Fuzzy Logic Toolbox

Entwerfen und Simulieren von Fuzzy-Logic-Systemen

Haben Sie Fragen? Vertrieb kontaktieren.

Die Fuzzy Logic Toolbox bietet MATLAB-Funktionen und -Apps sowie einen Simulink-Block zur Analyse, Entwurf und Simulation von Fuzzy-Logic-Systemen. Mit dem Produkt können Sie die Ein- und Ausgaben, Zugehörigkeitsfunktionen und Regeln von Fuzzy-Inferenzsystemen vom Typ 1 und 2 spezifizieren und konfigurieren.

Die Toolbox ermöglicht Ihnen die automatische Anpassung von Zugehörigkeitsfunktionen und Regeln eines Fuzzy-Inferenzsystems anhand von entsprechenden Daten. Die entwickelten Fuzzy-Logik-Systeme können anschließend in MATLAB und Simulink ausgewertet werden. Darüber hinaus eignet sich das Fuzzy-Inferenzsystem als unterstützendes System zur Erklärung von Black-Box-Modellen auf der Grundlage von künstlicher Intelligenz (KI). Sie können eigenständig ausführbare Dateien (Standalone Executables) oder C/C++ Code und IEC 61131-3 Structured Text generieren, um Fuzzy-Logik-Systeme zu bewerten und zu implementieren.

Fuzzy Logic Designer

Nutzen Sie die Fuzzy Logic Designer-App oder Befehlszeilenfunktionen für das interaktive Design und die Simulation von Fuzzy-Inferenzsystemen. Definieren Sie hierfür die Eingangs- und Ausgangsvariablen sowie die Zugehörigkeitsfunktionen. Bestimmen Sie ebenso die Fuzzy-Wenn-dann-Regeln. Bewerten Sie Ihr Fuzzy-Inferenzsystem anschließend über mehrere Eingabekombinationen hinweg.

Dokumentation | Beispiele

Fuzzy-Inferenzsysteme (FIS)

Implementieren Sie Mamdani- and Sugeno-Fuzzy-Inferenzsysteme. Konvertieren Sie von einem Mamdani-System zu einem Sugeno-System oder umgekehrt, um mehrere Ausführungen zu erstellen und zu vergleichen. Zudem können Sie mithilfe von Fuzzy-Bäumen komplexe Fuzzy-Inferenzsysteme als Sammlung kleinerer, miteinander verknüpfter Fuzzy-Systeme implementieren.

Dokumentation | Beispiele

Ein Screenshot der Fuzzy Logic Designer-App mit der Darstellung einer Zugehörigkeitsfunktion vom Typ 2.

Typ-2 Fuzzy Logic

Bauen und bewerten Sie Intervall-Fuzzy-Inferenzsysteme des Typs 2 mit zusätzlicher Unsicherheit der Zugehörigkeitsfunktion. Erstellen Sie Mamdani- und Sugeno-Fuzzy-Inferenzsysteme vom Typ 2 mithilfe der Fuzzy Logic Designer App oder den Toolbox-Funktionen.

Dokumentation | Beispiele

Ein Diagramm einer Mackey-Glass-Zeitreihe (MG-Zeitreihe) und einer vorhergesagten Zeitreihe mithilfe eines adaptiven Neuro-Fuzzy-Inferenzsystems (ANFIS).

Optimierung von Fuzzy-Inferenzsystemen

Die Parameter der Zugehörigkeitsfunktionen und Regeln eines einzelnen Fuzzy-Inferenzsystems oder eines Fuzzy-Baums können Sie ganz einfach mithilfe von genetischen Algorithmen, Partikelschwarmoptimierung und anderen Abstimmungsmethoden der Global Optimization Toolbox anpassen. Trainieren Sie Sugeno-Fuzzy-Inferenzsysteme mit neuro-adaptiven Lerntechniken, ähnlich derer zum Trainieren neuronaler Netze.

Dokumentation | Beispiele

Identifizierte Cluster-Zentren von Irisdaten mithilfe eines Fuzzy-C-Means-Algorithmus

Fuzzy Clustering

Finden Sie Cluster in Eingabe-/Ausgabe-Daten mithilfe von Fuzzy-C-Means oder des subtraktiven Clusterings. Verwenden Sie die sich daraus ergebenden Clusterinformationen, um ein Fuzzy-Inferenzsystem des Typs Sugeno zu generieren und das Datenverhalten der Ein- und Ausgabe zu modellieren.

Dokumentation | Beispiele

Ein Simulink-Modell mit einem Fuzzy Logic Controller Block zur Implementierung eines Fuzzy-Inferenzsystems.

Fuzzy Logic in Simulink

Bewerten und testen Sie die Leistung Ihres Fuzzy-Inferenzsystems in Simulink mithilfe des Fuzzy Logic Controller Block. Implementieren Sie Ihr Fuzzy-Inferenzsystem als Teil eines größeren Systemmodells in Simulink zur Simulation auf Systemebene sowie zur Codegenerierung.

Dokumentation | Beispiele

Ein Skript mit generiertem Code zur Auswertung eines Fuzzy-Inferenzsystems.

Bereitstellung von Fuzzy Logic

Implementieren Sie Ihr Fuzzy-Inferenzsystem in Simulink und generieren Sie C/C++ Code oder IEC61131-3 Structured Text mithilfe des Simulink Coder bzw. Simulink PLC Coder. Mit dem MATLAB Coder können Sie darüber hinaus auch C/C++ Code aus in MATLAB implementierten Fuzzy-Inferenzsystemen generieren. Alternativ können Sie Ihr Fuzzy-Inferenzsystem auch mithilfe des MATLAB Compiler als Standalone Application kompilieren.

Dokumentation | Beispiele

Ein Diagramm, das den Kontrollfluss zwischen einem Black-Box-Modell und einem Fuzzy-System zur Erklärung von Black-Box-Vorhersagen während der Laufzeit zeigt.

Fuzzy Logic für erklärbare KI

Die Verwendung von Fuzzy-Inferenzsystemen dient als Hilfsmittel zur Erklärung der Eingabe-Ausgabe-Beziehungen, die von einem KI-basierten Black-Box-System modelliert werden. Interpretieren Sie den Entscheidungsprozess eines Black-Box-Modells mithilfe der erklärbaren Regelbasis Ihres Fuzzy-Inferenzsystems.

Dokumentation | Beispiele