Matlab模糊工具箱的使用
MATLAB模糊逻辑工具箱函数[精编文档]
![MATLAB模糊逻辑工具箱函数[精编文档]](https://img.taocdn.com/s3/m/ade673282a160b4e767f5acfa1c7aa00b42a9d4e.png)
2. 从磁盘中加载模糊推理系统函数readfis( ) 调用格式 fisMat=readfis(‘filemame’)
例如利用以下命令可加载一个MATLAB自带的关于“小费”问题的模糊推理系统tipper.fis。 >>fisMat=readfis('tipper');getfis(fisMat); 结果显示： Name = tipper Type = mamdani NumInputs = 2 InLabels = service food NumOutputs = 1 OutLabels = tip NumRules = 3 AndMethod = min OrMethod = max ImpMethod = min AggMethod = max DefuzzMethod = centroid
3. 支持模糊逻辑中的高级技术 • 自适应神经模糊推理系统（ANFIS，Adaptive Neural Fuzzy Inference System）； • 用于模式识别的模糊聚类技术； • 模糊推理方法的选择，用户可在广泛采用的 Mamdani型推理方法和 Sugeno型推理方法两者之间选择。
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。
通过算例熟悉MATLAB模糊控制工具箱
通过算例熟悉MATLAB模糊控制工具箱设计一个二维模糊控制器控制一个一阶被控对象1()1G sTs=+，然后改变控制对象参数的大小，观察模糊控制的鲁棒性。
1、模糊推理的五个步骤1)输入变量的模糊化这是模糊推理的第一步，是获取输入变量，并确定它们的隶属函数，从而确定属于每个模糊集合的隶属度。
2) 应用模糊算子完成了输入模糊化，就知道了对于每个模糊规则，前提中每一个部分被满足的程度。
如果一个给定规则的前提有多个部分，则要应用模糊算子来获得一个数值，这个数值表示前提对于该规则的满足程度。
3) 应用推理方法推理的类型有mamdani和sugeno 推理。
Mamdani推理法是一种在模糊控制中普遍使用的方法，它本质上仍然是一种合成推理方法，只不过对模糊蕴涵关系取不同的形式而已。
Mamdani型推理，从每个规则的结果中得到的模糊集通过聚类运算后得到结果模糊集，被反模糊化后得到系统输出。
Sugeon型推理：其中每个规则的结果是输入的线性组合，而输出是结果的加权线性组合。
4) 输出的聚类由于决策是在对模糊推理系统中所有规则进行综合考虑的基础上做出的，因此必须以某种方式将规则结合起来以做出决策。
聚类就是这样一个过程，它将表示每个规则输出的模糊集结合成一个单独的模糊集。
聚类方法有max，probor（概率乘），sum。
其中，sum执行的是各规则输出集的简单相加。
5) 解模糊化解模糊化过程也叫反模糊化过程，它的输入是一个模糊集，既上一步的聚类输出模糊集，其输出为一个单值。
模糊集的聚类中包含很多输出值，因此必须进行反模糊化，以从集合中解析出一个单输出值。
2、模糊逻辑工具箱的介绍模糊逻辑工具箱提供的图形用户界面（GUI）工具有五个：模糊推理系统（FIS）编辑器；隶属函数编辑器；模糊规则编辑器；模糊规则观察器；输出曲面观察器。
1）FIS编辑器：Matlab的FIS界面如图1所示。
FIS处理系统有多少个输入变量，输出变量，名称是什么，模糊算子“与”(min，prod乘积，custom自定义)，“或”(max大，probor 概率统计方法，custom)，推理方法（min，prod，custom），聚类方法（max，probor，sum，custom），解模糊的方法（centroid质心法，bisector中位线法，middle of maximum，largest of maximum，smallest of maximum）。
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模糊控制工具箱
第一章绪论1.1课题的提出和意义随着我国电力事业的发展，电网管理日趋现代化。
负荷预测问题的研究逐渐引起了人们的关注，在电力系统学科中占据了重要的地位，是一个重要的组成部分。
在实际中，制定电力系统规划以及实现电力系统自动化这两项重要的工作，对它们进行应有的负荷预测都是基本要求。
众所周知，电力系统的作用应当是为各类的用户提供可靠而合乎质量要求的电能，使得各种客户的要求得到满足，而所有用户所使用的电能即为负荷。
负荷的大小与特性，对于系统的运行研究以及系统的设计，都是重中之中。
