下载文档原格式
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。
基于MATLAB的模糊控制器设计及仿真专业：控制科学与工程学号：122081100187姓名：许兴培摘要在深入了解系统的基础上针对传统控制精度不高、系统稳定性差的问题进行创新和探索研究详细介绍了模糊控制原理和实现步骤。
并在MATLAB环境下对完成了模糊控制器仿真研究发现模糊控制理论上可以用于工业实际。
模糊控制设计简便响应速度快鲁棒性好具有一定的推广价值。
关键词：模糊控制，系统仿真基于MATLAB的模糊控制器设计及仿真一、模糊系统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。
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。
用隶属度函数表征一个模糊描述后，实质上就将模糊描述的模糊消除了。
模糊控制系统设计的关键在于模糊控制器的设计，主要有三个部分：(1) 输入量的模糊化所谓模糊化(Fuzzification) 就是先将某个输入测量量的测量值作标准化处理，把该输入测量量的变化范围映射到相应论域中，再将论域中的各输入数据以相应的模糊语言值的形式表示，并构成模糊集合。
这样就把输入的测量量转换为用隶属度函数表示的某一模糊语言变量。
(2) 模糊逻辑推理根据事先已定制好的一组模糊条件语句构成模糊规则库，运用模糊数学理论对模糊控制规则进行推理计算，从而根据模糊控制规则对输入的一系列条件进行综合评估，以得到一个定性的用语言表示的量，即模糊输出量。
完成这部分功能的过程就是模糊逻辑推理过程。
(3) 反模糊化过程反模糊化(Defuzzification) 有时又叫模糊判决。
就是将模糊输出量转化为能够直接控制执行部件的精确输出量的过程。
模糊控制器的核心部分又在于模糊推理系统(FIS) 的建立。
MATLAB下模糊控制器设计步骤模糊控制器简介模糊控制是指采用专家经验知识来处理模糊、不确定或复杂问题的一种控制方法。
模糊控制器是一个基于模糊逻辑的控制器，能够将输入变量和输出变量之间的映射关系进行模糊化，从而设计出具有模糊推理能力的控制器。
MATLAB下模糊控制器的设计步骤步骤一：确定系统控制目标在设计模糊控制器之前，需要明确系统控制的目标，如控制系统的稳态误差、响应时间、超调量等。
根据控制目标，设计模糊控制器的输入变量和输出变量。
步骤二：确定模糊控制器的输入变量与输出变量输入变量是控制系统的输入参数，包括状态量和操作量。
例如，在温度控制系统中，输入变量可以是温度传感器的输入、加热器控制器的输出等。
输出变量是控制系统的输出结果，影响系统的控制效果。
例如，在温度控制系统中，输出变量可以是加热器的功率、温度的变化率等。
步骤三：构建模糊集合对于每个输入和输出变量，构建一组模糊集合。
模糊集合是一种模糊变量值的表示方法，能够准确地描述模糊情况下的变量。
例如，对于温度控制系统中的温度传感器输入变量，可以构建模糊集合：{冷、凉、温、热、很热}。
每个模糊集合由若干个模糊语言变量组成，以便对该变量进行模糊控制。
步骤四：确定模糊规则库模糊规则库是模糊控制器的核心，描述输入变量与输出变量之间的映射关系。
模糊规则库是根据专家经验知识或试验数据得出的，其形式一般为：如果输入变量A是模糊集合X，且输入变量B是模糊集合Y，那么输出变量C是模糊集合Z。
例如，对于温度控制系统，一个模糊规则库可以是：如果输入变量为“温”且输出变量为“较强”则输出结果为“右转”。
步骤五：进行模糊推理模糊推理是利用模糊控制器的输入变量、模糊规则库和模糊推理算法来确定输出变量的过程。
在MATLAB中，可以使用Fuzzy Logic Toolbox工具箱来进行模糊推理。
步骤六：模糊控制器的评估在完成模糊推理后，需要对模糊控制器进行评估，以确定其控制效果。
