关于模糊控制查了一些资料,觉得下面的例子简单又易于理解,甚好,现转载如下,以备日后查阅及与大家分享
用 Matlab 的 Fuzzy 工具箱实现模糊控制
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,
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各个条件的关系,1 表示 AND,2 表示 OR。
例如,当“输入1” 为“名称1” 和 “输入2” 为“名称3” 时,输出为
[1 3 2 1 1]
5、给定输入,得到输出,即进行模糊推理。
output = evalfis(input,fismat)
其中 fismat 为前面建立的那个 FIS 对象。
一个完整的例子如下:
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;
a = addrule(a,rulelist);
u = evalfis(4,a)
其结果为:
u = 4.221
本文来自:http://blog.sina.com.cn/s/blog_4e4fa5f10100k7so.html