所以，对负荷的变化与特性，有一个事先的估计，是电力系统发展与运行研究的重要内容。
电力系统运行管理现代化中最看重的就是负荷预测，其水平决定了现代化的程度以及技术的高度，能够保证整个系统能够在正确的思维指导下调度和运行。
精准而优良的预测系统不仅在电力系统的安全、可靠、经济运行中起着支柱的作用，在节约能源方面也有着不俗的发挥。
负荷预测会受到很多方面的影响，不单单由以往的数据所决定，还要各方面非电力系统负荷的影响。
那整个系统为什么会要对将来的用电进行预测？因为系统内的可用发电容量，在正常运行的情况下，无论什么时候都要满足客户的需求，即满足所要提供的负荷。
发电容量一旦不够，则必须采取相应的措施来增加其发电容量，比如新增发电机组或从相邻的电网借来所差容量；反之，若发电容量过剩，则也应该采取必要的措施，如有选择性的止某台电机的运行或者向相邻的网络输出多余的电容量。
为了对选择对应的机组，确定所要具备的电源的结构，以及对于燃料的需求等，我们就应该要做到对负荷有一个准确的预测。
负荷曲线的预测可为研究电力系统的峰值、抽水蓄能电站的容量以及发输电设备的协调运行提供数据支持。
电力用户是电力工业的服务对象，电力负荷的不断增长是电力工业发展的根据。
正确地预测电力负荷，既是为了保证无条件供应国民经济各部门及人民生活以充足的电力的需要，也是电力工业自身健康发展的需要。
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模糊逻辑工具箱函数
基本FIS编辑器函数fuzzy格式 fuzzy %弹出未定义的基本FIS编辑器fuzzy(fismat) %使用fuzzy('tipper')，弹出下图FIS编辑器。
编辑器是任意模糊推理系统的高层显示，它允许你调用各种其它的编辑器来对其操作。
此界面允许你方便地访问所有其它的编辑器，并以最灵活的方式与模糊系统进行交互。
方框图：窗口上方的方框图显示了输入、输出和它们中间的模糊规则处理器。
单击任意一个变量框，使选中的方框成为当前变量，此时它变成红色高亮方框。
双击任意一个变量，弹出隶属度函数编辑器，双击模糊规则编辑器，弹出规则编辑器。
菜单项：FIS编辑器的菜单棒允许你打开相应的工具，打开并保存系统。
·File菜单包括：New mamdani FIS … 打开新mamdani型系统；New Sugeno FIS …打开新Sugeno型系统；Open from disk …从磁盘上打开指定的.fis文件系统；Save to disk 保存当前系统到磁盘上的一个.fis文件上；Save to disk as … 重命名方式保存当前系统到磁盘上；Open from workspace … 从工作空间中指定的FIS结构变量装入一个系统；Save to workspace …保存系统到工作空间中当前命名的FIS结构变量中；Save to workspace as …保存系统到工作空间中指定的FIS结构变量中；Close windows 关闭GUI；·Edit菜单包括：Add input 增加另一个输入到当前系统中；Add output 增加另一个输出到当前系统中；Remove variable 删除一个所选的变量；Undo 恢复当前最近的改变；Edit MFs …调用隶属度函数编辑器；Edit rules …调用规则编辑器；Edit anfis …只对单输出Sugeno型系统调用编辑器；View rules …调用规则观察器；View surface … 调用曲面观察器。
模糊控制的Matlab仿真实例分析
这样的结果与实际情况还是有些不符。通常顾客都是给15％的 小费，只有服务特别好或特别不好的时候才有改变，也就是说， 希望在图形中间部分的响应平坦些，而在两端（服务好或坏） 有凸起或凹陷。这时服务与小费是分段线性的关系。例如，用 下面 MATLAB 语句绘出的下图的情况。
模糊控制技术
模糊控制的Matlab仿真
用MATLAB的模糊逻辑工具箱 (Fuzzy toolbox)实现
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。
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。
真。
学习 MATLAB 仿真工具的一个快速有效的方法就 是学习示例模型，通过看懂这些模型和模块的功 能以及搭建过程，可以很快熟悉和掌握如何使用 MATLAB 仿真工具来设计和搭建自己独特的模型。
下面以模型Shower.mdl的结构作一个介绍，方便 读者更好地理解和学习这个例子。