MATLAB技术模糊控制实例一、引言在现代控制领域中，模糊控制是一种应用广泛的方法。
它通过将模糊逻辑和模糊运算引入控制系统中，来处理非线性、不确定性和模糊性问题。
而MATLAB作为一种常用的工具和编程语言，在模糊控制技术的实现中也起到了重要的作用。
二、模糊控制基础2.1 模糊集合和隶属度函数在模糊控制中，模糊集合是指某个具有模糊性质的事物的集合。
而隶属度函数则是用来描述一个元素对某个模糊集合的隶属程度的函数。
MATLAB提供了一系列的函数来实现模糊集合和隶属度函数的定义与计算。
2.2 模糊规则和推理机制模糊规则是模糊控制系统中的核心部分，它是一种以if-then形式表示的规则，用于将输入变量映射到输出变量。
推理机制则是模糊控制系统中用于根据模糊规则进行推理和决策的方法。
在MATLAB中，可以使用模糊推理系统工具箱来实现模糊规则和推理机制。
三、MATLAB模糊控制实例下面以一个简单的温度控制系统为例，介绍如何使用MATLAB进行模糊控制的实现。
3.1 系统建模假设我们要设计一个模糊控制器来控制一个恒温器，使得恒温器能够根据当前环境温度自动调整加热功率。
首先，我们需要进行系统建模，即确定输入变量、输出变量和规则库。
在这个例子中，输入变量为环境温度和加热功率的变化率，输出变量为加热功率的大小。
规则库包括一系列的模糊规则，用于根据当前环境温度和加热功率的变化率来决策加热功率的大小。
3.2 模糊集合和隶属度函数的定义在MATLAB中，可以使用fuzzy集合函数来定义模糊集合和隶属度函数。
例如，我们可以使用triangle函数来定义一个三角形隶属度函数，用于表示环境温度的低、中、高。
3.3 模糊规则和推理机制的设计在MATLAB中，使用fuzzy规则编辑器可以方便地设计模糊规则和推理机制。
首先，我们需要定义输入和输出的模糊集合，然后输入模糊集合和输出模糊集合之间的关系。
接下来，根据规则库的要求，添加相应的模糊规则。
模糊控制在matlab中的实例以下是一个简单的模糊控制器在 MATLAB 中的实例：假设你有一个被控对象，它的输出值 y 取决于输入值 u。
你想要设计一个模糊控制器来控制该对象。
首先，你需要定义模糊控制器的输入和输出变量以及它们的隶属度函数。
示例中，我们定义了两个输入变量 x1 和 x2 以及一个输出变量y，每个变量都由三个隶属度函数组成。
```matlab% 定义输入和输出变量及其隶属度函数x1 = fuzzyvar("input", [-5 5], "bellmf", [1 2 3]);x2 = fuzzyvar("input", [-5 5], "trimf", [-4 0 4]);y = fuzzyvar("output", [-10 10], "trimf", [-8 0 8]);```接下来，我们需要定义规则库。
规则库是一系列模糊规则的集合，每条规则由前提和结论组成。
在这个示例中，我们定义了九条规则，将输入变量 x1 和 x2 映射到输出变量 y。
```matlab% 定义规则库ruleList = ["If (x1 is 1) and (x2 is 1) then (y is -7)";"If (x1 is 1) and (x2 is 2) then (y is -9)";"If (x1 is 1) and (x2 is 3) then (y is -9)";"If (x1 is 2) and (x2 is 1) then (y is -5)";"If (x1 is 2) and (x2 is 2) then (y is -7)";"If (x1 is 2) and (x2 is 3) then (y is -8)";"If (x1 is 3) and (x2 is 1) then (y is -3)";"If (x1 is 3) and (x2 is 2) then (y is -5)";"If (x1 is 3) and (x2 is 3) then (y is -6)";];```现在我们可以创建模糊控制器，并将输入变量和输出变量与规则库相结合。
