matlab计算模糊控制表
模糊控制的MATLAB实现具体过程(强势吐血推荐)
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’)
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。
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)
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]);
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。
模糊控制查询表的MATLAB实现
ｐ ｄｅ ｃ ｉｅｓ ｎ ｅｒ ｓ ｒｂ ｉ ｄｅａｉ ｈ ｗａｙ ｏ ｔｌ ｅ ｔ ｈ ｗ ｔ ｇｅｔ ｆ ｚ ｙ －ｃ ｔｏｌ ｑｕ ｙ ａ ｅ ｙ ｈｅ ｏ ａ ｕ ｚ ｏｎｒ — ｅｒ ｔｂｌ ｂ ｔ ＭＡＴＬ ｐｒ ＡＢ ｏｇｒ ａｍｍ ｉｇ． ｓ ｎ Ｔｈｉ ｃｏｒ ｌ ａ ｅ ｔｏ —ｔｂｌ ｍ ａ ｂｅ ｔｒ ｄ ｎ ｈ ｃ ｙ ｓｏ ｅ ｉ ｔ ｅ ｏｍｐｕｅ ｔ ｗｉ ｔ ｆ ｍ ｏｆ ｔｂｌ Ｗ ｈｉｈ ｔ ｈｅ ｏｒ ｈ ａ ａ ｅ． ｃ ｃａ ｉ ｎ ｍｐｒ ｅ ｏ ｇｒ ａ ｌ ｔｅ ｅｔ ｙ ｈ ｏｐｅ ａｉｎ ｅ ｆ ｅｎ ｙＳｕｃ ａ ＰＬ ｒ ｔ ａｌ ｆｉ ｏ ｃｉ ｃ ｈ ｓ Ｃ ｃｏ ｔｏｌ ｒｅｃ． ｏ ｅ ｎ ｒ ｌ ，ｔ ｗｈ ｓ ｍｅ ｏ ｙ ｓ ｖ ｙ ｉｌ ａ ｏ ｅ ｍ ｒ ｉ ｅｒ ｌｔ ｔｅ，ｎｄ ｎ—ｌ ｒａｓ ｎｉｇ ａｎ ｓ ｒａｌ ｅ ｉ ｎｅ ｅ ｏ ｎ ｃ ａｌｏ ｂｅ ｅ ｉ ｄ． ｚ Ｋｅ ｗＯｒｓ： ｚ ｙ ｏｎｒ ｌ ｙ ｄ ｆ ｚ ｃ ｔｏ ｑｕ ｒ ａ ｅＭ ＡＴ ＡＢ． ｃ ｔｏ，ｎ—ｌ ｅ ｅ ｏ ｉｇ ｕ ｅｙ ｔ ｂｌ． Ｌ ＰＩ ｏｎｒ ｌ ｏ ｉ ｒａｓ ｎｎ ｎ
级 保持 为 卜６ 一 ， ４ 一 ，２ 一 ， ， ，， ， ， ，｝ ，５ 一 ，３ 一 ， １０ １２ ３ ４ ５ ６。
输 入 变 量偏 差 ｅ和偏 差 变化 率 ｅ ｃ和输 出变 量 Ａ Ｐ Ａ ｉ Ｋ 、 Ｔ 的
模 糊 语 言 值 均 为 ｛ Ｂ， Ｎ ＮＭ， Ｓ， Ｏ，Ｓ， Ｍ， Ｂ 。 为 了 编 程 方 Ｎ Ｚ Ｐ Ｐ Ｐ ｝
值 ， 为 １２， ４ ７ 即 ， ３，… 。
表 １ 用 数 字 语 言 值表 示 输 入 变 量 × １及 ｘ ２的 隶 属度 矢 量 表
模糊控制在matlab中的实例
模糊控制在matlab中的实例模糊控制(模糊逻辑控制)是一种基于模糊数学理论的控制方法,它可以用于控制系统的稳定性、精度和响应速度等方面的优化。
在MATLAB 中,可以使用模糊逻辑工具箱(FLUS)来应用模糊控制。
以下是一个简单的实例,展示了如何使用 MATLAB 中的模糊逻辑工具箱来对温度控制系统进行控制:首先,我们需要创建一个温度控制系统,该系统将使用模糊控制来控制传感器的读数。
假设我们有四个传感器,分别为温度传感器、湿度传感器、压力和传感器,每个传感器读数为实数。
```matlab% 创建模型T = [120 100 80 50]; % 温度控制器输出R1 = [1.2 0.8 0.4 0.2]; % 湿度控制器输出R2 = [0.9 0.1 0.3 0.5]; % 压力控制器输出R3 = [1.4 0.6 0.2 0.1]; % 传感器误差P1 = [125 125 125 125]; % 温度控制器输入P2 = [100 100 90 80]; % 湿度控制器输入P3 = [85 85 80 75]; % 压力控制器输入F1 = [0.3 0.2 0.1 0.1]; % 温度控制器输出F2 = [0.4 0.3 0.2 0.1]; % 湿度控制器输出F3 = [0.5 0.4 0.3 0.1]; % 压力控制器输出y1 = [100 85 75 60]; % 实际温度y2 = [120 95 80 70]; % 实际湿度y3 = [135 110 90 80]; % 实际压力% 创建模糊控制器go1 = @(t,u,v) if t > 100 then ((1-v)*F1 + v*R1 +(1+v)*R2)/(1-v)*y1 else 0;go2 = @(t,u,v) if t < 50 then ((1-v)*F3 + v*R1 +(1+v)*R2)/(1-v)*y2 else 0;go3 = @(t,u,v) if t == 0 then ((1-v)*F1 + v*R1 +(1+v)*R2)/(1-v)*y3 else 0;% 创建模糊控制器的优化器var = [0 0 0 0];go1(0,:,:) = var;matlab.模糊控制.优化器.LevenbergMarquardt(var,go1);% 运行模糊控制器[t,u,v] = ode45(go1,[0 1],[120 100 80 50],y1);% 输出结果disp(["实际温度:" num2str(t)]);disp(["实际湿度:" num2str(u)]);disp(["实际压力:" num2str(v)]);```在这个例子中,我们使用 MATLAB 中的 ode45 工具箱来拟合温度控制器和湿度控制器的输出响应函数。
