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
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。
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。
MATLAB中的模糊逻辑应用技巧
MATLAB中的模糊逻辑应用技巧绪论近年来，随着人工智能技术的不断发展与应用，模糊逻辑作为一种弥补了传统二值逻辑的不足的方法，被广泛应用于各个领域。
MATLAB作为一种功能强大的数学计算软件，提供了丰富的工具箱，使得模糊逻辑的建模和分析变得更加方便和高效。
本文将重点介绍MATLAB中模糊逻辑的应用技巧。
一、模糊集合的定义与表示在MATLAB中，模糊集合可以通过使用fuzzy工具箱来定义和表示。
在定义模糊集合时，我们需要明确模糊集合的隶属度函数以及对应的隶属度值。
可以使用trimf函数、trapmf函数、gaussmf函数等来定义隶属度函数的形状，并通过给定参数来确定具体的形状。
例如，我们可以使用trimf函数来定义一个三角隶属度函数，代码如下：```matlabx = 0:0.1:10;y = trimf(x, [3 5 7]);plot(x, y);```通过上述代码，我们可以绘制出一个在[3, 5, 7]范围内的三角形隶属度函数。
二、模糊关系的建立与描述在MATLAB中，可以使用fuzzy工具箱来建立和描述模糊关系。
模糊关系可以通过关联隶属度函数的模糊集合来定义，可以是矩阵形式或规则形式。
矩阵形式的模糊关系可以通过编写代码实现。
例如，我们可以建立一个三维矩阵表示的模糊关系，代码如下：```matlabx1 = 0:0.1:10;x2 = 0:0.1:10;x3 = 0:0.1:10;R = zeros(length(x1), length(x2), length(x3));for i = 1:length(x1)for j = 1:length(x2)for k = 1:length(x3)R(i, j, k) = min(trimf(x1(i), [2 3 4]), trimf(x2(j), [5 6 7]), trimf(x3(k), [8 9 10]));endendend```通过上述代码，我们可以建立一个三维矩阵表示的模糊关系，其中每个元素表示了一个具体的隶属度值。
基于MATLAB的洗衣机模糊控制设计
基于MATLAB的洗衣机模糊控制设计MATLAB是一种功能强大的数学软件，可以用于模糊控制设计。
在本文中，我们将介绍如何使用MATLAB来设计一个基于模糊控制的洗衣机控制系统。
首先，我们需要定义洗衣机模糊控制系统的输入和输出变量。
在一个简单的洗衣机系统中，输入变量可以是衣物的脏度和水位，而输出变量可以是洗衣机的清洗时间和水温。
接下来，我们需要建立一个模糊控制器模型。
模糊控制器是一个基于模糊逻辑的控制器，能够处理模糊输入和输出变量。
在MATLAB中，我们可以使用Fuzzy Logic Toolbox来建立一个模糊控制器模型。
我们首先需要定义模糊输入变量的隶属函数。
在这个例子中，我们可以定义脏度变量的隶属函数为"低"，"中"和"高"，水位变量的隶属函数为"低"，"中"和"高"。
然后，我们需要定义模糊输出变量的隶属函数。
在这个例子中，我们可以定义清洗时间变量的隶属函数为"短"，"适中"和"长"，水温变量的隶属函数为"低"，"中"和"高"。
接下来，我们需要定义输入和输出变量之间的模糊规则。
在这个例子中，我们可以定义以下规则：规则1：如果脏度是低和水位是低，那么清洗时间是短和水温是低。
规则2：如果脏度是低和水位是中，那么清洗时间是适中和水温是中。
规则3：如果脏度是低和水位是高，那么清洗时间是长和水温是中。
规则4：如果脏度是中和水位是低，那么清洗时间是适中和水温是中。
规则5：如果脏度是中和水位是中，那么清洗时间是适中和水温是中。
规则6：如果脏度是中和水位是高，那么清洗时间是长和水温是高。
规则7：如果脏度是高和水位是低，那么清洗时间是长和水温是中。
规则8：如果脏度是高和水位是中，那么清洗时间是长和水温是高。
基于MATLAB的模糊PID控制器的设计
基于MATLAB的模糊PID控制器的设计模糊PID控制器是一种常用的控制算法，可以解决传统PID控制器在非线性系统中效果不佳的问题。
在MATLAB中，可以使用fuzzylogic工具箱来设计模糊PID控制器。
模糊PID控制器的设计过程分为三个步骤：建立模糊系统、设计控制器和性能评估。
接下来，设计模糊PID控制器。
在MATLAB中，可以使用fuzzy工具箱提供的mamdani和sugeno两种模糊控制器类型。
其中，mamdani模糊控制器基于模糊规则的if-then逻辑，而sugeno模糊控制器使用模糊规则来计算模糊输出。
根据系统的具体需求，可以选择合适的模糊控制器类型，并设置相应的参数。
同时，可以使用模糊控制器设计工具来对模糊控制器进行优化和调整。
最后，对设计的模糊PID控制器进行性能评估。
在MATLAB中，可以使用模拟仿真工具对模糊PID控制器进行测试和评估。
具体方法是将模糊PID控制器与待控制的系统进行耦合，观察系统的响应和控制效果，并评估其性能和稳定性。
可以通过调整模糊PID控制器的参数和模糊规则来改善控制效果。
总之，基于MATLAB的模糊PID控制器设计包括建立模糊系统、设计控制器和性能评估三个步骤。
通过合理设置模糊输入、模糊输出和模糊规则，可以有效地解决非线性系统的控制问题。
同时，利用MATLAB提供的模糊控制器设计工具和性能评估工具，可以对模糊PID控制器进行优化和改进，以达到更好的控制效果和稳定性。