模型Shower.mdl是一个淋浴温度及水量调节的模 糊控制系统的仿真，该模糊控制器的输入变量分 别是水流量和水温，输出变量分别是对热水阀和 冷水阀的控制方式。该问题是一个典型的经验查 表法控制示例，是 Mamdani型系统，其模糊控制 矩阵存为磁盘文件shower.fis。
要求设计的目标是一个合适的进水口阀门的控制器， 能够根据水箱水位的实时测量结果对进水阀门进行 相应控制，使水位满足特定要求（即特定输入信 号）。一般情况下，控制器以水位偏差（理想水位 和实际水位的差值）及水位变化率作为输入，输出 的控制结果是进水阀打开或关闭的速度。
PID控 制模块
阀门 水箱 模型 模型
模糊控制matlab
模糊控制matlab模糊控制是一种基于模糊数学理论的控制方法，它可以有效地处理非线性系统和模糊系统的控制问题。
在模糊控制中，通过将输入、输出和中间变量用模糊集合表示，设计模糊逻辑规则以实现控制目标。
本文将介绍如何用Matlab实现模糊控制，并通过实例讲解其应用和效果。
1. 模糊集合的表示在Matlab中，我们可以使用fuzzy工具箱来构建和操纵模糊系统。
首先，我们需要定义输入和输出的模糊集合。
例如，如果我们要控制一个直线行驶的自动驾驶汽车，可以定义速度和方向作为输入，定义方向盘角度作为输出。
我们可以将速度和方向分别划分为缓慢、中等、快速三个模糊集合，将方向盘角度划分为左转、直行、右转三个模糊集合。
可以使用Matlab的fuzzy工具箱中的fuzzy集合函数实现：slow = fuzzy(fis,'input',[-10 -10 0 20]);gap = fuzzy(fis,'input',[0 20 60 80 100]);fast = fuzzy(fis,'input',[60 80 110 110]);其中，fis为模糊系统对象，输入和输出的模糊集合分别用fuzzy函数定义，分别用输入或输出、模糊集合变量名、模糊集合界限参数表示，如fuzzy(fis,'input',[-10 -10 0 20])表示定义一个输入模糊集合，变量名为slow，其界限参数为[-10 -10 0 20]，即表示此模糊集合上下界是[-10,-10]和[0,20]。
2. 设计模糊控制规则在Matlab中，可以使用fuzzy工具箱的ruleviewer函数来设计模糊控制的规则库。
规则库由模糊条件和模糊结论构成，用if-then形式表示。
例如，定义类别均为slow和keep的输入，输出为类别均为left的控制操作的规则如下：rule1 = "if (slow is slow) and (keep is keep) then (left is left);";其中，slow和keep为输入的模糊变量名，left为输出的模糊变量名。
Matlab模糊控制器设计与实践
Matlab模糊控制器设计与实践近年来，模糊控制器在自动控制领域得到了广泛应用。
他们的灵活性和适应性使其成为解决复杂系统控制问题的有力工具。
在这篇文章中，我们将探讨使用Matlab进行模糊控制器设计和实践的方法。
1. 模糊控制简介模糊控制是一种基于模糊逻辑原理的控制方法，它与传统的精确控制不同，能够处理不确定性和模糊性问题。
模糊控制器的设计需要确定输入和输出的模糊化、模糊规则的建立以及解模糊等步骤。
2. Matlab模糊逻辑工具箱（Fuzzy Logic Toolbox）Matlab提供了强大的模糊逻辑工具箱，可以方便地进行模糊控制器的设计和实践。
首先，我们需要定义输入变量和输出变量，以及它们的模糊集和隶属度函数。
然后，根据系统的控制目标和规则，建立模糊规则库。
最后，通过解模糊方法得到控制输出。
3. 模糊控制器设计的步骤设计一个模糊控制器的一般步骤如下：（1）问题定义：明确控制目标和系统特性；（2）建立输入输出变量及其模糊集：根据系统的特性设定输入和输出变量，并确定它们的模糊集和隶属度函数；（3）建立模糊规则库：根据专家经验或系统知识，建立模糊规则库，并定义规则的权重；（4）系统模拟和性能评价：利用模糊控制器进行系统模拟，并通过性能评价指标进行控制效果的评估；（5）模糊控制器参数调优：根据评价指标结果，对模糊控制器的参数进行调优；（6）系统实时控制：将调优后的模糊控制器应用到实际系统中进行实时控制。
4. 模糊控制器的应用案例模糊控制器适用于各种不确定性和非线性系统的控制，例如机械系统、电力系统、交通系统等。
以电磁悬浮系统为例，该系统由电磁悬浮力和磁场力共同作用控制。
利用Matlab的模糊逻辑工具箱，我们可以根据系统特性建立模糊控制器并进行仿真。
通过调整模糊规则库和解模糊方法，可以实现对电磁悬浮系统的稳定控制。
5. 模糊控制器设计的优势和不足与传统控制方法相比，模糊控制器具有以下优势：（1）非线性系统的建模能力：模糊控制器能够处理非线性系统，适应性强；（2）抗干扰能力强：模糊控制器对参数扰动和外部干扰具有一定的抗干扰能力；（3）灵活性和可解释性：模糊控制器的工作过程可以解释和理解，更好地符合实际。