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。
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。
实例：MATLABSimulink实现模糊PID控制
实例：MATLABSimulink实现模糊PID控制被控对象：Ts = 0.1;Plant = c2d(zpk([],[-1 -3 -5],1),Ts); %零极点模型，并离散化根据对象Plant，确定PID参数：C0 = pid(1,1,1,'Ts',Ts,'IF','B','DF','B'); % 定义PID结构C = pidtune(Plant,C0) %对PID参数进行优化[Kp, Ki, Kd] = piddata(C); % 输出参数得出PID结构及其参数值：接下来根据求出的PID参数确定GCE、GE 、GCU 和GU的取值：由模糊PID控制结构可得如下等式：Kp = GCU * GCE + GU * GEKi = GCU * GEKd = GU * GCE形式转换如下：GE = 10; %根据模糊控制的论语直接确定GCE = GE*(Kp-sqrt(Kp^2-4*Ki*Kd))/2/Ki=3.4285;GCU = Ki/GE=2.8631;GU = Kd/GCE=2.0138;模糊PID控制系统结构（连续模糊控制器）：图中的离散时间积分和微分块直接调用。
模糊控制器输入输出结构：模糊控制器输入输出隶属度函数：模糊控制器规则表：模糊控制器规则曲面图：连续模糊PID控制器，仿真结果：模糊PID控制系统结构（离散模糊控制器）：离散模糊控制器查询表：离散模糊PID控制器，仿真结果：主要代码如下：（1）、对象模型：Ts = 0.1;Plant = c2d(zpk([],[-1 -3 -5],1),Ts);（2）、PID参数优化：C0 = pid(1,1,1,'Ts',Ts,'IF','B','DF','B');C = pidtune(Plant,C0)[Kp, Ki, Kd] = piddata(C);（3）、比例因子确定：GE = 10;GCE = GE*(Kp-sqrt(Kp^2-4*Ki*Kd))/2/Ki;GCU = Ki/GE;GU = Kd/GCE;（4）、连续模糊PID控制建立：FIS = newfis('FIS','sugeno');%%% 定义输入E:FIS = addvar(FIS,'input','E',[-10 10]);FIS = addmf(FIS,'input',1,'Negative','gaussmf',[7 -10]); FIS = addmf(FIS,'input',1,'Positive','gaussmf',[7 10]); %%% 定义输入CE:FIS = addvar(FIS,'input','CE',[-10 10]);FIS = addmf(FIS,'input',2,'Negative','gaussmf',[7 -10]); FIS = addmf(FIS,'input',2,'Positive','gaussmf',[7 10]); %%% 定义输出u:FIS = addvar(FIS,'output','u',[-20 20]);FIS = addmf(FIS,'output',1,'Min','constant',-20);FIS = addmf(FIS,'output',1,'Zero','constant',0);FIS = addmf(FIS,'output',1,'Max','constant',20);% 定义规则:%% # If |E| is Negative and |CE| is Negative then |u| is -20 % # If |E| is Negative and |CE| is Positive then |u| is 0% # If |E| is Positive and |CE| is Negative then |u| is 0% # If |E| is Positive and |CE| is Positive then |u| is 20 ruleList = [1 1 1 1 1;... % Rule 