模糊控制的Matlab仿真实例
其他例子
模型Shower.mdl―淋浴温度调节模糊控制系统仿真； 模型slcp.mdl―单级小车倒摆模糊控制系统仿真； 模型 slcp1.mdl―变长度倒摆小车模糊控制系统仿
真； 模型 slcpp1.mdl—定长、变长二倒摆模糊控制系
统仿真； 模型slbb.mdl―球棒模糊控制系统仿真； 模型sltbu.mdl―卡车智能模糊控制倒车系统仿真； 模型sltank2.mdl ― 用子系统封装的水箱控制仿
为简单起见，我们直接利用系统里已经编辑好的 模糊推理系统，在它的基础上进行修改。这里我 们采用与tank . fis中输入输出变量模糊集合完 全相同的集合隶属度函数定义，只是对模糊规则 进行一些改动，来学习模糊工具箱与仿真工具的 结合运用。对于这个问题，根据经验和直觉很显 然可以得到如下的模糊度示 波器
冷水阀子系统
这个仿真模型的输出是用示波器来表示的，如 图所示。通过示波器上的图形我们可以清楚地 看到温度和水流量跟踪目标要求的性能。
水温示波器
水流示波器
水温偏差区间模糊划分及隶属度函数
水流量偏差区间模糊划分及隶属度函数
输出对冷水阀控制策略的模糊化分及隶属度函数
选Edit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：
模糊逻辑工具箱仿真结果
模糊规则浏览器用于显示各条模糊控制规则对 应的输入量和输出量的隶属度函数。通过指定 输入量，可以直接的显示所采用的控制规则， 以及通过模糊推理得到相应输出量的全过程， 以便对模糊规则进行修改和优化。
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。
智能控制及MATLAB实现—水箱液位模糊控制仿真设计
智能控制及MATLAB实现—水箱液位模糊控制仿真设计智能控制是一种利用先进的智能技术和算法来实现自动控制的方法。
在智能控制中，模糊控制是一种常见且有效的方法之一、模糊控制通过将模糊逻辑应用于控制系统中的输入和输出，根据模糊规则来进行决策和控制。
水箱液位控制是一个典型的控制问题，常常用于工业和民用领域中的自动化系统。
在许多控制应用中，水箱液位的控制是一个关键的问题，因为它需要根据系统的液位情况来实现稳定的控制。
在模糊控制中，首先需要建立一套模糊规则系统，该系统包括模糊化、模糊推理和解模糊化这三个步骤。
模糊化是将实际输入转换为模糊集合的过程。
在水箱液位控制中，可以将液位分为低、中和高三个模糊集合。
通过将实际液位值映射到这些模糊集合中的一个，来表示液位状态。
模糊推理是根据一组模糊规则，将模糊输入转换为模糊输出的过程。
通过将输入和规则进行匹配，确定输出的模糊集合。
在水箱液位控制中，可以使用如下规则：如果液位低且液位变化小，则控制信号为增大水流量；如果液位高且液位变化大，则控制信号为减小水流量；如果液位中等且液位变化适中，则控制信号为不变。
解模糊化是将模糊输出转换为实际的控制信号的过程。
在水箱液位控制中，可以使用模糊加权平均值的方法来进行解模糊化。
通过将模糊集合和其对应的权重进行加权平均计算，得到最终的控制信号。
在MATLAB中，可以使用Fuzzy Logic Toolbox来实现水箱液位模糊控制仿真设计。
首先需要建立输入和输出的模糊化和解模糊化函数，然后根据实际的模糊规则，构建模糊系统。
最后通过设定输入的模糊值，使用模糊系统进行推理和解模糊，得到最终的控制信号。
总结起来，智能控制及MATLAB实现水箱液位模糊控制仿真设计包括建立模糊规则系统，进行模糊化、模糊推理和解模糊化三个步骤，通过Fuzzy Logic Toolbox来实现模糊控制系统的构建和仿真。
通过利用模糊控制的方法，可以实现水箱液位的自动稳定控制，并提高了控制系统的鲁棒性和适应性。
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。
- 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)。
Matlab的 Fuzzy 工具箱实现模糊控制(rulelist的确定)
用Matlab的 Fuzzy 工具箱实现模糊控制- -
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。
例如，当“输入1” 为“名称1” 和“输入2” 为“名称3” 时，输出为“ 输出1” 的“状态2”，则写为：
[1 3 2 1 1]
5、给定输入，得到输出，即进行模糊推理。
output = evalfis(input,fismat)
其中fismat为前面建立的那个 FIS 对象。
一个完整的例子如下：
clear all;
a = newfis('myfis');
a = addvar(a,'input','E',[0 7]);
a = addmf(a,'input',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'input',1,'big','trimf',[1.6667 6 7]);
a = addvar(a,'output','U',[0 7]);
a = addmf(a,'output',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'output',1,'big','trimf',[1.6667 6 7]); rulelist = [1 1 1 1;
2 2 1 1];
a = addrule(a,rulelist);
u = evalfis(4,a)
其结果为：
u = 4.221。