自适应神经模糊系统及其MATLAB实现

在Matlab中进行模糊系统建模与控制在Matlab中进行模糊系统的建模与控制是一项重要且有挑战性的任务。

随着模糊控制理论的广泛应用和发展，越来越多的工程师和研究人员开始尝试使用Matlab来实现模糊系统的建模与控制。

本文将会深入探讨在Matlab中进行模糊系统建模与控制的相关内容，希望能给读者带来一些有益的指导和启示。

在开始之前，我们先了解一下模糊系统的基本原理。

模糊系统是一种基于模糊推理的控制系统，通过对输入和输出之间的关系进行模糊化和解模糊化处理，实现对系统的控制。

模糊控制器是模糊系统的核心组成部分，它通过模糊规则来实现输入和输出之间的映射关系。

在模糊控制器中，模糊规则由一系列的IF-THEN语句组成，其中IF部分是输入的模糊集合，THEN部分是输出的模糊集合。

模糊推理是通过对IF部分和THEN部分进行模糊度的计算和模糊度的合成来实现的。

模糊控制器还包括模糊化和解模糊化模块，用于将输入和输出从实际值转换为模糊值和从模糊值转换为实际值。

在Matlab中进行模糊系统的建模与控制，我们首先需要使用模糊逻辑工具箱。

模糊逻辑工具箱是Matlab中一种用于模糊系统建模和控制的工具，它提供了一系列的函数和工具，方便我们进行模糊系统的建模与控制。

在使用模糊逻辑工具箱之前，我们首先需要定义模糊系统的输入和输出变量，以及它们的模糊集合。

在定义变量和集合的时候，我们需要考虑到系统的实际需求和特点。

通常情况下，我们会根据输入和输出的物理特性和范围来选择合适的模糊集合。

在Matlab中，我们可以使用fis文件的形式来定义模糊系统的变量和集合，然后通过读取fis文件来创建模糊系统对象。

在定义好模糊系统的变量和集合之后，我们就可以开始进行模糊规则的建立。

在Matlab中，我们可以使用fuzzy函数来创建一个模糊系统对象，并通过addInput和addOutput函数来添加输入和输出变量。

然后，我们可以使用addMF函数来添加模糊集合，并使用addRule函数来添加模糊规则。

《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 。

function [ c, sigma , W_output ] = SOFNN( X, d, Kd )%SOFNN Self-Organizing Fuzzy Neural Networks%Input Parameters% X(r,n) - rth traning data from nth observation% d(n) - the desired output of the network (must be a row vector) % Kd(r) - predefined distance threshold for the rth input%Output Parameters% c(IndexInputVariable,IndexNeuron)% sigma(IndexInputVariable,IndexNeuron)% W_output is a vector%Setting up Parameters for SOFNNSigmaZero=4;delta=0.12;threshold=0.1354;k_sigma=1.12;%For more accurate results uncomment the following%format long;%Implementation of a SOFNN model[size_R,size_N]=size(X);%size_R - the number of input variablesc=[];sigma=[];W_output=[];u=0; % the number of neurons in the structureQ=[];O=[];Psi=[];for n=1:size_Nx=X(:,n);if u==0 % No neuron in the structure?c=x;sigma=SigmaZero*ones(size_R,1);u=1;Psi=GetMePsi(X,c,sigma);[Q,O] = UpdateStructure(X,Psi,d);pT_n=GetMeGreatPsi(x,Psi(n,:))';else[Q,O,pT_n] = UpdateStructureRecursively(X,Psi,Q,O,d,n);end;KeepSpinning=true;while KeepSpinning%Calculate the error and if-part criteriaae=abs(d(n)-pT_n*O); %approximation error[phi,~]=GetMePhi(x,c,sigma);[maxphi,maxindex]=max(phi); % maxindex refers to the neuron's index if ae>deltaif maxphi<threshold%enlarge width[minsigma,minindex]=min(sigma(:,maxindex));sigma(minindex,maxindex)=k_sigma*minsigma;Psi=GetMePsi(X,c,sigma);[Q,O] = UpdateStructure(X,Psi,d);pT_n=GetMeGreatPsi(x,Psi(n,:))';else%Add a new neuron and update structurectemp=[];sigmatemp=[];dist=0;for r=1:size_Rdist=abs(x(r)-c(r,1));distIndex=1;for j=2:uif abs(x(r)-c(r,j))<distdistIndex=j;dist=abs(x(r)-c(r,j));end;end;if dist<=Kd(r)ctemp=[ctemp; c(r,distIndex)];sigmatemp=[sigmatemp ; sigma(r,distIndex)];elsectemp=[ctemp; x(r)];sigmatemp=[sigmatemp ; dist];end;end;c=[c ctemp];sigma=[sigma sigmatemp];Psi=GetMePsi(X,c,sigma);[Q,O] = UpdateStructure(X,Psi,d);KeepSpinning=false;u=u+1;end;elseif maxphi<threshold%enlarge width[minsigma,minindex]=min(sigma(:,maxindex));sigma(minindex,maxindex)=k_sigma*minsigma;Psi=GetMePsi(X,c,sigma);[Q,O] = UpdateStructure(X,Psi,d);pT_n=GetMeGreatPsi(x,Psi(n,:))';else%Do nothing and exit the whileKeepSpinning=false;end;end;end;end;W_output=O;endfunction [Q_next, O_next,pT_n] = UpdateStructureRecursively(X,Psi,Q,O,d,n) %O=O(t-1) O_next=O(t)p_n=GetMeGreatPsi(X(:,n),Psi(n,:));pT_n=p_n';ee=abs(d(n)-pT_n*O); %|e(t)|temp=1+pT_n*Q*p_n;ae=abs(ee/temp);if ee>=aeL=Q*p_n*(temp)^(-1);Q_next=(eye(length(Q))-L*pT_n)*Q;O_next=O + L*ee;elseQ_next=eye(length(Q))*Q;O_next=O;end;endfunction [ Q , O ] = UpdateStructure(X,Psi,d)GreatPsiBig = GetMeGreatPsi(X,Psi);%M=u*(r+1)%n - the number of observations[M,~]=size(GreatPsiBig);%Others Ways of getting Q=[P^T(t)*P(t)]^-1%********************************************************************** ****%opts.SYM = true;%Q = linsolve(GreatPsiBig*GreatPsiBig',eye(M),opts);%%Q = inv(GreatPsiBig*GreatPsiBig');%Q = pinv(GreatPsiBig*GreatPsiBig');%********************************************************************** ****Y=GreatPsiBig\eye(M);Q=GreatPsiBig'\Y;O=Q*GreatPsiBig*d';end%This function works too with x% (X=X and Psi is a Matrix) - Gets you the whole GreatPsi% (X=x and Psi is the row related to x) - Gets you just the column related with the observationfunction [GreatPsi] = GetMeGreatPsi(X,Psi)%Psi - In a row you go through the neurons and in a column you go through number of %observations **** Psi(#obs,IndexNeuron) ****GreatPsi=[];[N,U]=size(Psi);for n=1:Nx=X(:,n);GreatPsiCol=[];for u=1:UGreatPsiCol=[ GreatPsiCol ; Psi(n,u)*[1; x] ];end;GreatPsi=[GreatPsi GreatPsiCol];end;endfunction [phi, SumPhi]=GetMePhi(x,c,sigma)[r,u]=size(c);%u - the number of neurons in the structure%r - the number of input variablesphi=[];SumPhi=0;for j=1:u % moving through the neuronsS=0;for i=1:r % moving through the input variablesS = S + ((x(i) - c(i,j))^2) / (2*sigma(i,j)^2);end;phi = [phi exp(-S)];SumPhi = SumPhi + phi(j); %phi(u)=exp(-S)end;end%This function works too with x, it will give you the row related to xfunction [Psi] = GetMePsi(X,c,sigma)[~,u]=size(c);[~,size_N]=size(X);%u - the number of neurons in the structure%size_N - the number of observationsPsi=[];for n=1:size_N[phi, SumPhi]=GetMePhi(X(:,n),c,sigma);PsiTemp=[];for j=1:u%PsiTemp is a row vector ex: [1 2 3]PsiTemp(j)=phi(j)/SumPhi;end;Psi=[Psi; PsiTemp];%Psi - In a row you go through the neurons and in a column you go through number of %observations **** Psi(#obs,IndexNeuron) ****end;end。