11 2 2 1 1;... % Rule 22 1 2 1 1;... % Rule 32 23 1 1]; % Rule 4FIS = addrule(FIS,ruleList);gensurf(FIS) %生成模糊控制器（5）、离散模糊控制器查询表：Step = 2;E = -10:Step:10;CE = -10:Step:10;N = length(E);LookUpTableData = zeros(N);for i=1:Nfor j=1:N% compute output u for each combination of break points LookUpTableData(i,j) = evalfis([E(i) CE(j)],FIS);endend。
用MATLAB编写模糊控制表计算程序
clc;clear;E = [1,0.8,0.7,0.4,0.1,0,0,0,0,0,0,0,0;0.2,0.7,1,0.7,0.3,0,0,0,0,0,0,0,0;0,0.1,0.3,0.7,1,0.7,0.2,0,0,0,0,0,0;0,0,0,0,0.1,0.6,1,0,0,0,0,0,0;0,0,0,0,0,0,1,0.6,0.1,0,0,0,0;0,0,0,0,0,0,0.2,0.7,1,0.7,0.3,0.1,0;0,0,0,0,0,0,0,0,0.2,0.7,1,0.7,0.3;0,0,0,0,0,0,0,0,0.1,0.4,0.7,0.8,1]%%8*13 EC =[1,0.7,0.3,0,0,0,0,0,0,0,0,0,0;0.3,0.7,1,0.7,0.3,0,0,0,0,0,0,0,0;0,0,0.3,0.7,1,0.7,0.3,0,0,0,0,0,0;0,0,0,0,0.3,0.7,1,0.7,0.3,0,0,0,0;0,0,0,0,0,0,0.3,0.7,1,0.7,0.3,0,0;0,0,0,0,0,0,0,0,0.3,0.7,1,0.7,0.3;0,0,0,0,0,0,0,0,0,0,0.3,0.7,1]%%7*13U=[1,0.7,0.3,0,0,0,0,0,0,0,0,0,0;0.3,0.7,1,0.7,0.3,0,0,0,0,0,0,0,0;0,0,0.3,0.7,1,0.7,0.3,0,0,0,0,0,0;0,0,0,0,0.3,0.7,1,0.7,0.3,0,0,0,0;0,0,0,0,0,0,0.3,0.7,1,0.7,0.3,0,0;0,0,0,0,0,0,0,0,0.3,0.7,1,0.7,0.3;0,0,0,0,0,0,0,0,0,0,0.3,0.7,1]%%7*13rulelist= [1,1,1,1,2,4,4;1,1,1,1,2,4,4;2,2,2,2,4,5,5;2,2,3,4,5,6,6;2,2,3,4,5,6,6;3,3,4,6,6,6,6;4,4,6,7,7,7,7;4,4,6,7,7,7,7]%%8*7for iii=1:13 %偏差E的模糊值控制for jjj=1:13 %偏差率EC的模糊值控制for ii=1:8 %偏差E的模糊规则控制for jj=1:7 %偏差变化率EC的模糊规则控制A_rulelist = rulelist(ii,jj); %查模糊规则表%******计算C1A'************A = E(ii,:); %取A'C_A = U(A_rulelist,:); %取Cifor i=1:13 %求R1Afor j=1:13if(A(i) > C_A(1,j))Ra(i,j) = C_A(1,j);elseRa(i,j) = A(i);endendendAA = zeros(1,13); %取AA=A' 如AA=[1,0,0,0,0,0,0,0,0,0,0,0,0]; %AA(1,iii) = E(ii,iii);AA(1,iii) = 1;for i=1:13 %先取小for j=1:13if(AA(j) > Ra(j,i))A_qux(j,i) = Ra(j,i);elseA_qux(j,i) = AA(j);endendendfor i=1:13 %再取大，，，求和CiAmax = A_qux(1,i);for j=1:13if(max < A_qux(j,i))max = A_qux(j,i);endendCiA(i) = max;end%********CiA计算完毕*********%*******计算CiB'*************B = EC(jj,:); %取B' ???C_B = U(A_rulelist,:); %取Ci ??? for i=1:13 %求R1Bfor j=1:13if(B(1,i) > C_B(1,j))Rb(i,j) = C_B(1,j);elseRb(i,j) = B(1,i);endendendBB = zeros(1,13); %取BB=B' 如BB=[1,0,0,0,0,0,0,0,0,0,0,0,0]; %BB(1,jjj) = EC(jj,jjj);BB(1,jjj) = 1;for i=1:13 %先取小for j=1:13if(BB(j) > Rb(j,i))B_qux(j,i) = Rb(j,i);elseB_qux(j,i) = BB(j);endendendfor i=1:13 %再取大，，，求和CiAmax = B_qux(1,i);for j=1:13if(max < B_qux(j,i))max = B_qux(j,i);endendend%*******计算CiB'完毕****%*******计算C1'=CiA'交CiB'*********for i=1:13if CiA(i) > CiB(i)Ci(i) = CiB(i);elseCi(i) = CiA(i);endend%*******计算C1'完毕************C((ii-1)*7+jj,:) = Ci; % 将Ci存到数组C中，C是56*13的数组endend%根据式Ui=C'=C1'并C2'并……并C56'for i=1:13max = C(1,i);for j=1:56max = C(j,i);endendUi(i) = max;end%用重心法进行解模糊运算,并映射为实际的控制量sum_fenz = 0;sum_fenm = 0;for i=1:13sum_fenz = sum_fenz + (i-7)*Ui(i);sum_fenm = sum_fenm + Ui(i);endcore = sum_fenz/sum_fenm;U_control(iii,jjj) = core;endendU_control = round(U_control.*10000)/10000; %对控制量保留小数点后两位。
基于MATLAB生成模糊控制规则离线查询表
0 引言模糊控制隶属于智能控制，是一种基于规则的近似推理的非线性智能控制。
如果说，传统的控制方式需要被控对象精确的数学模型，而模糊控制则是以人类智能活动的角度为基础实施控制，因此，在实际中，传统控制方法无能为力的非线性场合，模糊控制却能起到很好的控制作用。
因此，实际应用中，由于系统复杂、很难建立精确数学模型的非线性系统，模糊控制已经成为一种最有效的控制方法。
模糊控制规则表是模糊控制的核心，其描述的是输入的偏差、偏差变化量与控制的输出之间的对应关系，采用手工计算方式，量大且费时；采用在线计算方式，往往又影响系统被控对象的实时控制效果。
因此，在应用模糊控制时，首先针对输入的不同组合，采用离线计算方式算出相应的控制输出量，构成模糊控制规则查询表，实际控制时再将模糊控制规则查询表嵌入在各种控制平台，如单片机、PLC 等，实现离线计算、在线查表，这样，一方面减少了模糊控制的在线运算量，同时又实现了模糊控制的实时控制效果。
实际应用中发现，对模糊控制规则表的生成，在离散论域分档较少的条件下，多采用手工计算，而在离散论域分档较多的条件下，手工计算量太大，用MATLAB 软件编程实现，对MATLAB 软件的编程能力要求又较高，因此，本文以二维温度模糊控制规则查询表的生成为例来说明如何简单有效的利用MATLAB 软件生成模糊控制规则离线查询表。
1 实例分析应用MATLAB2014a 软件说明生成模糊规则离线查询表的过程。
设二维温度模糊控制器[1 2]的输入为温度偏差E 和温度偏差变化率EC，输出为温控器输出电压U。
模糊控制器模型见图1。
2 模糊控制规则离线查询表生成步骤[34 5]（1）利用模糊逻辑控制工具箱生成温度模糊推理系统在MATLAB2014a 命令窗口中输入fuzzy 打开模糊控制工具箱，编辑输入输出变量的隶属度函数和模糊控制规则，然后将模糊推理系统保存为mytest.fis。
设温度偏差E、偏差变化率EC 和温控器输出电压U 的模糊论域为[-6 6]，三者的语言变量赋值均为{NB，NM，NS，Z，PS，PM，PB}，各语言值的隶属函数均采用三角函数，如图2所示，并根据温度模糊控制规则表1逐条添加模糊控制规则，清晰化采用加权平均法。
- 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计算模糊控制表
实现程序如下：
clc; %清空命令窗口
clear; %清空工作空间
e=[1,,,,,0,0,0,0,0,0,0,0;
,,1,,,0,0,0,0,0,0,0,0;
0,,,,1,,,0,0,0,0,0,0;
0,0,0,0,,,1,0,0,0,0,0,0;
0,0,0,0,0,0,1,,,0,0,0,0;
0,0,0,0,0,0,,,1,,,,0;
0,0,0,0,0,0,0,0,,,1,,;
|
0,0,0,0,0,0,0,0,,,,,1] %误差的隶属度函数表，8*13的矩阵
