模糊逻辑控制作业
模糊逻辑控制matlab编程仿真(第七组)讲解
《智能控制》模糊逼近作业报告组员：李适、郑晓森、匡金龙、沈伟生、武云发黎浩炎、晏开、杜文学、杨晓星目录一、任务及要求 (3)二、系统分析及控制设计原理 (3)三、设计实现 (4)四、仿真验证 (7)五、讨论与分析 (12)一、任务及要求(1)任务设计一个在 上的模糊系统，使其以精度 一致地逼近函数()()()()()ππππ2121cos sin cos sin x x x x x g ++=，并进行Matlab 仿真。
(2)要求先进行系统分析，然后给出完整详细的设计过程，可参见P74-75页例5.1和例5.2的仿真实例。
二、系统分析及控制设计原理自适应模糊控制是指具有自适应学习算法的模糊逻辑系统，其学习算法是依靠数据信息调整模糊逻辑系统的参数，且可以保证控制系统的稳定性。
一个自适应模糊控制器可以用一个单一的自适应模糊系统构成，也可以用若干个自适应模糊系统构成。
与传统的自适应控制相比，自适应模糊控制的优越性在于它可以利用操作人员提供的语言性模糊信息，而传统的自适应控制则不能。
这一点对具有高度不确定因素的系统尤其重要。
自适应模糊控制有两种不同形式：一种是直接自适应模糊控制，即根据实际系统性能与理想性能之间的偏差直接设计模糊控制器；另一种是间接自适应模糊控制，即通过在线模糊逼近获得对象的模型，然后根据所得模型在线设计控制器。
三、设计实现(1)模糊系统的设计步骤设二维模糊系统g(x)为集合22211],[],[R U ⊂⨯=βαβα上的一个函数，其解析式形式未知。
假设对任意一个U x ∈,都能得到g(x)，则可设计一个逼近g(x)的模糊系统。
模糊系统的设计步骤为：步骤1：在],[i i βα上定义)2,1(=i N i 个标准的，一致的和完备的模糊集i N i i i i A A A A ,...,,,321。
[][]1,11,1-⨯-=U 1.0=ε步骤2：组建21N N M ⨯=条模糊集IF-THEN 规则，即21ui i R ：如果1x 为11i A 且2x 为22i A ，则y 为21i i B 式中，2211,...,2,1;,...,2,1N i N i ==，将模糊集21i i B 的中心表示为),(),(g 21121221i i i i e e g x x y==式中，j i e 为i x 在模糊集j i A 上的中间值或边界值()2,1;2,1==j i 。
模糊控制应用实例
模糊控制应用实例模糊控制是一种基于模糊逻辑的控制方法，它能够处理模糊的输入和输出，使得控制系统具有更好的鲁棒性和适应性。
下面将介绍一个模糊控制的应用实例。
某工厂的生产线上有一台机器人，它需要根据生产线上的物品进行分类和分拣。
由于生产线上的物品形状、颜色、大小等特征存在一定的模糊性，传统的控制方法很难实现准确的分类和分拣。
因此，工厂决定采用模糊控制方法来解决这个问题。
首先，需要对机器人的控制系统进行建模。
假设机器人的控制系统包括三个输入变量和一个输出变量。
其中，三个输入变量分别为物品的大小、颜色和形状，输出变量为机器人的动作，包括分类和分拣两种动作。
接下来，需要确定输入变量和输出变量的模糊集合和模糊规则。
假设物品的大小、颜色和形状分别属于三个模糊集合：小、中、大；红、绿、蓝；圆、方、三角。
输出变量也分别属于两个模糊集合：分类、分拣。
根据这些模糊集合，可以确定一些模糊规则，例如：如果物品大小为小且颜色为红且形状为圆，则机器人动作为分类；如果物品大小为中且颜色为绿且形状为方，则机器人动作为分拣；如果物品大小为大且颜色为蓝且形状为三角，则机器人动作为分类。
最后，需要进行模糊推理和模糊控制。
当机器人接收到一个物品时，它会根据物品的大小、颜色和形状，将它们映射到对应的模糊集合中。
然后，根据模糊规则进行模糊推理，得到机器人的动作。
最后，根据机器人的动作，控制机器人进行分类或分拣。
通过模糊控制方法，机器人可以更准确地分类和分拣物品，提高生产效率和质量。
同时，模糊控制方法还具有较好的鲁棒性和适应性，能够应对物品特征的变化和噪声的干扰。
总之，模糊控制是一种有效的控制方法，它能够处理模糊的输入和输出，使得控制系统具有更好的鲁棒性和适应性。