使用MATLAB进行模糊控制设计导言：模糊控制是一种基于模糊逻辑的自适应控制方法，它使用模糊规则来处理难以准确建模的系统。
MATLAB作为一款功能强大的数学计算软件，在模糊控制设计中发挥着重要的作用。
本文将介绍使用MATLAB进行模糊控制设计的基本原理、步骤以及一些实际的应用案例。
一、模糊控制基本原理1.1 模糊逻辑模糊逻辑是基于模糊集的一种数学逻辑推理方法。
与传统的布尔逻辑不同，模糊逻辑考虑了中间状态的存在，可以用模糊集的隶属度来描述事物之间的模糊关系。
模糊逻辑的基本运算包括模糊与、模糊或、模糊非等。
1.2 模糊控制器的基本结构模糊控制系统由模糊化、模糊推理和去模糊化三个主要部分组成。
模糊化将输入转换为模糊集，模糊推理基于预定义的模糊规则进行逻辑推理，得到输出的模糊集，然后通过去模糊化将模糊结果转换为实际的控制信号。
二、使用MATLAB进行模糊控制设计的步骤2.1 建立模糊逻辑系统在MATLAB中，可以使用fuzzy工具箱来建立模糊逻辑系统。
首先，需要定义输入和输出的模糊集，可以选择三角形、梯形或高斯函数等形状。
然后，定义模糊规则，设置每个输入和输出之间的关系。
最后，确定输入和输出的范围，以便后续模糊控制器的设计和仿真。
2.2 设计模糊控制器在MATLAB中，可以使用fuzzy工具箱中的fuzzy控制器对象来设计模糊控制器。
首先，需要将前一步中建立的模糊逻辑系统与fuzzy控制器对象相关联。
然后，设置输入的变化范围和输出的变化范围。
接下来，可以选择使用模糊控制器设计方法来优化模糊规则和模糊集的参数。
最后，可以进行控制系统的仿真和性能评估。
2.3 优化模糊控制器优化模糊控制器是为了使模糊控制系统能够更好地适应实际环境变化和控制要求。
在MATLAB中，可以使用模糊控制器的仿真结果进行性能评估和参数调整。
可以通过修改模糊规则、模糊集的参数或输入输出的变化范围等方式来优化模糊控制器。
三、模糊控制设计的实际应用案例3.1 模糊温度控制模糊温度控制是一个常见的实际应用案例。
Matlab技术模糊控制方法随着科技的不断进步，控制系统在各个领域中起着至关重要的作用。
为了适应不同的应用场景，不同的控制方法也应运而生。
其中，模糊控制方法因其对系统非线性特性的适应性和可解释性而备受关注。
本文将详细介绍Matlab技术中的模糊控制方法，包括模糊集合的表示与运算、模糊推理规则的建立、模糊控制器的设计与优化。
第一部分：模糊集合与模糊运算在模糊控制中，首先需要将系统的输入和输出用模糊集合的形式表示。
模糊集合是用隶属度函数来描述的，隶属度函数表示了某个元素属于该模糊集的程度。
Matlab中提供了一些方便的工具和函数来实现模糊集合的表示和计算。
首先，我们需要定义模糊集合的隶属度函数。
常见的隶属度函数有三角形隶属度函数、梯形隶属度函数、高斯隶属度函数等。
可以使用Matlab中的fuzzify函数来定义这些函数，并通过plot函数来可视化。
接下来，我们可以使用Matlab中的模糊运算函数来进行模糊集合的运算，例如交集运算和并集运算。
这些函数包括min、max、prod等函数。
通过这些函数，我们可以方便地实现模糊集合的合并和比较。
第二部分：模糊推理规则的建立模糊推理规则是模糊控制中的核心部分，它将模糊集合的输入映射为输出。
在Matlab中，我们可以使用fuzzy规则编辑器来定义和管理模糊推理规则。
首先，我们需要确定输入和输出的模糊集合。
在fuzzy规则编辑器中，我们可以指定输入和输出变量，并为其分配模糊集合。
接着，我们可以添加模糊规则，每个模糊规则包括条件和结论两个部分。
条件部分是输入变量的模糊集合的组合，结论部分是输出变量的模糊集合。
