Fuzzy Logic Toolbox
Entwerfen und Simulieren von Fuzzy-Logic-Systemen
Die Fuzzy Logic Toolbox™ stellt MATLAB®-Funktionen und -Apps sowie einen Simulink® -Block für Analyse, Entwurf und Simulation von Systemen auf der Grundlage von Fuzzy Logic bereit. Das Produkt leitet Sie durch die Schritte des Entwurfs von Fuzzy-Inferenzsystemen. Für zahlreiche gebräuchliche Methoden werden Funktionen bereitgestellt, darunter Fuzzy-Clustering und adaptives Neurofuzzy-Learning.
Mit der Toolbox können Sie das Verhalten komplexer Systeme mittels einfacher Logikregeln modellieren und diese Regeln dann in einem Fuzzy-Inferenzsystem implementieren. Sie können es als eigenständige Fuzzy-Inferenz-Engine verwenden. Alternativ können Sie Fuzzy-Inferenz-Blöcke in Simulink nutzen und die Fuzzy-Systeme innerhalb eines umfassenden Modells des gesamten dynamischen Systems simulieren.
Erste Schritte:
Fuzzy Logic Designer
Nutzen Sie die Fuzzy Logic Designer-App oder Befehlszeilenfunktionen für das interaktive Design und den Test von Fuzzy-Inferenzsystemen. Sie können Eingabe- und Ausgabevariablen hinzufügen und entfernen. Zudem können Sie Eingabe- und Ausgabezugehörigkeitsfunktionen sowie FuzzyWenn-Dann-Regeln festlegen. Wurde das Fuzzy-Inferenzsystem eingerichtet, können Sie es auswerten und visualisieren.
Mamdani- und Sugeno-Fuzzy-Inferenzsysteme
Implementieren Sie Mamdani- and Sugeno-Fuzzy-Inferenzsysteme. Sie können ein Mamdani-System in ein Sugeno-System konvertieren. Zudem können Sie mit Fuzzy-Bäumen komplexe Fuzzy-Inferenzsysteme als Sammlung kleinerer, miteinander verknüpfter Fuzzy-Systeme implementieren.
Fuzzy-Inferenzsysteme des Typs 2
Bauen und bewerten Sie Intervall-Fuzzy-Inferenzsysteme des Typs 2 mit zusätzlicher Unsicherheit der Zugehörigkeitsfunktion. Sie können Fuzzy-Inferenzsysteme des Typs 2 der Kategorien Mamdani und Sugeno bauen.
Optimierung von Fuzzy-Systemen
Optimieren Sie die Parameter von Fuzzy-Zugehörigkeitsfunktionen und lernen Sie neue Fuzzy-Regeln mit Optimierungsmethoden der Global Optimization Toolbox wie Genetischen Algorithmen und Partikelschwarm-Optimierung. Sie können die Parameter und Regeln eines einzelnen Fuzzy-Inferenzsystems oder eines Fuzzy- Baums mit mehreren FIS in hierarchischer Verknüpfung optimieren, bei einer kleinen Anzahl der Eingaben.
Trainieren adaptiver Neuro-Fuzzy-Inferenzsysteme
Trainieren Sie Sugeno-Fuzzy-Inferenzsysteme mit neuro-adaptiven Lerntechniken, ähnlich derer zum Trainieren neuronaler Netze. Sie können Befehlszeilenfunktionen oder die „Neuro-Fuzzy Designer“-App nutzen, um Zugehörigkeitsfunktionen zu definieren. Dies geschieht durch Trainieren mit Eingabe-/Ausgabe-Daten statt manueller Spezifizierung.
Nutzen Sie das interaktive Clustering-Tool oder Befehlszeilenfunktionen, um natürliche Gruppierungen in einem großen Datensatz zu finden und eine kompakte Repräsentation der Daten zu produzieren. Sie können Fuzzy-C-Means oder subtraktives Clustering nutzen, um in Eingabe-/Ausgabe-Trainingsdaten Cluster zu finden. Verwenden Sie die sich daraus ergebenden Clusterinformationen, um ein Fuzzy-Inferenzsystem des Typs Sugeno zu generieren und das Datenverhalten zu modellieren.
Bewerten und testen Sie die Leistung Ihres Fuzzy-Inferenzsystems des Typs 1 in Simulink mit dem Fuzzy Logic Controller Block. Sie können Ihr Fuzzy-Inferenzsystem mit Eingabesignalen der Datentypen double, single und Festkomma simulieren.
Stellen Sie ein Fuzzy-Inferenzsystem durch Erzeugen von C-Code in Simulink oder MATLAB bereit. Sie können zudem mittels eines Fuzzy Logic Controller-Blocks strukturierten Text für ein in Simulink implementiertes Fuzzy-Inferenzsystem generieren. Sie können C-Code mit einfacher Genauigkeit erzeugen, um den Speicherverbrauch des Systems zu reduzieren. Sie können Festkomma-Code erzeugen, wenn Ihre Zielplattform nur Festkomma-Arithmetik unterstützt.
K-fache Kreuzvalidierung
Vermeiden übermäßiger Anpassung optimierter Fuzzy-Inferenzsystem-Parameter
Intervall-Fuzzy-Inferenzsysteme des Typs 2
Erzeugen, Simulieren, Optimieren und Bereitstellen von Fuzzy-Systemen mit zusätzlicher Unsicherheit der Zugehörigkeitsfunktion
Details zu diesen Merkmalen und den zugehörigen Funktionen finden Sie in den Versionshinweisen.