在工业生产、交通运输、医疗健康等领域都有广泛的应用。
自动化控制系统中的模糊逻辑应用
自动化控制系统中的模糊逻辑应用自动化控制系统中的模糊逻辑是一种有效的控制方法，它可以处理模糊和不确定性信息，提高系统的控制性能和适用性。
在自动化控制系统中，模糊逻辑应用广泛，包括模糊控制、模糊识别、模糊推理等方面。
首先，模糊逻辑在自动化控制系统中的一个主要应用是模糊控制。
传统的控制方法往往需要准确的数学模型和精确的控制规则，但是在实际应用中系统参数往往难以确定或者存在不确定性。
而模糊控制可以处理这种模糊性和不确定性，根据系统的输入输出关系以及专家经验进行控制决策。
通过模糊逻辑的模糊化、模糊推理和解模糊化等步骤，可以实现对非线性、不确定性系统的控制。
其次，模糊逻辑在自动化控制系统中的另一个重要应用是模糊识别。
模糊逻辑可以将模糊的输入信息转化为清晰的输出结果，用于模糊模式识别、模糊分类和特征提取等任务。
比如，在工业自动化中，可以利用模糊逻辑对传感器获取的模糊信息进行处理，实现对不同工况下系统状态的自动识别和监测。
此外，模糊逻辑在自动化控制系统中还可以应用于模糊推理。
模糊推理是基于模糊逻辑的推理方法，将模糊描述的规则进行模糊推理，得到结果的模糊度量。
通过模糊推理，可以处理模糊规则、不确定性条件下的推理问题，实现自动化控制系统的智能化和自适应控制。
总的来说，自动化控制系统中的模糊逻辑应用是一种有效的控制方法，可以处理系统中的模糊性和不确定性信息，提高系统的控制性能和适用性。
在实际应用中，可以根据具体的控制任务和系统特性选择合适的模糊逻辑方法，实现对复杂、非线性系统的有效控制和优化。
希望未来能够进一步完善模糊逻辑理论，推动其在自动化控制系统中的广泛应用和发展。
基于模糊逻辑的自动化控制系统设计
基于模糊逻辑的自动化控制系统设计在当今科技飞速发展的时代，自动化控制系统在各个领域都发挥着至关重要的作用。
从工业生产中的流水线作业到智能家居中的环境调控，从交通运输的优化管理到医疗设备的精准运行，自动化控制系统的身影无处不在。
而模糊逻辑作为一种处理不确定性和模糊性问题的强大工具，为自动化控制系统的设计带来了新的思路和方法。
那么，什么是模糊逻辑呢？简单来说，模糊逻辑是一种不同于传统二值逻辑（真或假）的逻辑体系。
在模糊逻辑中，事物的状态不是绝对的“是”或“否”，而是存在一定程度的“模糊性”。
例如，温度“高”“中”“低”的划分并不是明确的界限，而是一个逐渐过渡的范围。
这种对不确定性和模糊性的包容，使得模糊逻辑能够更贴近现实世界中复杂多变的情况。
基于模糊逻辑的自动化控制系统设计，首先需要明确系统的控制目标和控制对象。
比如，在一个室内温度控制系统中，控制目标是将室内温度保持在一个舒适的范围内，控制对象就是空调设备。
接下来，要对控制对象的输入和输出变量进行模糊化处理。
以温度为例，将实际的温度值转化为模糊的语言变量，如“很冷”“冷”“适中”“热”“很热”等。
在完成变量的模糊化后，就需要制定模糊控制规则。
这些规则是根据经验和专业知识来确定的。
例如，如果室内温度被判断为“很热”，那么空调应该以较大的制冷功率运行；如果温度是“适中”，则保持当前的运行状态。
这些规则通常以“如果……那么……”的形式来表述。
模糊推理是整个控制系统的核心环节。
它根据输入的模糊变量和制定的控制规则，通过特定的算法来计算出输出的模糊值。
常用的模糊推理方法有 Mamdani 推理法和 Sugeno 推理法等。
以 Mamdani 推理法为例，它通过对输入变量的模糊集合与控制规则中的条件部分进行模糊运算，得到输出变量的模糊集合。
得到输出的模糊值后，还需要进行反模糊化处理，将其转化为具体的控制量。
常见的反模糊化方法有重心法、最大隶属度法等。
例如，使用重心法时，通过计算输出模糊集合的重心对应的数值，得到最终的精确控制量，从而实现对控制对象的精确控制。
模糊逻辑控制技术在制造业中的应用
模糊逻辑控制技术在制造业中的应用随着科技的发展，机械和电子控制技术的迅猛发展，越来越多的自动化设备和生产流程需要进行复杂的控制以实现高质量、高效率的生产。
