用 Matlab 的 Fuzzy 工具箱實現模糊控制- -

用 Matlab 中的 Fuzzy 工具箱做一個簡單的模糊控制，流程如下：

1、建立一個 FIS (Fuzzy Inference System ) 物件，

a = newfis(fisName,fisType,andMethod,orMethod,impMethod, aggMethod,defuzzMethod)

一般只用提供第一個引數即可，後面均用預設值。

2、增加模糊語言變數

a = addvar(a,'varType','varName',varBounds)

模糊變數有兩類：input 和 output。在每增加模糊變數，都會按順序分配一個 index，後面要通過該 index 來使用該變數。

3、增加模糊語言名稱，即模糊集合。

a = addmf(a,'varType',varIndex,'mfName','mfType',mfParams)

每個模糊語言名稱從屬於一個模糊語言。Fuzzy 工具箱中沒有找到離散模糊集合的隸屬度表示方法，暫且用插值後的連續函式代替。

引數 mfType 即隸屬度函式(Membership Functions)，它可以是 Gaussmf、trimf、trapmf等，也可以是自定義的函式。

每一個語言名稱也會有一個 index，按加入的先後順序得到，從 1 開始。

4、增加控制規則，即模糊推理的規則。

a = addrule(a,ruleList)

其中 ruleList 是一個矩陣，每一行為一條規則，他們之間是 ALSO 的關係。

假定該 FIS 有 N 個輸入和 M 個輸出，則每行有 N+M+2 個元素，前 N 個數分別表示 N 個輸入變數的某一個語言名稱的 index，沒有的話用 0 表示，後面的 M 個數也類似，最後兩個分別表示該條規則的權重和個條件的關係，1 表示 AND，2 表示 OR。

例如，當“輸入1” 為“名稱1” 和 “輸入2” 為“名稱3” 時，輸出為 “ 輸出1” 的“狀態2”，則寫為：

[1 3 2 1 1]

5、給定輸入，得到輸出，即進行模糊推理。

output = evalfis(input,fismat)

其中 fismat 為前面建立的那個 FIS 物件。

一個完整的例子如下：

clear all;

a = newfis('myfis');

a = addvar(a,'input','E',[0 7]);

a = addmf(a,'input',1,'small','trimf',[0 1 4.333]);

a = addmf(a,'input',1,'big','trimf',[1.6667 6 7]);

a = addvar(a,'output','U',[0 7]);

a = addmf(a,'output',1,'small','trimf',[0 1 4.333]);

a = addmf(a,'output',1,'big','trimf',[1.6667 6 7]);

rulelist = [1 1 1 1;

2 2 1 1];

a = addrule(a,rulelist);

u = evalfis(4,a)

其結果為：

u = 4.221