在添加模糊规则之后，我们可以使用fuzzify函数将输入变量模糊化，并使用inference函数进行推理。
推理结果将以模糊集合的形式表示。
第三部分：模糊控制器的设计与优化在模糊控制中，模糊控制器是通过将输入模糊集合映射为输出模糊集合来实现控制目标的。
在Matlab中，我们可以使用fuzzy控制器编辑器来设计和优化模糊控制器。
下面将根据模糊控制器设计步骤,一步步利用Matlab工具箱设计模糊控制器。
Matlab模糊控制工具箱为模糊控制器的设计提供了一种非常便捷的途径，通过它我们不需要进行复杂的模糊化、模糊推理及反模糊化运算，只需要设定相应参数,就可以很快得到我们所需要的控制器,而且修改也非常方便。
首先我们在Matlab的命令窗口(command window）中输入fuzzy，回车就会出来这样一个窗口.下面我们都是在这样一个窗口中进行模糊控制器的设计。
1．确定模糊控制器结构：即根据具体的系统确定输入、输出量。
这里我们可以选取标准的二维控制结构，即输入为误差e和误差变化ec，输出为控制量u。
注意这里的变量还都是精确量。
相应的模糊量为E，EC和U，我们可以选择增加输入（Add Variable)来实现双入单出控制结构。
2．输入输出变量的模糊化：即把输入输出的精确量转化为对应语言变量的模糊集合。
首先我们要确定描述输入输出变量语言值的模糊子集，如{NB，NM，NS，ZO，PS，PM，PB}，并设置输入输出变量的论域,例如我们可以设置误差E(此时为模糊量)、误差变化EC、控制量U的论域均为｛-3，—2，-1，0，1，2,3｝；然后我们为模糊语言变量选取相应的隶属度函数。
在模糊控制工具箱中,我们在Member Function Edit中即可完成这些步骤.首先我们打开Member Function Edit窗口.然后分别对输入输出变量定义论域范围，添加隶属函数，以E为例,设置论域范围为［—3 3］，添加隶属函数的个数为7。
然后根据设计要求分别对这些隶属函数进行修改，包括对应的语言变量,隶属函数类型。
3．模糊推理决策算法设计：即根据模糊控制规则进行模糊推理,并决策出模糊输出量。
首先要确定模糊规则,即专家经验。
对于我们这个二维控制结构以及相应的输入模糊集，我们可以制定49条模糊控制规则(一般来说，这些规则都是现成的,很多教科书上都有），如图。
如何在MATLAB中进行模糊控制模糊控制是一种基于模糊逻辑理论的控制方法，它通过建立模糊规则、模糊集合和模糊推理等步骤，实现对复杂系统的控制。
在MATLAB中，我们可以利用模糊控制工具箱进行模糊控制设计和仿真。
本文将从模糊控制的基本原理、MATLAB中的模糊控制工具箱的使用以及实例应用等方面进行讨论。
一、模糊控制基本原理模糊控制的基本原理是将人类的经验和模糊逻辑理论应用于系统控制中。
它不需要准确的数学模型，而是通过模糊集合、模糊规则和模糊推理等方法来描述和制定控制策略。
下面我们将简要介绍一下模糊控制中的基本概念。
1. 模糊集合模糊集合是一种可以容纳不确定性的集合。
与传统集合论不同，模糊集合中的元素可以部分地、模糊地属于该集合。
在模糊控制中，我们通常使用隶属度函数来描述元素对模糊集合的隶属程度。
2. 模糊规则模糊规则是一种将输入和输出间的关系表示为一组语义规则的方法。
它基于专家的经验和知识，将输入变量的模糊集合与输出变量的模糊集合之间建立映射关系。
模糊规则通常采用IF-THEN的形式表示，例如：“IF 温度冷 AND 湿度高 THEN 空调制冷”。
3. 模糊推理模糊推理是基于模糊规则进行推理和决策的过程。
它通过对模糊集合的隶属度进行运算，计算出输出变量的模糊集合。
常用的推理方法有模糊关联、模糊交集和模糊合取等。
二、MATLAB中的模糊控制工具箱MATLAB提供了一套完整的模糊控制工具箱，包括模糊集合的创建、模糊规则的定义、模糊推理和模糊控制系统的仿真等功能。
下面我们将逐步介绍这些功能的使用方法。
