模糊控制实现
21. 如何通过模糊控制实现自适应系统？
21. 如何通过模糊控制实现自适应系统？21、如何通过模糊控制实现自适应系统？在当今科技飞速发展的时代，自适应系统在众多领域中发挥着至关重要的作用。
从工业自动化到智能交通，从智能家居到医疗设备，自适应系统能够根据环境的变化和输入的不确定性，自动调整自身的参数和行为，以达到最优的性能和效果。
而模糊控制作为一种智能控制方法，为实现自适应系统提供了一种有效的途径。
那么，什么是模糊控制呢？简单来说，模糊控制是一种基于模糊逻辑的控制方法，它不像传统的控制方法那样依赖于精确的数学模型，而是能够处理和利用模糊性和不确定性的信息。
在实际应用中，很多系统的行为和特性往往难以用精确的数学模型来描述，比如人的思维、判断和决策过程，或者一些复杂的非线性系统。
而模糊控制正是为了解决这类问题而应运而生的。
要通过模糊控制实现自适应系统，首先需要对系统进行模糊化处理。
这就意味着将系统的输入和输出变量转化为模糊集合。
例如，对于温度这个输入变量，我们可以定义“低温”、“中温”和“高温”等模糊集合。
同样，对于输出变量，比如风扇的转速，我们可以定义“慢速”、“中速”和“快速”等模糊集合。
接下来，要建立模糊规则库。
模糊规则库是模糊控制的核心部分，它包含了一系列基于专家经验或实验数据的规则。
这些规则通常以“如果……那么……”的形式表示。
比如，“如果温度是高温，那么风扇转速应该是快速”。
通过制定合理的模糊规则，可以使系统在不同的输入情况下做出相应的调整。
在模糊推理过程中，根据输入变量所属的模糊集合以及模糊规则库，通过一定的推理算法来确定输出变量所属的模糊集合。
这个过程类似于人类的推理和判断，是基于模糊逻辑进行的。
为了得到具体的输出值，还需要进行去模糊化处理。
去模糊化的方法有很多种，常见的有重心法、最大隶属度法等。
通过去模糊化，将模糊的输出集合转化为精确的数值，从而实现对系统的控制。
在实现自适应系统的过程中，模糊控制具有很多优势。
首先，它对系统模型的精确性要求不高，能够适应那些难以建立精确数学模型的系统。
模糊控制系统及其MATLAB实现
1.模糊控制的相关理论和概念1.1 模糊控制的发展模糊控制理论是在美国加州伯克利大学的L. A.Zadeh教授于1965年建立的模糊集合论的数学基础上发展起来的。
之后的几年间Zadeh又提出了模糊算法、模糊决策、模糊排序、语言变量和模糊IF-THEN规则等理论，为模糊理论的发展奠定了基础。
1975年, Mamdan和Assilian创立了模糊控制器的基本框架，并用于控制蒸汽机。
1978年，Holmblad和Ostergaard为整个工业过程开发出了第一个模糊控制器——模糊水泥窑控制器。
20世纪80年代，模糊控制开始在工业中得到比较广泛的应用，日本仙台地铁模糊控制系统的成功应用引起了模糊领域的一场巨变。
到20世纪90年代初，市场上已经出现了大量的模糊消费产品。
近30 年来, 因其不依赖于控制对象的数学模型、鲁棒性好、简单实用等优点, 模糊控制已广泛地应用到图像识别、语言处理、自动控制、故障诊断、信息检索、地震研究、环境预测、楼宇自动化等学科和领域, 并且渗透到社会科学和自然科学许多分支中去, 在理论和实际运用上都取得了引人注目的成果。
1.2 模糊控制的一些相关概念用隶属度法来定义论域U中的集合A，引入了集合A的0-1隶属度函数，用A(x) 表示，它满足：A(x)用0-1之间的数来表示x属于集合A的程度，集合A等价与它的隶属度函数A(x)模糊系统是一种基于知识或基于规则的系统。
它的核心就是由所谓的IF-THEN规则所组成的知识库。
一个模糊的IF-THEN规则就是一个用连续隶属度函数对所描述的某些句子所做的IF-THEN形式的陈述。
例如：如果一辆汽车的速度快，则施加给油门的力较小。
这里的“快”和“较小”分别用隶属度函数加以描述。
模糊系统就是通过组合IF-THEN规则构成的。
构造一个模糊系统的出发点就是要得到一组来自于专家或基于该领域知识的模糊IF-THEN规则，然后将这些规则组合到单一系统中。
不同的模糊系统可采用不用的组合原则。
模糊控制算法原理
模糊控制算法原理
模糊控制是一种基于经验的控制方法，它可以处理不确定性、模糊性和复杂性等问题，因此在工业控制、自动化、机器人等领域得到了广泛应用。