而传统的数学模型和逻辑控制方法，在复杂的制造环境下不能够很好地解决问题。
因此，模糊逻辑控制技术应运而生。
模糊逻辑控制技术（Fuzzy Logic Control，FLC）是一种基于模糊数学原理和语言学的控制方法。
它不同于传统二进制逻辑控制，而是考虑了各种模糊情况和含糊因素，具有较强的适应性和智能性。
在自动化制造中，由于工业过程通常具有大量的随机性、扰动和不确定性，模糊逻辑控制技术能够更好地处理这些问题，提高系统的鲁棒性和稳定性。
在制造业中，模糊逻辑控制技术广泛应用于机器人、智能控制系统、加工设备等自动化设备中。
比如，在数控机床的控制中，往往需要针对加工物料的硬度、切削深度、进给速度等因素进行适当的控制。
这些因素显然难以用传统的数学模型精确地描述，但是如果采用模糊逻辑控制技术，将加工物料硬度和切削深度分别定义为输入变量，进给速度定义为输出变量，则可以通过建立一组模糊规则，达到实现自动控制的目的。
同时，模糊逻辑控制技术还支持模糊推理、模糊判断、模糊信息处理等功能，许多智能控制系统中都会使用FLC进行实现。
除了在自动化设备中的应用外，模糊逻辑控制技术在制造流程控制中也有广泛应用。
在电子制造中，传统的控制方法常常难以精确描述半导体材料的生长，模糊逻辑控制技术可以通过模糊推理得出生长过程的趋势和规律，从而更好地控制生长速度和生长质量。
在汽车制造中，模糊逻辑控制技术也可以用于自适应生产线控制，实现自动化生产线的优化控制和生产调度。
在实际应用中，模糊逻辑控制技术还有许多发展方向和挑战。
例如，在模糊规则的设计方面，如何针对不同的应用场景建立准确、稳定、高效的模糊规则，是一个重要的研究方向。
此外，模糊逻辑控制技术中存在的模糊变量、模糊规则等概念也需要更好地阐释和建立，以实现更好的控制效果。
模糊控制设计及仿真实例智能控制作业
1.一个三阶系统201232123b b b a a a s s s s s +++++ ，其中a,b 的值由自己设定，该系统具有非线性环节，如下图所示：依据上述条件设计一个模糊控制器： ①用MATLAB 仿真，得出仿真结果， ②并通过改变a 、b 值对仿真结果的影响；③改变隶属度函数，从仿真结果图分析隶属度函数，模糊化对系统的影响； 解：①（1）取b0=0,b1=0,b2=1.5,a1=4,a2=2,a3=0,在SIMULINK 里建模如下图所示（2）用GUI 建立FISE 和EC 分别为系统输出误差和误差的变化量，U 为控制输出，编辑其隶属度函数如下编辑模糊推理规则如下(3)仿真结果如下2自己选定一个对象，设计一个神经网络控制系统。
解：被控对象为y(k)=0.3y(k-1)+0.2y(k-2)+0.1u(k-1)+0.6u(k-2),采用单神经元PID 控制，控制结构如下图所示：采用有监督的Hebb 学习规则，控制算法及学习算法如下：3131111222333()(1)()()()()/()()(1)()()()()(1)()()()()(1)()()()i i i i i i i I P D u k u k K w k x k w k w k w k w k w k z k u k x k w k w k z k u k x k w k w k z k u k x k ηηη=='=-+'==-+=-+=-+∑∑式中，2123()();()()(1);()()()2(1)(2);x k e k x k e k e k x k e k e k e k e k ==--=∆=--+-K K >0I P D ηηη﹑﹑分别为积分﹑比例﹑微分的学习速率，为神经元比例系数，。