自适应模糊神经控制系统及其MATLAB实现
刘修廷;潘宏侠
【期刊名称】《机械工程与自动化》
【年(卷),期】2010(000)003
【摘要】介绍了自适应模糊神经网络控制系统的结构,并在此基础上重点介绍了自适应模糊神经系统及其MATLAB实现.
【总页数】3页(P162-164)
【作者】刘修廷;潘宏侠
【作者单位】中北大学,机械工程与自动化学院,山西,太原,030051;中北大学,机械工程与自动化学院,山西,太原,030051
【正文语种】中文
【中图分类】TP273+.4
【相关文献】
1.基于MATLAB的模糊自适应控制系统研究 [J], 苏海海;
2.模糊自适应PID控制系统的研究及MATLAB仿真 [J], 焦仁雷;宋慧波;任亚宁;杨睿;赵良伟
3.自适应模糊PID控制系统及其MATLAB仿真 [J], 张凤莉;李泰
4.基于MATLAB的自适应模糊PID控制系统计算机仿真 [J], 耿瑞
5.双模糊自适应PID控制的离合器控制系统的设计及应用--评《先进PID控制MATLAB仿真》 [J], 沙春
因版权原因，仅展示原文概要，查看原文内容请购买。

利用Matlab进行神经网络与模糊系统的设计与优化技巧概述：神经网络和模糊系统是人工智能领域的重要研究方向之一，它们能够模拟人类的认知和决策过程，在各种领域具有广泛的应用。

本文将介绍如何利用Matlab进行神经网络和模糊系统的设计与优化，以及一些实用的技巧和方法。

一、神经网络设计与优化1. 数据准备与预处理在进行神经网络设计之前，需要对数据进行准备和预处理。

首先，收集并清洗数据，去除异常值和噪声；其次，进行数据标准化或归一化，确保数据的均值为0，方差为1，以避免不同特征之间的数量级差异对模型的影响。

2. 网络结构设计神经网络的结构设计是神经网络设计的关键。

在Matlab中，可以利用神经网络工具箱快速搭建和设计神经网络。

根据问题的具体需求和数据特点，选择合适的网络结构，包括网络拓扑结构（如前馈神经网络、循环神经网络等）、激活函数（如sigmoid函数、ReLU函数等）和网络层数。