模糊控制算法的基本原理是将输入变量和输出变量映射成模糊集合，通过模糊推理来得到控制输出。
在这个过程中，需要使用模糊逻辑运算和模糊推理规则进行计算，最终得到模糊输出，再通过去模糊化转换为实际控制信号。
模糊控制算法的关键是如何构建模糊规则库。
规则库是由一系列模糊规则组成的，每个模糊规则包括一个前提和一个结论。
前提是由输入变量的模糊集合组成的，结论是由输出变量的模糊集合组成的。
在构建规则库时，需要依据专家经验或实验数据来确定模糊集合和模糊规则。
模糊控制算法的实现过程包括模糊化、模糊推理和去模糊化三个步骤。
模糊化是将输入变量映射成模糊集合的过程，它可以通过隶属度函数将输入变量的值转换为对应的隶属度值，表示它属于各个模糊集合的程度。
模糊推理是根据模糊规则库进行推理的过程，它可以通过模糊逻辑运算来计算各个规则的置信度，进而得到模糊输出。
去模糊化是将模糊输出转换为实际控制信号的过程，它可以通过一些去模糊化方法来实现，比如最大隶属度法、平均值法等。
模糊控制算法的优点是可以处理不确定性和模糊性，适用于复杂系统的控制；缺点是需要依赖专家经验或实验数据来构建规则库，而且计算复杂度较高，运算速度较慢。
因此，在实际应用中需要根据具体情况来选择控制算法。
模糊控制算法是一种基于经验的控制方法，可以处理不确定性、模糊性和复杂性等问题，在工业控制、自动化、机器人等领域得到了广泛应用。
在实际应用中，需要根据具体情况来选择控制算法，以保证控制效果和运算速度的平衡。
模糊pid控制-python实现
模糊pid控制 python实现模糊PID控制（Fuzzy PID control）是一种基于模糊逻辑的控制方法，它结合了模糊控制和经典PID控制的优点，可以在复杂和不确定的环境中实现精确的控制。
本文将介绍模糊PID控制的原理、实现方法以及在Python中的应用。
一、模糊PID控制的原理PID控制是一种经典的控制方法，它通过比较实际输出与期望输出之间的误差，根据比例、积分和微分三个参数进行调节，使系统输出逐渐趋近于期望值。
然而，传统的PID控制方法在面对非线性、时变和不确定性系统时表现不佳。
模糊PID控制通过引入模糊逻辑来解决传统PID控制的问题。
模糊逻辑是一种能够处理模糊信息的数学方法，它可以将模糊的输入映射到模糊的输出。
模糊PID控制器通过将误差、误差变化率和误差积分三个输入量模糊化，然后根据一组模糊规则进行推理，得到模糊输出。
最后，通过解模糊化的方法将模糊输出转化为具体的控制量。
二、模糊PID控制的实现方法1. 模糊化模糊化是将具体的输入量映射到模糊集合上的过程。
常用的模糊化方法有三角隶属函数、梯形隶属函数和高斯隶属函数等。
根据具体的问题和经验，选择合适的隶属函数进行模糊化。
2. 规则库规则库是模糊PID控制的核心。
它包含了一组模糊规则，用于根据输入量的模糊值推理出输出量的模糊值。
模糊规则一般采用IF-THEN的形式，例如“IF 误差是A1 AND 误差变化率是B2 THEN 输出是C3”。
规则库的设计需要根据具体问题进行，可以基于经验或者专家知识。
3. 推理机制推理机制是根据模糊规则进行推理的过程。
常用的推理方法有最大最小合成、模糊推理和模糊推理和等。
推理机制将模糊输入与规则库进行匹配，然后根据匹配的程度计算出模糊输出的隶属度。
4. 解模糊化解模糊化是将模糊输出转化为具体的控制量的过程。
常用的解模糊化方法有最大隶属度法、面积法和重心法等。
解模糊化方法根据模糊输出的隶属度分布，计算出具体的控制量。
控制系统中的模糊控制算法设计与实现
控制系统中的模糊控制算法设计与实现现代控制系统在实际应用中，往往面临着多变、复杂、非线性的控制问题。
传统的多变量控制方法往往无法有效应对这些问题，因此，模糊控制算法作为一种强大的控制手段逐渐受到广泛关注和应用。
本文将从控制系统中的模糊控制算法的设计和实现两个方面进行介绍，以帮助读者更好地了解和掌握这一领域的知识。
一、模糊控制算法的设计1. 模糊控制系统的基本原理模糊控制系统是一种基于模糊逻辑的控制系统，其基本思想是通过将输入和输出变量模糊化，利用一系列模糊规则来实现对系统的控制。
模糊控制系统主要由模糊化、规则库、模糊推理和解模糊四个基本部分组成，其中规则库是模糊控制系统的核心部分，包含了一系列的模糊规则，用于描述输入和输出变量之间的关系。
