绍如何使用MATLAB实现模糊神经网络。

首先，我们需要定义输入和输出的模糊集合。

可以使用Fuzzy Logic Toolbox提供的各种方法来定义模糊集合的隶属函数，例如使用trimf定义三角隶属函数或者使用gaussmf定义高斯隶属函数。

```input1 = trimf(inputRange, [a1, b1, c1]);input2 = gaussmf(inputRange, [mean, sigma]);output = trapmf(outputRange, [d1, e1, f1, g1]);```接下来，可以使用FIS Editor界面来创建和训练模糊神经网络。

在MATLAB命令窗口中输入fuzzy命令即可打开FIS Editor界面。

在FIS Editor界面中，可以添加输入和输出变量，并设置它们的隶属函数。

然后，可以添加规则来定义输入与输出之间的关系。

规则的形式可以使用自然语言或者模糊规则表达式(Fuzzy Rule Expression)。

训练模糊神经网络可以使用基于模糊神经网络的系统识别方法。

在MATLAB中，可以使用anfis函数来进行自适应网络训练。

anfis函数可以根据训练数据自动调整隶属函数参数和规则权重，以优化模糊神经网络的性能。

```fis = anfis(trainingData);```使用trainfis命令可以将训练好的模糊神经网络应用于新的数据。

trainfis命令将输入数据映射到输出模糊集中，并使用模糊推理进行预测。

输出结果是一个模糊集，可以使用defuzz命令对其进行模糊化。

利用Matlab进行模糊逻辑与控制的技巧与方法

利用Matlab进行模糊逻辑与控制的技巧与方法随着科技的不断进步和发展，模糊逻辑与控制作为一种新兴的控制方法受到了越来越多的关注和应用。

它可以模拟人类的思维方式，将模糊的输入转化为准确的输出结果，用于解决现实生活中的各种问题。

而Matlab作为一种强大的科学计算软件，不仅能够提供快速的数值计算能力，还为模糊逻辑与控制的分析和建模提供了便捷和高效的工具。

一、Matlab中的模糊逻辑工具箱Matlab提供了专门的模糊逻辑工具箱（Fuzzy Logic Toolbox），该工具箱集成了一系列的函数和工具，方便用户进行模糊逻辑的建模和仿真。

用户可以使用这些函数和工具来创建模糊输入、模糊输出和模糊规则，以及进行模糊推理和模糊控制系统的设计。

二、模糊逻辑建模的步骤在使用Matlab进行模糊逻辑建模时，一般需要按照以下步骤进行：1. 确定模糊变量和它们的隶属函数：模糊变量是用来描述问题中的模糊概念的变量，它可以是输入变量或输出变量。

隶属函数用来描述模糊变量的隶属关系，可以是高斯型、三角型、梯形型等不同形状的函数。

2. 确定模糊规则库：模糊规则库是一组模糊规则的集合，它描述了输入变量和输出变量之间的关系。

每个模糊规则由若干个前提条件和一个结论组成，前提条件是对输入变量的模糊化描述，结论是对输出变量的模糊化描述。

3. 进行模糊推理：模糊推理是根据输入变量和模糊规则，通过模糊推理引擎将模糊输入转化为模糊输出的过程。

Matlab提供了多种推理方法，如模糊最大化、模糊最小化等。

4. 进行模糊解模糊：模糊解模糊是将模糊输出转化为具体的输出值的过程。

常用的解模糊方法有模糊平均法、模糊加权法等。

5. 进行模糊控制系统的仿真和优化：使用Matlab提供的仿真和优化工具，对设计的模糊控制系统进行测试、分析和优化。

三、实例演示下面以一个简单的温度控制系统为例，演示如何利用Matlab进行模糊逻辑与控制的建模和仿真。

假设我们需要设计一个温度控制器，使室内温度始终保持在一个设定的温度范围内。