1. 模糊集合的创建在MATLAB中，我们可以使用fuzzymf函数来创建模糊集合的隶属度函数。
该函数可以根据用户指定的类型和参数生成不同形状的隶属度函数。
常用的隶属度函数有三角型函数、梯形函数和高斯型函数等。
2. 模糊规则的定义在MATLAB中，我们可以使用addrule函数来定义模糊规则。
该函数将用户指定的输入变量、模糊集合和输出变量、模糊集合之间的关系转化为模糊规则，并添加到模糊推理系统中。
模糊控制在matlab中的实例以下是一个模糊控制在MATLAB中的简单实例：假设我们要设计一个模糊控制器来控制一个水箱中水位的高低。
我们可以先建立一个模糊推理系统，其中包含输入和输出变量以及规则。
1. 输入变量：水箱中的水位（假设范围为0到100）。
2. 输出变量：水泵的流量（假设范围为0到10）。
我们需要定义一组模糊规则，例如：如果水箱中的水位为低，则水泵的流量为低。
如果水箱中的水位为中等，则水泵的流量为中等。
如果水箱中的水位为高，则水泵的流量为高。
将这些规则转换成模糊集合，如下所示：输入变量：- 低：[0, 30]- 中等：[20, 50]- 高：[40, 100]输出变量：- 低：[0, 3]- 中等：[2, 6]- 高：[4, 10]接下来，我们可以使用MATLAB的Fuzzy Logic Toolbox来建立模糊推理系统。
以下是一个简单的MATLAB脚本：```% 定义输入变量water_level = fisvar("input", "Water Level", [0 100]); water_level.addmf("input", "low", "trapmf", [0 0 30 40]); water_level.addmf("input", "medium", "trimf", [20 50 80]);water_level.addmf("input", "high", "trapmf", [60 70 100 100]);% 定义输出变量pump_flow = fisvar("output", "Pump Flow", [0 10]);pump_flow.addmf("output", "low", "trapmf", [0 0 3 4]); pump_flow.addmf("output", "medium", "trimf", [2 6 8]); pump_flow.addmf("output", "high", "trapmf", [7 8 10 10]); % 建立模糊推理系统rule1 = "If Water Level is low then Pump Flow is low"; rule2 = "If Water Level is medium then Pump Flow is medium"; rule3 = "If Water Level is high then Pump Flow is high"; rules = char(rule1, rule2, rule3);fis = newfis("Water Tank Fuzzy Controller");fis = addvar(fis, water_level);fis = addvar(fis, pump_flow);fis = addrule(fis, rules);% 模糊控制器输入water_level_value = 70;% 运行模糊推理系统pump_flow_value = evalfis([water_level_value], fis);disp(["Water level: " num2str(water_level_value) "%"]); disp(["Pump flow: " num2str(pump_flow_value)]);```在这个简单的例子中，我们使用了Fuzzy Logic Toolbox来定义输入和输出变量以及规则，并运行模糊推理系统来计算输出值。