3. 参数初始化与训练设置好网络结构之后，需要对网络的参数进行初始化并进行训练。

在Matlab中，可以利用训练函数（如trainlm、trainbfg等）对网络进行训练。

选择合适的训练函数和训练参数，并观察损失函数的收敛情况，及时调整网络结构和参数设置。

4. 网络优化与性能评估经过训练之后，可以对训练好的神经网络进行优化和性能评估。

可以采用交叉验证、留出法等方法对网络的泛化性能进行评估，并对网络的超参数进行调优，以提高网络的性能和泛化能力。

在Matlab中，可以利用验证函数对网络进行验证和评估。

二、模糊系统设计与优化1. 模糊集合定义与隶属函数设计在进行模糊系统设计之前，需要对模糊集合和隶属函数进行定义和设计。

在Matlab中，可以利用模糊逻辑工具箱快速定义和设计模糊集合和隶属函数。

根据问题的具体需求和数据特点，选择合适的模糊集合类型（如三角形集合、梯形集合等）和隶属函数类型（如高斯隶属函数、三角隶属函数等）。

2. 规则库设计与推理机制模糊系统的规则库定义是模糊系统设计的核心。

模糊自适应整定PID控制matlab仿真程序(刘金锟-先进PID控制及其MATLAB仿真)2这个例子的程序百度文库里有很多版本，但我下了很多都有错误，运行不了。

以下程序我一字一字的敲出来的，已经成功运行，绝对无误。

仿真实例，被控对象为p G (s)=ss s 1047035.8752350023++ 采样时间为1ms ，采用模糊PID 控制进行阶跃响应，在第300个采样时间时控制器输出加1.0的干扰，相应的运行结果如图1~13所示。