输入信号为方波：()rin k 0.5sgn (sin (4t))π=仿真程序如下：clear all ; close all ;x=[0,0,0]';xiteP=0.40; xiteI=0.35; xiteD=0.40;wkp_1=0.10;wki_1=0.10;wkd_1=0.10;error_1=0;error_2=0;y_1=0;y_2=0;y_3=0;u_1=0;u_2=0;u_3=0;ts=0.001;for k=1:1:1000time(k)=k*tsrin(k)=0.5*sign(sin(4*pi*k*ts));yout(k)=0.3*y_1+0.2*y_2+0.1*u_1+0.6*u_2;error(k)=rin(k)-yout(k);wkp(k)=wkp_1+xiteP*error(k)*u_1*x(1);%Pwki(k)=wki_1+xiteI*error(k)*u_1*x(2);%Iwkd(k)=wkd_1+xiteD*error(k)*u_1*x(3);%DK=0.12;x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;wadd(k)=abs(wkp(k))+abs(wki(k))+abs(wkd(k)); w11(k)=wkp(k)/wadd(k);w22(k)=wki(k)/wadd(k);w33(k)=wkd(k)/wadd(k);w=[w11(k),w22(k),w33(k)];u(k)=u_1+K*w*x;%Control lawif u(k)>10u(k)=10;endif u(k)<-10u(k)=-10;endu_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=yout(k);wkp_1=wkp(k);wkd_1=wkd(k);wki_1=wki(k);endfigure(1);plot(time,rin,'b',time,yout,'r');xlabel('time(s)');ylabel('rin,yout'); figure(2);plot(time,error,'r');xlabel('time(s)');ylabel('error');figure(3);plot(time,u,'r');xlabel('time(s)');ylabel('u');仿真结果如下：3.前向神经网络拟合一个函数y=sin(x)*cos(10x),取n个样本，神经网络的层数和每层的点数可自定。
基于模糊逻辑控制的家庭电器自动化控制系统
基于模糊逻辑控制的家庭电器自动化控制系统近年来，随着智能家居技术的不断发展，越来越多的家庭开始尝试使用自动化控制系统来控制家用电器，从而提高生活质量和便利性。
其中，基于模糊逻辑控制的家庭电器自动化控制系统，具有精准控制、高效能耗和用户友好等特点，备受青睐。
一、模糊逻辑控制原理基于模糊逻辑的控制方法，是指在控制系统中采用模糊逻辑代替传统的二元逻辑，用数学模型描述物理系统之间的非精确关系，从而实现控制。
简单来说，就是通过模糊推理来判断各个因素对结果的影响程度，从而得出最终的控制值。
二、模糊逻辑控制在家庭电器自动化控制系统中的应用在家庭电器自动化控制系统中，通过将各种传感器、执行器及控制器等设备联网，形成一个完整的系统。
利用模糊逻辑控制方法，可以根据家庭电器使用情况和用户的习惯，自动调节家用电器的使用，减少能耗损失、提高舒适度和安全性。
例如，使用模糊逻辑控制器控制家庭照明系统，可以根据室内亮度、时间和用户需求等因素，自动调整灯光亮度和颜色，避免浪费不必要的电能，提高舒适感。
同时，还可以使用模糊控制方法控制家庭空调系统，根据室内温度、湿度和用户需求等因素，自动调整温度和风速，提高空调效率和稳定性。
三、模糊逻辑控制系统的优势与传统控制方法相比，基于模糊逻辑的控制系统具有以下优势：1. 精准控制：通过模糊逻辑推理，可以实时监测和调整家庭电器的状态，达到更精准的控制效果。
2. 高效能耗：通过自动化控制，可以有效减少不必要的能耗损失，提高能源利用效率。
3. 用户友好：通过智能控制方式，可以提高家庭的舒适性和便利性，对于老年人和儿童等特殊群体，更具有照顾和方便性。
四、总结随着科技的不断进步，智能家居已经成为人们生活中的重要部分。
基于模糊逻辑控制的家庭电器自动化控制系统，不仅可以提高生活质量和便利性，还能有效减少能耗损失，具有广阔的应用前景。
我相信，不久的将来，模糊逻辑控制技术将在智能家居领域大放异彩。
模糊逻辑算法应用实例
模糊逻辑算法应用实例
随着科技的不断发展，智能家居已经成为了现代家庭的一种趋势。
智能家居控制系统可以通过智能手机、平板电脑等设备，实现对家居设备的远程控制，如灯光、空调、窗帘等。