eb=[1,,,0,0,0,0,0,0,0,0,0,0;
,,1,,,0,0,0,0,0,0,0,0;
0,0,,,1,,,0,0,0,0,0,0;
0,0,0,0,,,1,,,0,0,0,0;
0,0,0,0,0,0,,,1,,,0,0;
0,0,0,0,0,0,0,0,,,1,,;
0,0,0,0,0,0,0,0,0,0,,,1] %误差变化率的隶属度函数表，7*13的矩阵；
u=[1,,,0,0,0,0,0,0,0,0,0,0;
,,1,,,0,0,0,0,0,0,0,0;
0,0,,,1,,,0,0,0,0,0,0;
^
0,0,0,0,,,1,,,0,0,0,0;
0,0,0,0,0,0,,,1,,,0,0;
0,0,0,0,0,0,0,0,,,1,,;
0,0,0,0,0,0,0,0,0,0,,,1] %输出控制量u,7*13的矩阵； rulelist=[1,1,1,1,2,4,4;
1,1,1,1,2,4,4;
2,2,2,2,4,5,5;
2,2,3,4,5,6,6;
2,2,3,4,5,6,6;
3,3,4,6,6,6,6;
4,4,6,7,7,7,7;
)
4,4,6,7,7,7,7] %控制规则表，为8*7=56条规则；for ey=1:13 % 输入变量e的13个取值：-6——6；
for eby=1:13 %输入变量eb的13个取值：-6——6；
for ex=1:8 % 输入变量e的8个语言变量NB----PB;
for ebx=1:7 % 输入变量eb的7个语言变量NB---PB; arule=rulelist(ex,ebx); %取一条规则；
C=u(arule,:);%取这条规则的C的隶属度；代表取一行A=e(ex,:);%取这条规则的A的隶属度；代表取一行
for i=1:13;
￥
for j=1:13;
if (A(i)>C(1,j));
Ra(i,j)= C(1,j);
else
Ra(i,j)=A(i);
end
end
end% 算A—C的蕴含关系；
AP=zeros(1,13);
AP(1,ey)=e(ex,ey);
！
for i=1:13;
for j=1:13;
if (AP(j)>Ra(j,i));
GDA(j,i)= Ra(j,i);
else
GDA(j,i)=AP(j);
end
end
end%求合成运算开始的取小；
for i=1:13;
max=GDA(1,i);
<
for j=1:13;
if (max<GDA(j,i))
max= GDA(j,i);
end
end
CPA(i)=max;
end % 合成运算取大结束；CPA算出来了；
arule=rulelist(ex,ebx); %取一条规则；
C=u(arule,:);%取这条规则的C的隶属度；代表取一行B=eb(ebx,:);%取这条规则的A的隶属度；代表取一行》
for i=1:13;
for j=1:13;
if (B(i)>C(1,j));
Rb(i,j)= C(1,j);
else
Rb(i,j)=B(i);
end
end
end% 算B—C的蕴含关系；
BP=zeros(1,13);
、
BP(1,eby)=eb(ebx,eby);
for i=1:13;
for j=1:13;
if (BP(j)>Rb(j,i));
GDB(j,i)= Rb(j,i);
else
GDB(j,i)=BP(j);
end
end
end%求合成运算开始的取小；for i=1:13;
*
max=GDB(1,i);
for j=1:13;
if (max<GDB(j,i))
max= GDB(j,i);
end
CPB(i)=max;
end; % 合成运算取大结束；CPB算出来了；
for i=1:13
if(CPA(i)>CPB(i))
；
CP(i)=CPB(i);
else
CP(i)=CPA(i);
end
end % 第一个CP1计算结束；将来C是56*13的矩阵；CB((ex-1)*7+ebx,:)=CP;
end
end
for i=1:13;
max=CB(1,i);
|
for j=1:56;
if(max<CB(j,i))
max=CB(j,i);
end
U(i)=max;
end %56个CP整理结束；
sumFZ=0;
sumFM=0;
:
for i=1:13;
sumFZ=sumFZ+(i-7)*U(i);
sumFM=sumFM+U(i);
end
core=sumFZ/sumFM;
UB(ey,eby)=core; % 一个控制表中的元素算出来了
end
end
UB=round(UB*100)/100;%保留两位
display(UB);
程序运行结果如下：
程序结果分析：
综合MATLAB程序运算出来的结果和智能控制理论与技术（孙增圻）第二版上的结果，完全一致，证明程序运算结果正确！。