仿真程序如下：将以下程序保存为fuzzypid.m 文件，即可得到仿真结果。

%fuzzy tunning PID controlclear all ;clear all ;a=newfis('fuzzpid');a=addvar(a,'input','e',[-3,3]); %parameter ea=addmf(a,'input',1,'NB','zmf',[-3,-1]);a=addmf(a,'input',1,'NM','trimf',[-3,-2,0]);a=addmf(a,'input',1,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',1,'Z','trimf',[-2,0,2]);a=addmf(a,'input',1,'PS','trimf',[-1,1,3]);a=addmf(a,'input',1,'PM','trimf',[0,2,3]);a=addmf(a,'input',1,'PB','smf',[1,3]);a=addvar(a,'input','ec',[-3,3]); %parameter eca=addmf(a,'input',2,'NB','zmf',[-3,-1]);a=addmf(a,'input',2,'NM','trimf',[-3,-2,0]);a=addmf(a,'input',2,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',2,'Z','trimf',[-2,0,2]);a=addmf(a,'input',2,'PS','trimf',[-1,1,3]);a=addmf(a,'input',2,'PM','trimf',[0,2,3]);a=addmf(a,'input',2,'PB','smf',[1,3]);a=addvar(a,'output','kp',[-0.3,0.3]); %parameter kpa=addmf(a,'output',1,'NB','zmf',[-0.3,-0.1]);a=addmf(a,'output',1,'NM','trimf',[-0.3,-0.2,0]);a=addmf(a,'output',1,'NS','trimf',[-0.3,-0.1,0.1]);a=addmf(a,'output',1,'Z','trimf',[-0.2,0,0.2]);a=addmf(a,'output',1,'PS','trimf',[-0.1,0.1,0.3]);a=addmf(a,'output',1,'PM','trimf',[0,0.2,0.3]);a=addmf(a,'output',1,'PB','smf',[0.1,0.3]);a=addvar(a,'output','ki',[-0.06,0.06]); %parameter ki a=addmf(a,'output',2,'NB','zmf',[-0.06,-0.02]);a=addmf(a,'output',2,'NM','trimf',[-0.06,-0.04,0]);a=addmf(a,'output',2,'NS','trimf',[-0.06,-0.02,0.02]); a=addmf(a,'output',2,'Z','trimf',[-0.04,0,0.04]);a=addmf(a,'output',2,'PS','trimf',[-0.02,0.02,0.06]);a=addmf(a,'output',2,'PM','trimf',[0,0.04,0.06]);a=addmf(a,'output',2,'PB','smf',[0.02,0.06]);a=addvar(a,'output','kd',[-3,3]); %parameter kda=addmf(a,'output',3,'NB','zmf',[-3,-1]);a=addmf(a,'output',3,'NM','trimf',[-3,-2,0]);a=addmf(a,'output',3,'NS','trimf',[-3,-1,1]);a=addmf(a,'output',3,'Z','trimf',[-2,0,2]);a=addmf(a,'output',3,'PS','trimf',[-1,1,3]);a=addmf(a,'output',3,'PM','trimf',[0,2,3]);a=addmf(a,'output',3,'PB','smf',[1,3]);rulelist=[1 1 7 1 5 1 1;1 2 7 1 3 1 1;1 3 62 1 1 1;1 4 62 1 1 1;1 5 5 3 1 1 1;1 6 4 42 1 1;1 7 4 4 5 1 1;2 1 7 1 5 1 1;2 2 7 13 1 1;2 3 6 2 1 1 1;2 4 53 2 1 1;2 5 53 2 1 1;2 6 4 43 1 1;2 734 4 1 1;3 1 6 14 1 1;3 2 6 2 3 1 1;3 3 6 3 2 1 1;3 4 5 3 2 1 1;3 54 4 3 1 1;3 6 3 5 3 1 1;3 7 3 54 1 1;4 1 6 2 4 1 1;4 2 6 2 3 1 1;4 35 3 3 1 1;4 4 4 4 3 1 1;4 5 3 5 3 1 1;4 6 2 6 3 1 1;4 7 2 6 4 1 1;35 1 5 2 4 1 1;5 2 5 3 4 1 1;5 3 4 4 4 1 1;5 4 3 5 4 1 1;5 5 3 5 4 1 1;5 6 2 6 4 1 1;5 7 2 7 4 1 1;6 1 5 47 1 1;6 2 4 4 5 1 1;6 3 3 5 5 1 1;6 4 2 5 5 1 1;6 5 2 6 5 1 1;6 6 27 5 1 1;6 7 1 7 7 1 1;7 1 4 4 7 1 1;7 2 4 4 6 1 1;7 3 2 5 6 1 1;7 4 2 6 6 1 1;7 5 2 6 5 1 1;7 6 1 7 5 1 1;7 7 1 7 7 1 1];a=addrule(a,rulelist);a=setfis(a,'DefuzzMethod','mom');writefis(a,'fuzzpid');a=readfis('fuzzpid');%PID controllerts=0.001;sys=tf(5.235e005,[1,87.35,1.047e004,0]); dsys=c2d(sys,ts,'tustin');[num,den]=tfdata(dsys,'v');u_1=0.0;u_2=0.0;u_3=0.0;y_1=0;y_2=0;y_3=0;x=[0,0,0]';4error_1=0;e_1=0.0;ec_1=0.0;kp0=0.40;kd0=1.0;ki0=0.0;for k=1:1:500time(k)=k*ts;rin(k)=1;%using fuzzy inference to tunning PIDk_pid=evalfis([e_1,ec_1],a);kp(k)=kp0+k_pid(1);ki(k)=ki0+k_pid(2);kd(k)=kd0+k_pid(3);u(k)=kp(k)*x(1)+kd(k)*x(2)+ki(k)*x(3);if k==300 %adding disturbance(1.0v at time 0.3s)u(k)=u(k)+1.0;endif u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endyout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3)*u_2+num(4)*u_3;error(k)=rin(k)-yout(k);%%%%%%%%%%%%%%%%%%%%%%%%%return of pid parameters%%%%%%%%%%%%%%%%%%%%%%%% u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=yout(k);5x(1)=error(k); %calculating Px(2)=error(k)-error_1; %calculating Dx(3)=x(3)+error(k); %calculating De_1=x(1);ec_1=x(2);error_2=error_1;error_1=error(k);endshowrule(a)figure(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 ');figure(4);plot(time,kp,'r');xlabel('time(s)');ylabel( 'kp ');figure(5);plot(time,ki,'r');xlabel('time(s)');ylabel( 'ki ');figure(6);plot(time,kd,'r');xlabel('time(s)');ylabel( 'kd ');figure(7);plotmf(a,'input',1);figure(8);plotmf(a,'input',2);figure(9);plotmf(a,'output',1);figure(10);plotmf(a,'output',2);figure(11);plotmf(a,'output',3);plotfis(a);fuzzy fuzzpid.fis6仿真运行结果：789。