2. 模糊控制算法的设计步骤（1）确定输入和输出变量：首先需要明确系统中的输入和输出变量，例如温度、压力等。
（2）模糊化：将确定的输入和输出变量进行模糊化，即将其转换为模糊集合。
（3）建立模糊规则库：根据实际问题和经验知识，建立一系列模糊规则。
模糊规则关联了输入和输出变量的模糊集合之间的关系。
（4）模糊推理：根据当前的输入变量和模糊规则库，利用模糊推理方法求解输出变量的模糊集合。
（5）解模糊：将求解得到的模糊集合转换为实际的输出值，常用的方法包括最大值法、加权平均法等。
3. 模糊控制算法的设计技巧（1）合理选择输入和输出变量的模糊集合：根据系统的实际需求和属性，选择合适的隶属函数，以便更好地描述系统的特性。
（2）精心设计模糊规则库：模糊规则库的设计是模糊控制算法的关键，应根据实际问题与经验知识进行合理的规则构建。
可以利用专家经验、试验数据或者模拟仿真等方法进行规则的获取和优化。
（3）选用合适的解模糊方法：解模糊是模糊控制算法中的一项重要步骤，选择合适的解模糊方法可以提高控制系统的性能。
常用的解模糊方法有最大值法、加权平均法、中心平均法等，应根据系统的需求进行选择。
结合实例完成模糊控制算法的原理与实现
结合实例完成模糊控制算法的原理与实现一、引言模糊控制算法是一种基于模糊逻辑的控制算法，它可以在处理模糊或不确定性问题时提供一种有效的解决方案。
本文将从模糊控制算法的基本原理、实现步骤、实例应用等方面进行详细阐述。
二、模糊控制算法的基本原理1. 模糊集合在传统的数学中，集合是由元素组成的，而在模糊数学中，集合可以是由隶属度函数描述的元素组成。
隶属度函数可以将元素划分为不同程度上属于该集合的部分，这就是模糊集合。
例如：假设有一个温度传感器，它可以测量当前环境温度，并将其表示为一个值。
我们可以定义一个“舒适”的温度范围为20到25摄氏度，并使用一个隶属度函数来描述这个范围内每个温度值的隶属程度。
这样就形成了一个“舒适”温度范围的模糊集合。
2. 模糊逻辑在传统逻辑中，命题只有真和假两种情况。
而在模糊逻辑中，命题可能具有介于真和假之间的模糊值。
模糊逻辑可以通过一些规则来推断出结果，这些规则通常采用IF-THEN形式。
例如：假设我们有一个模糊集合“舒适”的温度范围，当当前温度为22摄氏度时，我们可以使用IF-THEN规则来判断当前环境是否舒适。
如果当前温度隶属于“舒适”范围，则可以得出结论：“当前环境舒适”。
3. 模糊控制器模糊控制器是一种基于模糊集合和模糊逻辑的控制器。
它将输入变量映射到输出变量，并使用IF-THEN规则来决定输出变量的值。
通常情况下，输入变量和输出变量都是连续的。
例如：假设我们有一个室内温度调节器，它需要根据当前环境温度来调整空调或暖气的输出功率。
我们可以将当前环境温度作为输入变量，将空调或暖气的输出功率作为输出变量，并使用IF-THEN规则来决定输出功率的大小。
三、模糊控制算法的实现步骤1. 模糊化将输入变量转换为相应的隶属度函数，以便能够使用模糊逻辑进行推断。
通常情况下，输入变量的隶属度函数可以使用三角形、梯形等形状来表示。
例如：假设我们有一个温度传感器，它可以测量当前环境温度，并将其表示为一个值。
结合实例完成模糊控制算法的原理与实现
模糊控制算法的原理与实现1. 介绍模糊控制是一种基于模糊逻辑的控制方法，它利用模糊规则来描述和模拟人类专家的经验和知识，以实现对复杂系统的控制。
模糊控制算法是通过模糊推理和模糊辨识来构建模糊控制系统。
本文将详细介绍模糊控制算法的原理与实现。
2. 模糊逻辑基础模糊逻辑是一种适用于处理模糊信息和不确定性问题的逻辑系统。
它是将模糊变量、模糊集合和模糊规则引入传统逻辑中的一种扩展。
模糊变量是指在一定范围内具有模糊性质的变量，模糊集合是指包含了事物之间模糊关系的集合，模糊规则是指用于描述输入与输出之间模糊关系的规则。
3. 模糊推理模糊推理是模糊控制算法的核心部分，它是基于模糊规则和模糊逻辑运算来进行的。
模糊推理过程包括模糊化、模糊规则匹配、模糊逻辑运算和去模糊化四个步骤。
3.1 模糊化模糊化是将实际输入值转换为模糊集合的过程。
通过模糊化，我们可以将精确的输入值映射到模糊集合上，并且可以灵活地描述输入值之间的模糊关系。
3.2 模糊规则匹配模糊规则匹配是将模糊化后的输入值与模糊规则进行匹配的过程。
每条模糊规则都由输入和输出之间的模糊关系构成，通过匹配规则，我们可以得到每条规则的激活度。