而模糊逻辑算法则是智能家居控制系统中的重要算法之一。
模糊逻辑算法是一种基于模糊数学理论的推理方法，它可以处理模糊信息，即不确定或不精确的信息。
在智能家居控制系统中，模糊逻辑算法可以用来处理用户的语音指令或手势控制，从而实现对家居设备的控制。
例如，当用户说“请把客厅的灯光调暗一点”，模糊逻辑算法可以将“调暗一点”这个模糊指令转化为具体的数值，如将灯光亮度从80%调整到60%。
这样，智能家居控制系统就可以根据用户的模糊指令，自动调整家居设备的状态。
模糊逻辑算法还可以用来处理多个条件之间的关系。
例如，当用户说“如果室内温度高于25℃，请打开空调”，模糊逻辑算法可以将“高于25℃”这个条件转化为一个模糊集合，然后根据这个模糊集合的程度，来决定是否打开空调。
这样，智能家居控制系统就可以根据多个条件之间的关系，自动调整家居设备的状态。
模糊逻辑算法在智能家居控制系统中的应用，可以使系统更加智能化、人性化，提高用户的使用体验。
未来，随着人工智能技术的不
断发展，模糊逻辑算法将会在更多的领域得到应用。
毕业设计106模糊逻辑控制器的设计1
3. 模糊逻辑控制器的设计模糊逻辑控制器（Fuzzy Logic Controller）简称为模糊控制器(Fuzzy Controller)，因为模糊控制器的控制规则是基于模糊条件语句描述的语言控制的控制规则，所以模糊控制器又称为模糊语言控制器。
模糊控制器在模糊自动控制系统中具有举足轻重的作用，因此在模糊控制系统中，设计和调整模糊控制器的工作是很重要的。
模糊控制器的设计包含以下几项内容：(1)、量和确定模糊控制器的输入变输出变量（即控制量）。
(2)、设计模糊控制器的控制规则。
(3)、确定模糊化和非模糊化（又称清晰化）的方法。
(4)、选择模糊控制器的输入变量和输出变量的论域并确定模糊控制器的参数（如量化因子，比列因子）。
(5)、编辑模糊控制算法的应用程序。
(6)、合理选择模糊控制算法的采样时间。
[5] 3.1 模糊控制器的基本结构模糊控制系统一般按输出误差和误差的变化对过程进行控制，其基本的结构表示如图3.1。
首先将实际测得的精确量误差e和误差变化△e经过模糊化处理而变换成模糊量，在采样时刻k,误差和误差变化的定义为e k=yr-y kΔe k=e k-e k-1上式中yr和yk分别表示设定值和k时刻的过程输出，即为k时刻的输出误差。
用这些来计算模糊控制规则，然后又变换成精确量对过程进行控制。
模糊控制基本上由模糊化，知识库，决策逻辑单元和去模糊花四个部件组成，其功能如下：模糊化部件：检测输入变量e和△e的值，进行标尺变换，将输入变量值变换成相应的论域；将输入数据转换成合适的语言值，它可以看成是模糊集合的一种标示。
知识库：包含应用领域的知识和控制目标，它由数据和语言（模糊）控制规则库组成。
数据库提供必要的定义，确定模糊控制器（FLC）语言控制规则图3.1 模糊控制系统的基本结构和模糊数据的操作。
规则库由一组语言控制规则组成，它表征控制目标和论域专家的控制策略。
决策逻辑是模糊控制系统的核心。
它基于模糊概念，并用模糊逻辑中模糊隐含和推理规则获得模糊控制作用，模拟人的决策过程。
毕业设计106模糊逻辑控制器的设计1
3. 模糊逻辑控制器的设计模糊逻辑控制器（Fuzzy Logic Controller）简称为模糊控制器(Fuzzy Controller)，因为模糊控制器的控制规则是基于模糊条件语句描述的语言控制的控制规则，所以模糊控制器又称为模糊语言控制器。
模糊控制器在模糊自动控制系统中具有举足轻重的作用，因此在模糊控制系统中，设计和调整模糊控制器的工作是很重要的。
模糊控制器的设计包含以下几项内容：(1)、量和确定模糊控制器的输入变输出变量（即控制量）。
(2)、设计模糊控制器的控制规则。
(3)、确定模糊化和非模糊化（又称清晰化）的方法。
(4)、选择模糊控制器的输入变量和输出变量的论域并确定模糊控制器的参数（如量化因子，比列因子）。
(5)、编辑模糊控制算法的应用程序。
(6)、合理选择模糊控制算法的采样时间。
[5] 3.1 模糊控制器的基本结构模糊控制系统一般按输出误差和误差的变化对过程进行控制，其基本的结构表示如图3.1。