自适应神经模糊推理系统及其仿真应用刘雨刚，耿立明，杨威辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛（125105）摘 要：本文介绍了自适应神经模糊推理系统的结构，以及如何用MATLAB 模糊工具箱提供的ANFIS 应用工具仿真，完成训练模糊神经网络。

关键词：自适应神经模糊推理系统，MATLAB ，模糊神经网络0 引言由Jyh-Shing R.Jang 提出的自适应神经模糊推理系统[1]，是一种基于Takagi －Sugeno 模型的模糊推理系统（简称ANFIS ）。

研究表明，当输入模糊集采用非梯形/非三角形的隶属函数时，Sugeno 型模糊系统需要的模糊规则及输入的模糊集的个数较少。

1 基于Takagi －Sugeno 模型的自适应神经模糊推理系统所考虑的模糊推理系统有两输入和，单输出f 。

1x 2x 对于零阶T-S 模糊模型，模糊规则的第i 条规则有如下形式：⑴ 后件为恒值：Ri : ),...,2,1( , 221121n i f y Then A x A x If i i i ==是和是⑵ 后件为一阶线性方程：Ri :0,1,2)(j ),( ,...,2,1 ),( , 221102*********是常数是和是=++===ij i i i i i i i a x a x a a x x f ni x x f y Then A x A x If 式中，Ri 表示第i 条规则，Ai 表示模糊子集，即{NL ，NM ，NS ，ZO ，PS ，PM ，PL}={“负大”，“负中”，“负小”，“零”，“正小”，“正中”，“正大”}。

在T-S 模型中，每条规则的结论部分是个线性方程，表示系统局部的线性输入/输出关系，而系统的总输入是所有线性子系统输出的加权平均，可以表示全局的非线性输入输出关系，所以，T-S 模型是一种对非线性系统局部线性化的描述方法，它具有非常重要的研究意义和广泛的应用范围[2]。

题目自适应模糊PID控制器的MATLAB的设计学生姓名学号专业班级指导教师学院电气工程与信息工程学院答辩日期摘要PID(比例积分微分)控制具有结构简单、稳定性能好、可靠性高等优点，尤其适用于可建立精确数学模型的控制系统。

而对于一些多变量、非线性、时滞的系统，传统的PID控制器并不能达到预期的效果。

随着模糊数学的发展，模糊控制的思想逐渐得到控制工程师们的重视，各种模糊控制器也应运而生。

而单纯的模糊控制器有其自身的缺陷——控制效果很粗糙、控制精度无法达到预期标准。

但利用传统的PID控制器和模糊控制器结合形成的模糊自适应的PID控制器可以弥补其缺陷；它将系统对应的误差和误差变化率反馈给模糊控制器进而确定相关参数，保证系统工作在最佳状态，实现优良的控制效果。