3.3 模糊逻辑运算模糊逻辑运算是根据模糊规则的激活度和模糊集合上的运算规则来进行的。
常用的模糊逻辑运算包括模糊交集、模糊并集和模糊推理。
3.4 去模糊化去模糊化是将模糊逻辑运算得到的模糊输出值转换为实际输出值的过程。
通过去模糊化，我们可以将模糊输出值映射到输入值所在的实际输出空间上。
4. 模糊辨识模糊辨识是模糊控制算法的关键步骤，它用于确定模糊控制系统的模糊规则和模糊变量。
模糊辨识可以通过专家经验、试验数据和数学建模等方法来实现。
4.1 专家经验法专家经验法是通过专家的经验和直觉来确定模糊规则和模糊变量。
专家根据对系统的了解和经验，提出一组模糊规则，并定义相应的模糊集合，从而构建模糊控制系统。
4.2 试验数据法试验数据法是通过对系统进行一系列试验，获取输入与输出之间的关系，进而确定模糊规则和模糊变量。
模糊控制基本原理
模糊控制的基本原理模糊控制是以模糊集合理论、模糊语言及模糊逻辑为基础的控制，它是模糊数学在控制系统中的应用，是一种非线性智能控制。
模糊控制是利用人的知识对控制对象进行控制的一种方法，通常用“if条件，then结果”的形式来表现，所以又通俗地称为语言控制。
一般用于无法以严密的数学表示的控制对象模型，即可利用人(熟练专家)的经验和知识来很好地控制。
因此，利用人的智力，模糊地进行系统控制的方法就是模糊控制。
模糊控制的基本原理如图所示：模糊控制系统原理框图它的核心部分为模糊控制器。
模糊控制器的控制规律由计算机的程序实现，实现一步模糊控制算法的过程是：微机采样获取被控制量的精确值，然后将此量与给定值比较得到误差信号E；一般选误差信号E作为模糊控制器的一个输入量，把E的精确量进行模糊量化变成模糊量，误差E的模糊量可用相应的模糊语言表示；从而得到误差E的模糊语言集合的一个子集e(e实际上是一个模糊向量)。
再由e和模糊控制规则R(模糊关系)根据推理的合成规则进行模糊决策，得到模糊控制量u为：式中u为一个模糊量；为了对被控对象施加精确的控制，还需要将模糊量u进行非模糊化处理转换为精确量：得到精确数字量后，经数模转换变为精确的模拟量送给执行机构，对被控对象进行一步控制；然后，进行第二次采样，完成第二步控制……。
这样循环下去，就实现了被控对象的模糊控制。
模糊控制(Fuzzy Control)是以模糊集合理论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制。
模糊控制同常规的控制方案相比，主要特点有：(1)模糊控制只要求掌握现场操作人员或有关专家的经验、知识或操作数据，不需要建立过程的数学模型，所以适用于不易获得精确数学模型的被控过程，或结构参数不很清楚等场合。
(2)模糊控制是一种语言变量控制器，其控制规则只用语言变量的形式定性的表达，不用传递函数与状态方程，只要对人们的经验加以总结，进而从中提炼出规则，直接给出语言变量，再应用推理方法进行观察与控制。
- 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)。
例：fismat=readfis(‘tipper’); //tipper.fis已经存在
③函数getfis
功能：取得模糊推理系统的部分或全部属性。 格式：getfis(a) //显示系统所有属性 //显示系统某一属性
getfis(a,’fisprop’)
getfis(a,’vartype’,varindex,’varprop’)
功能：绘制语言变量所有语言值的隶属度函数曲线。
格式：plotmf(fismat,varType,varIndex) 说明：参数fismat指明模糊推理系统的对应矩阵变量 名称；varType指明变量类型（’input’或’output’）； varIndex指明输入或输出语言变量的编号。 例： plotmf(a,’input’,2)
⑤函数smf 功能：建立S型隶属度函数。
格式：y=smf(x,[a b])
说明：曲线在（a,b）之间是光滑的样条曲线，在a左 段为0，b右段为1,跳跃点是(a+b)/2。参数x指定变量论 域范围。 例： x=0:0.1:10; y=smf(x, [2 8]); plot(x,y) xlable(‘smf,P=[2 8]’)
1 x c 2 ( ) 2
④函数zmf 功能：建立Z型隶属度函数。