首先将实际测得的精确量误差e和误差变化△e经过模糊化处理而变换成模糊量，在采样时刻k,误差和误差变化的定义为e k=yr-y kΔe k=e k-e k-1上式中yr和yk分别表示设定值和k时刻的过程输出，即为k时刻的输出误差。
用这些来计算模糊控制规则，然后又变换成精确量对过程进行控制。
模糊控制基本上由模糊化，知识库，决策逻辑单元和去模糊花四个部件组成，其功能如下：模糊化部件：检测输入变量e和△e的值，进行标尺变换，将输入变量值变换成相应的论域；将输入数据转换成合适的语言值，它可以看成是模糊集合的一种标示。
知识库：包含应用领域的知识和控制目标，它由数据和语言（模糊）控制规则库组成。
数据库提供必要的定义，确定模糊控制器（FLC）语言控制规则图3.1 模糊控制系统的基本结构和模糊数据的操作。
规则库由一组语言控制规则组成，它表征控制目标和论域专家的控制策略。
决策逻辑是模糊控制系统的核心。
它基于模糊概念，并用模糊逻辑中模糊隐含和推理规则获得模糊控制作用，模拟人的决策过程。
- 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)。
《智能控制技术》平时作业题
2016年4月1日
学号______________ 姓名
题一： 设被控对象的传递函数为
21()1000441)
G s s s =++ （1）针对阶跃输入()5/R s s =，设计模糊监督PID 控制系统，使
得系统输出的超调量2%δ≤，进行系统仿真。
（2）已知条件和性能指标同（1），设计模糊监督模糊控制系统，进行系统仿真，同（1）的仿真结果进行比较。
题二：设被控对象的传递函数为
p
22p p p ()2K G s s s ζωω=++ 式中，P 1K =，P 0.707ζ=，P 1ω=。
参考模型为一阶系统
r r ()K M s s a =+，r
1K =，r 1a =。
系统参考输入为()sin(0.6)r t t =。
（1）针对()G s 设计一个直接模糊控制器（非自适应），使得对
象的输出尽可能接近参考模型的性能指标。
模糊控制器为二维模
糊控制器，其输入变量为偏差e r y =-，r 为系统参考输入，y 为被控对象输出；偏差变化()()()e kT e kT T e
kT T
--= （用一阶后向差分近似）。
（2）针对()G s 设计模糊模型参考学习自适应控制系统，使得对
象输出跟踪参考模型输出并尽可能地靠近它。
将（1）中所设计的模糊控制器作为初始模糊控制器并为FMRLC（模糊模型参考学习控制）所调整，进行系统仿真。
题三：使用模糊逻辑工具箱建立以下模糊推理系统。
（1）单输入单输出模糊推理系统：输入、输出变量分别为e和u，其模糊集论域均为[-1，1]，语言变量取值[N，ZO，P]，隶属函数为对称三角形，规则为
If e is N Then u is N
If e is ZO Then u is ZO
If e is P Then u is P
画出该模糊推理系统输入输出关系曲线。
（2）两输入一输出模糊推理系统：输入变量e和e ，输出变量为u，其模糊集论域均为[-6，6]，语言变量取值[NL，NS，ZO，PS，PL]，隶属函数为对称三角形；规则前件及蕴涵均采用“取小”运算。
设计25条控制规则；求出该推理系统的控制面。
（3）采用高斯形隶属函数，重复上述（2）。
题四：已知某被控对象的传递函数为
2.5
()
(101)
G s
s s
=
+。
（1）采用二维PD模糊控制器，输入变量e和e ，输出变量为u，其模糊集论域均为[-6，6]，语言变量取值[NL，NM，NS，ZO，PS，PM，PL]，隶属函数为对称三角形；规则前件及蕴涵均采用“取小”运算，采用COG反模糊化方法。
用Simulink建立单位
反馈仿真系统，适当调整模糊控制器的增益系数e K ，c K 及u K ，求出系统的阶跃响应曲线；
（2）已知条件同条件（1），求系统单位斜坡输入时的系统响应曲线，分析系统响应曲线，分析系统响应曲线是否有静态偏差存在，为什么？
（3）已知条件同条件（1），针对单位斜坡输入，要求系统无静态偏差，该怎样设计模糊控制器？设计相应的模糊控制器并进行系统仿真。