本设计介绍了参数自适应模糊PID控制器的设计方法和步骤。

并利用MATLAB中的SIMULINK和模糊逻辑推理系统工具箱进行了控制系统的仿真研究，并简要地分析了对应的仿真数据。

关键词：经典PID控制；模糊控制；自适应模糊PID控制器；参数整定；MATLAB仿真ABSTRACTPID(Proportion Integration Differentiation)control，with lots of advantages including simple structure，good stability and high reliability，is quite suitable to establish especially the control system which accurate mathematical model is available and needed.However，taken multivariable，nonlinear and time-lag into consideration，traditional PID controller can not reach the expected effect.Along with the development of Fuzzy Mathematics，control engineers gradually pay much attention to the idea of Fuzzy Control，thus promoting the invention of fuzzy controllers. However，simple fuzzy controller has its own defect，where control effect is quite coarse and the control precision can not reach the expected level. Therefore，the Fuzzy Adaptive PID Controller is created by taking advantage of the superiority of PID Controller and Fuzzy Controller. Taken this controller in use，the corresponding error and its differential error of the control system can be feed backed to the Fuzzy Logic Controller. Moreover，the three parameters of PID Controller is determined online through fuzzification，fuzzy reasoning and defuzzification of the fuzzy system to maintain better working condition than the traditional PID controller.Meanwhile，the design method and general steps are introduced of the Parameter self-setting Fuzzy PID Controller. Eventually，the Fuzzy Inference Systems Toolbox and SIMULINK toolbox are used to simulate Control System. The results of the simulation show that Self-organizing Fuzzy Control System can get a better effect than Classical PID controlled evidently.Keywords: Classic PID control; Fuzzy Control; Parameters tuning; the Fuzzy Adaptive PID Controller; MATLAB simulation摘要----------------------------------------------------------------------------------------------------- I ABSTRACT---------------------------------------------------------------------------------------------------- II 第1章绪论 ------------------------------------------------------------------------------------------------ 11.1 课题的研究背景及意义 ---------------------------------------------------------------------- 11.2 PID控制的特点 -------------------------------------------------------------------------------- 11.3 模糊控制技术概述----------------------------------------------------------------------------- 2第2章模糊控制理论------------------------------------------------------------------------------------ 42.1 模糊集合定义----------------------------------------------------------------------------------- 42.2 模糊语言 ----------------------------------------------------------------------------------------- 42.3 模糊变量的隶属函数 ------------------------------------------------------------------------- 52.4 模糊推理系统的数据结构管理函数介绍------------------------------------------------- 92.5 论域、量化因子、比例因子的选择 ----------------------------------------------------- 112.5.1 论域及基本论域--------------------------------------------------------------------- 112.5.2 量化因子及比例因子--------------------------------------------------------------- 12第3章基于MATLAB的模糊控制器的设计内容 ------------------------------------------------- 143.1 模糊控制器概述------------------------------------------------------------------------------ 143.2 模糊控制器设计所包括的内容 ----------------------------------------------------------- 143.3 模糊控制器的结构设计 -------------------------------------------------------------------- 143.4 模糊控制器规则的设计 -------------------------------------------------------------------- 153.5 精确量的模糊化------------------------------------------------------------------------------ 153.6 模糊推理及其模糊量去模糊化方法 ----------------------------------------------------- 163.7 模糊控制规则表------------------------------------------------------------------------------ 163.8 模糊控制器的维数确定 -------------------------------------------------------------------- 17第4章 PID控制器-------------------------------------------------------------------------------------- 194.1 PID的概述------------------------------------------------------------------------------------- 194.2 PID 控制的基本理论 ----------------------------------------------------------------------- 194.3 模糊 PID 控制 ------------------------------------------------------------------------------- 214.4模糊PID控制器组织结构 ------------------------------------------------------------------ 224.5模糊PID控制器模糊部分设计------------------------------------------------------------ 224.5.1定义输入、输出模糊集并确定个数类别-------------------------------------- 224.5.2确定输入输出变量的实际论域 -------------------------------------------------- 234.5.3定义输入、输出的隶属函数 ----------------------------------------------------- 234.5.5模糊推理------------------------------------------------------------------------------ 25第5章模糊PID控制器的MATLAB仿真 ------------------------------------------------------------ 265.1 模糊控制器的设计--------------------------------------------------------------------------- 275.1.1 模糊控制器原理图------------------------------------------------------------------ 275.1.2 自适应模糊PID控制器设计----------------------------------------------------- 275.1.3 控制系统的SIMULINK实现 ------------------------------------------------------- 275.2 MATLAB仿真------------------------------------------------------------------------------------ 325.2.1 MATLAB简介 -------------------------------------------------------------------------- 325.2.2利用子系统对控制系统进行SIMULINK建模 --------------------------------- 335.2.3控制系统的SIMULINK仿真研究 -------------------------------------------------- 335.3分析与结论 ------------------------------------------------------------------------------- 35第6章结束语------------------------------------------------------------------------------------------ 36参考文献--------------------------------------------------------------------------------------------------- 37外文原文和译文 ---------------------------------------------------------------- 错误！未定义书签。