格式：y=zmf(x,[a b])
说明：曲线在（a,b）之间是光滑的样条曲线，在a左 段为1，b右段为0,跳跃点是(a+b)/2。参数x指定变量论 域范围。 例： x=0:0.1:10; y=zmf(x, [2 8]); plot(x,y) xlable(‘zmf,P=[2 8]’)
③ 函数gaussmf 功能：建立高斯型隶属度函数。
格式：y=gaussmf(x,[sig c])
其中：参数x指定变量论域范围，参数c决定了函数的中心 点，sig决定了函数曲线的宽度σ 。 高斯函数的表达式为： y e 例： x=0:0.1:10; y=gaussmf(x, [2 5]); plot(x,y) xlable(‘gaussmf,P=[2 5]’)
5、模糊规则建立 ①函数addrule 功能：向模糊推理系统添加模糊规则。 格式：a=addrule(a,rulelist) 说明：参数a为模糊推理系统对应的矩阵变量名称，rulelist 以向量的形式给出需要添加的模糊规则。如果模糊推理系 统有m个输入语言变量和n个输出语言变量，则向量rulelist 的列数必须为m+n+2，而行数等于需要添加的规则数目。
min prod （乘积法）
3. 输出的合成计算Aggregation（模糊规则综合采用的方法） max prober(a,b)=a+b-ab Aggregation sum（求和法） prober （概率法）
4. 逆模糊化计算(Defuzzification)
centroid（重心法） bisector（面积平分法） lom（最大隶属度函数中的取最大值法） som（最大隶属度函数中的取最小值法）
plot(a,’input’,1)
注意：对于每个语言变量的隶属度函数按该函数被添加的顺 序编号，编号从1开始，依次递增。
3、FIS系统相关操作
① 函数newfis
功能：创建并返回一个新的模糊推理系统。
格式：a=newfis(‘fisName’) ②函数readfis 功能：从磁盘中读出并返回模糊推理系统结构变量。 格式：Fismat=readfis(‘filename’) 说明：打开一个由filename指定的数据文件（.fis），并将 其加载到当前的工作空间(Workspace)中的变量Fismat中。
mom（平均最大隶属度法）
⑵ 在命令窗口键 入mfedit可激活隶 属度函数编辑器
MATLAB的FIS结构和存储 1、FIS(模糊推理系统)结构 模糊推理系统是以一种FIS的结构来表示和存储的 ①GUI工具 访问方法 ②函数 ③结构名.成员名 2、存储（ .fis文件） 访问 readfis－读 writefis－写
例：a=newfis(‘tipper’);
a=addvar(a,’input’,’service’,[0 10]); a=addmf(a,’input’,1,’poor’,’guassmf’,[1.5 0]); a=addmf(a,’input’,1,’good’,’guassmf’,[1.5 5]); a=addmf(a,’input’,1,’excellent’,’guassmf’,[1.5 10]);
NumMFs=3 MFLabels=poor good excellent Range=[0 10] 例：getfis(a,’input’,1,’name’) 输出结果：service
④ 函数showfis
功能：以分行的形式显示模糊推理系统矩阵的所有属性。 格式：showfis(fismat) ⑤ 函数writefis 功能：将以矩阵形式保存在内存中的模糊推理系统的数 据写入磁盘文件中。 格式：writefis(fismat,filename)
centroid（重心法：系统默认） lom（最大隶属度函数中的取最大值法） bisector（面积平分法） mom（平均最大隶属度法） som（最大隶属度函数中的取最小值法）
4、系统图形显示函数
① 函数plotfis 功能：绘制模糊推理系统的推理过程结构框图。 例：plotfis(‘tipper’) ② 函数plotmf
例：fis=readfis(‘tipper’);
out=evalfis([2 1; 4 9],fis) 输出结果：out=7.0169
19.6810
MATLAB模糊控制系统设计实例1