模糊控制的Matlab仿真(相关函数及工具箱详解)
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。
双击所选input，弹出一新界面，在左下Range处 和Display Range处,填入取只范围，例如 0至9 （代表0至90）。
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。
1. Matlab模糊逻辑工具箱仿真
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。
对于仿真模型系统中已经建立的水箱模块、阀门模块 以及动画仿真显示模块可以直接使用，这里我们重点 讨论与模糊推理系统设计问题相关的模糊系统变量 tank （即 MATLAB 的模糊逻辑推理系统）。在 MATLAB 命令窗口中键入命令 fuzzy tank ，就可以开 始对模糊系统 tank 进行编辑了。
要求设计的目标是一个合适的进水口阀门的控制器， 能够根据水箱水位的实时测量结果对进水阀门进行 相应控制，使水位满足特定要求（即特定输入信 号）。一般情况下，控制器以水位偏差（理想水位 和实际水位的差值）及水位变化率作为输入，输出 的控制结果是进水阀打开或关闭的速度。
PIDEdit菜单，选择Rules, 弹出一新界面Rule Editor. 在底部的选择框内，选择相应的 IF…AND…THEN 规则，点击Add rule 键，上部 框内将显示相应的规则。本例中用9条左右的规 则，依次加入。如下图所示：
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。
4步教你学会使用matlab模糊控制工具箱
4步教你学会使用matlab模糊控制工具箱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、模糊推理与反模糊化运算，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。
首先我们翻开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：即根据模糊控制规那么进行模糊推理，并决策出模糊输出量。
首先要确定模糊规那么，即专家经验。
对于我们这个二维控制结构以与相应的输入模糊集，我们可以制定49条模糊控制规那么〔一般来说，这些规那么都是现成的，很多教科书上都有〕，如图。
使用MATLAB进行模糊控制设计
使用MATLAB进行模糊控制设计导言：模糊控制是一种基于模糊逻辑的自适应控制方法，它使用模糊规则来处理难以准确建模的系统。
MATLAB作为一款功能强大的数学计算软件，在模糊控制设计中发挥着重要的作用。
本文将介绍使用MATLAB进行模糊控制设计的基本原理、步骤以及一些实际的应用案例。
一、模糊控制基本原理1.1 模糊逻辑模糊逻辑是基于模糊集的一种数学逻辑推理方法。
与传统的布尔逻辑不同，模糊逻辑考虑了中间状态的存在，可以用模糊集的隶属度来描述事物之间的模糊关系。
模糊逻辑的基本运算包括模糊与、模糊或、模糊非等。
1.2 模糊控制器的基本结构模糊控制系统由模糊化、模糊推理和去模糊化三个主要部分组成。
模糊化将输入转换为模糊集，模糊推理基于预定义的模糊规则进行逻辑推理，得到输出的模糊集，然后通过去模糊化将模糊结果转换为实际的控制信号。
二、使用MATLAB进行模糊控制设计的步骤2.1 建立模糊逻辑系统在MATLAB中，可以使用fuzzy工具箱来建立模糊逻辑系统。
首先，需要定义输入和输出的模糊集，可以选择三角形、梯形或高斯函数等形状。
然后，定义模糊规则，设置每个输入和输出之间的关系。
最后，确定输入和输出的范围，以便后续模糊控制器的设计和仿真。
2.2 设计模糊控制器在MATLAB中，可以使用fuzzy工具箱中的fuzzy控制器对象来设计模糊控制器。
首先，需要将前一步中建立的模糊逻辑系统与fuzzy控制器对象相关联。
然后，设置输入的变化范围和输出的变化范围。
接下来，可以选择使用模糊控制器设计方法来优化模糊规则和模糊集的参数。
最后，可以进行控制系统的仿真和性能评估。
2.3 优化模糊控制器优化模糊控制器是为了使模糊控制系统能够更好地适应实际环境变化和控制要求。
在MATLAB中，可以使用模糊控制器的仿真结果进行性能评估和参数调整。
可以通过修改模糊规则、模糊集的参数或输入输出的变化范围等方式来优化模糊控制器。
三、模糊控制设计的实际应用案例3.1 模糊温度控制模糊温度控制是一个常见的实际应用案例。
MATLAB模糊逻辑工具箱函数 ppt课件
2021/3/26
MATLAB模糊逻辑工具箱函数 ppt 课件
17
