Fuzzy Logic Toolbox

 

Fuzzy Logic Toolbox

对模糊逻辑系统进行设计和仿真

开始:

模糊推理系统建模

建立规则集、定义隶属函数和分析模糊推理系统 (FIS) 的行为。

Fuzzy Logic Designer

使用 Fuzzy Logic Designer 应用程序或命令行函数,以交互的方式设计和测试模糊推理系统。您可以添加或删除输入和输出变量。还可以指定输入和输出隶属函数以及模糊 if-then 规则。创建了模糊推理系统后,您可以对其进行评估并将其可视化。

Mamdani 和 Sugeno 模糊推理系统

实现 Mamdani 和 Sugeno 模糊推理系统。您可以将 Mamdani 系统转换为 Sugeno 系统。还可以使用模糊树将复杂的模糊推理系统实现为较小的互连模糊系统的集合。

在 Fuzzy Logic Designer 应用中创建 Mamdani 和 Sugeno 模糊推理系统。

在 Fuzzy Logic Designer 应用中创建 Mamdani 和 Sugeno 模糊推理系统。

2 型模糊推理系统

创建和评估具有附加隶属函数不确定性的区间 2 型模糊推理系统。您可以创建 2 型 Mamdani 和 Sugeno 模糊推理系统。

2 型模糊推理系统的隶属函数。

2 型模糊推理系统的隶属函数。

模糊推理系统调节

调节模糊系统的隶属函数和规则。

调节模糊系统

使用遗传算法和粒子群优化等 Global Optimization Toolbox 调节方法,调节模糊隶属函数参数并学习新的模糊规则。您可以调节单个模糊推理系统的参数和规则,或调节由多个输入较少的FIS分层相连构成的模糊树的参数和规则。

使用调节后的模糊推理系统预测时间序列数据。

使用调节后的模糊推理系统预测时间序列数据。

训练自适应神经模糊推理系统

使用类似于训练神经网络所使用的神经自适应学习技术训练 Sugeno 模糊推理系统。您可以使用命令行函数或 Neuro-Fuzzy Designer 应用程序,通过使用输入/输出数据训练隶属函数,而不是手动指定。

使用 Neuro-Fuzzy Designer 应用程序训练自适应神经模糊推理系统。

使用 Neuro-Fuzzy Designer 应用程序训练自适应神经模糊推理系统。

数据聚类

使用模糊 C 均值或减法聚类在输入/输出数据中查找聚类。

使用交互式聚类工具或命令行函数识别大型数据集中的自然分组,以生成数据的简洁表示。您可以使用模糊 C 均值或减法聚类来识别输入/输出训练数据中的聚类。使用生成的聚类信息生成 Sugeno 型模糊推理系统来对数据行为进行建模。

模糊 C 均值聚类。

模糊 C 均值聚类。

Simulink 中的模糊逻辑

在 Simulink 中对模糊推理系统进行仿真。

使用 Fuzzy Logic Controller 模块在 Simulink 中评估和测试您的 1 型模糊推理系统的性能。您可以使用数据类型为双精度,单精度和定点的输入信号来对模糊推理系统进行仿真。

在 Simulink 中对模糊推理系统进行仿真。

在 Simulink 中对模糊推理系统进行仿真。

模糊逻辑部署

生成用于评估和实现模糊系统的代码。

通过在 Simulink 或 MATLAB 中生成 C 代码来部署模糊推理系统。您也可以为在 Simulink 中使用 Fuzzy Logic Controller 模块实现的模糊推理系统生成结构化文本。您可以生成单精度 C 代码以减少系统的内存占用。如果目标平台仅支持定点算法,则可以生成定点代码。

生成的示例代码接口用于将 FIS 作为静态/动态库加载和评估。

生成的示例代码接口用于将 FIS 作为静态/动态库加载和评估。