一、设计目的：了解用MATLAB模糊工具箱的图形界面可视化 工具实现模糊控制系统的方法。 二、系统设计要求： 1、输入变量：偏差e、偏差变化率de；输出变量：u 相应隶属度函数为：
命令函数
1、隶属度函数 ①函数trimf(表示triangular membership function) 功能：建立三角形隶属度函数。 格式：y=trimf(x,[a b c])
其中：参数x指定变量论域范围，参数a,b和c指定三角形 函数的形状，该函数在b点处取最大值1，a,c点为0。 例：建立三角形隶属度函数并绘制曲线。
②函数addmf
功能：向模糊推理系统的语言变量添加隶属度函数。
格式：a=addmf(a, varType, varIndex,mfName,mfType, mfParams)
说明：隶属度函数只能为模糊推理系统中已经存在的某 一语言变量的语言值添加隶属度函数。参数列表中，a为 模糊推理系统对应的矩阵变量名， varType指定语言变量 类型的字符串（如‘input’或‘output’）； varIndex指定 语言变量编号的数字；mfName指定隶属度函数名称； mfType指定隶属度函数类型； mfParams指定隶属度函数 的参数。
在rulelist的每一行中，前m个数字表示各输入语言 变量的语言值（隶属度函数的编号），随后的n个数字表 示输出语言变量的语言值，第n+m+1个数字是该规则的 权重，权重的值在0到1之间，一般设定为1；第n+m+2 个数字为0或1两者之一，为1表示模糊规则各输入语言 变量之间是and关系，为0则表示是or关系。
模糊推理输入输出曲面视图Surfview (Surface)
⑴ 模糊推理系统编辑器Fuzzy 处理最顶层构建问题，例如输入输出变量的数目、变量名等 激活（进入）方法：命令窗口(command window)执行 Fuzzy命令。
激活模糊推理系统系统编辑器 ：
基本属性
输入模糊变量图形框 组成 模糊规则图形框
例：writefis(a,’my_file’)
type my_file.fis
⑥ 函数setfis
功能：设置、改变模糊推理系统的属性。 格式：FIS2=setfis(fis1,’fispropname’,newPropValue) 说明：参数fis1指明模糊推理系统的名称；fispropname 指明模糊推理系统的全局属性； newPropValue指明此 属性的新值。 例：a=readfis(‘tipper’); a2=setfis(a,’DefuzzMethod’,’mom’); Defuzzification:
例：a=readfis(‘tipper’);
getfis(a) 输出结果：Name=tipper Type=mamdani NumInputs=2
………
例：getfis(a,’input’,1) 注：属性为‘input’或‘output’时，后面的第三个参数 指定某一个输入或输出语言变量。
输出结果：Name=service
双击
双击
Mfedit Ruleedit
Mfedit
输出模糊变量图形框
双击
基本属性包括：
1. 模糊集合合成运算（连接词的运算） min（最小法） ① and prod（乘积法）
② or
max（最大法） prober（概率法）
prober(a,b)=a+b-ab
2. 蕴涵计算(Implication)
1 2，2（1）：1
6、计算模糊推理输出结果函数evalfis 格式：y=evalfis(U,FIS)
说明：参数U是输入数据，FIS是模糊推理矩阵。 U的每一行是一个特定的输入向量，Y的每一行是 一个特定的输出向量。
如果输入U是M*N矩阵，则系统是N输入的， 返回的Y是M*L矩阵，L是系统的输出的数目。
②函数showrule
格式：showrule(fis) showrule(fis,indexlist) showrule(fis,indexlist,format) 说明：fis为模糊推理系统矩阵变量的名称；indexlist为 规则编号，可以以向量形式指定显示多条规则； format为显示方式，有三种显示方式，即语句方式 （verbose），符号方式（symbolic）和索引方式 （indexed）。 例：showrule(a,1:2,’indexed’) 输出结果：1 1，1（1）：1m文件存放）