2. 从磁盘中加载模糊推理系统函数readfis( ) 调用格式
fisMat=readfis(‘’)
2021/3/26
MATLAB模糊逻辑工具箱函数 ppt 课件
18
例如利用以下命令可加载一个MATLAB自带的关于“小 费”问题的模糊推理系统tipper.fis。
5. 独立运行的模糊推理机 在用户完成模糊逻辑系统的设计后，可以将设计结 果以ASCII码文件保存；利用模糊逻辑工具箱提供的模 糊推理机，可以实现模糊逻辑系统的独立运行或者作 为其他应用的一部分运行。
2021/3/26
MATLAB模糊逻辑工具箱函数 ppt 课件
6
5.1.2 模糊推理系统的基本类型 在模糊系统中，模糊模型的表示主要有两类：一类
2021/3/26
MATLAB模糊逻辑工具箱函数 ppt 课件
21
4. 将模糊推理系统以矩阵形式保存在内存中的数据 写入磁盘文件函数writefis( )
模糊推理系统在内存中的数据是以矩阵形式存储的，
其对应的矩阵名为fisMat。当需要将模糊推理系统的 数据写入磁盘文件时，就可利用writefis( )函数。其调 用格式为
图5-1 基于标准模型课的件 模糊逻辑系统原理图
8
2 基于高木——关野（Takagi——Sugeno）模型的 模糊逻辑系统
高木——关野模糊逻辑系统是一类较为特殊的模 糊逻辑系统，其模糊规则不同于一般的模糊规则形式。
在高木——关野模糊逻辑系统中，采用如下形式 的模糊规则：
IF x1 is A1 and x2 is A2 and…and xn is An THEN
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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环境下对控制系统进行建模是非常方便的，而模糊控制系统与常见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命令就可进入模糊控制器编辑环境。
一、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。
首先确定输入、输出变量的个数，在Edit菜单中，选Add variableÆinput，加入新的输入input；
选Add variableÆoutput,加入新的输出output。
修改名称
二、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。
双击任一个输入或输出模块，进入成员函数编辑界面。
在成员变量编辑界面中，
“Range”Æ确定变量的论域；
“Name”Æ确定隶属函数的名称；
“Type”Æ确定隶属度函数类型；
如果显示的曲线数量不够（曲线的数量等于模糊集中），点击Edit菜单，选Add Custom MSÆ继续填入相应参数即可。
三、模糊规则编辑器
在确定输入输出变量和隶属度函数之后，接下来就是编写模糊规则。
模糊规则采用“IF A THEN B”的形式。
多输入多输出的模糊规则：
“IF A AND B AND ···THEN C AND ···”。
选择菜单“Edit”Æ“Rules”，打开模糊规则编辑器，如图所示：
在模糊规则编辑完成之后，点击菜单“View”Æ“Surface”
即可查看右
图所示图形。
完成上述工作后，将编写好的模糊控制器存盘。
（1）保存到磁盘上
在菜单上选择“File”Æ“Export”Æ“To disk”，选择保存路径，即可以*.fis文件的格式保存。
（2）保存到工作空间
在菜单上选择“File”Æ“Export”Æ“To Workspece”即可。
四、在simulink中使用模糊控制
在模糊工具箱将模糊控制器编写完成后，就可以在simulink中使用该模糊控制器来进行仿真了。
在simulink中新建一个文件，
然后在“fuzzy logic toolbox”中
选择“fuzzy logic Controller”模块。
双击此模块，在弹出的对话框中
添加所用的模糊控制器的名称，（即刚
才保存到工作空间的模糊控制器，名称后
不加后缀）。
上图是一个模糊控制器在simulink下的一个仿真框图，采用2输入3输出的结构，为一个参数可调整的模糊PID控制器模型。
k1和k2是量化因子，其选择非常重要，是保证输出落入所定义的输入变量的论域的关键因素，量化因子选择不好，模糊控制器不进起不到较好的控制效果，甚至比不用模糊更差。
输出端也应该添加一个比例因子，使模糊的输出对应实际的输出。
以上就是对Matlab中模糊工具箱使用的简单介绍，使用这个工具箱比通过.m文件来编程实现模糊控制要方便很多。
Matlab中模糊工具箱的使用比较简单，关键是模糊控制理论的理解和应用，以及系统的建模等。