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.
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.
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.
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.
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.
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.
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.
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.
Produktressourcen:
Fuzzy Logic Toolbox – Häufig gestellte Fragen
Die Fuzzy Logic Toolbox stellt MATLAB-Funktionen, Apps und einen Simulink-Block zum Analysieren, Entwerfen und Simulieren von Fuzzy-Logik-Systemen bereit, einschließlich Typ‑1- und Typ‑2-Fuzzy-Inferenzsystemen.
Sie können sowohl Typ‑1- als auch Typ‑2-(Intervall-)Mamdani- und Sugeno-Fuzzy-Inferenzsysteme implementieren, zwischen ihnen konvertieren und komplexe Systeme mithilfe von Fuzzy-Bäumen erstellen, die kleinere Fuzzy-Systeme miteinander verbinden.
Verwenden Sie die App Fuzzy Logic Designer oder Befehlszeilenfunktionen, um Eingangs- und Ausgangsvariablen, Mitgliedschaftsfunktionen und Fuzzy-If‑Then-Regeln zu definieren, und bewerten Sie dann Ihr System über mehrere Eingangskombinationen hinweg.
Ja. Sie können Parameter von Mitgliedschaftsfunktionen und Regeln anhand von Daten mit genetischen Algorithmen, Partikelschwarmoptimierung, anderen Methoden aus der Global Optimization Toolbox oder mit neuroadaptiven Lernverfahren für Sugeno-Systeme abstimmen.
Verwenden Sie den Fuzzy Logic Controller-Block, um Ihr Fuzzy-Inferenzsystem als Teil eines größeren Systemmodells für Simulation und Codegenerierung zu evaluieren und zu testen.
Sie können eigenständige ausführbare Programme erzeugen, C/C++-Code mithilfe von MATLAB Coder oder Simulink Coder generieren oder IEC 61131-3 Structured Text mit Simulink PLC Coder erzeugen, um Ihre Fuzzy-Logik-Systeme bereitzustellen.
Typ‑2-Fuzzy-Logik ermöglicht die Erstellung und Bewertung von Intervall-Type‑2-Fuzzy-Inferenzsystemen mit zusätzlicher Unsicherheit in den Mitgliedschaftsfunktionen, entweder über die App Fuzzy Logic Designer oder über Toolbox-Funktionen.
Ja. Fuzzy-Inferenzsysteme können als unterstützende Systeme verwendet werden, um AI-basierte Black-Box-Modelle zu erklären, indem Entscheidungsprozesse durch erklärbare Regelbasen interpretiert werden.
Verwenden Sie Fuzzy-Logik, wenn das Regelverhalten von heuristischer oder erfahrungsbasierter Entscheidungsfindung abhängt, wenn die Betriebsbedingungen sich stark zwischen verschiedenen Regimen ändern, wenn Gain‑Scheduling schwer zu handhaben ist oder wenn mehrere kontextbezogene Faktoren Entscheidungen gleichzeitig beeinflussen müssen. Fuzzy-Regler ermöglichen es, Expertenwissen als interpretierbare If‑Then-Regeln zu kodieren, ohne ein explizites mathematisches Modell der Anlage zu benötigen.
Setzen Sie Fuzzy-Logik ein, wenn Datensätze begrenzt sind, wenn Erklärbarkeit und transparente Entscheidungslogik erforderlich sind, wenn Ingenieure direkten Einfluss auf das Systemverhalten benötigen oder wenn Validierungs- und Zertifizierungsabläufe interpretierbare Logik verlangen. Im Gegensatz zu vielen Machine-Learning-Modellen bieten Fuzzy-Inferenzsysteme von Menschen lesbare Regelbasen, die von Fachexperten geprüft, verifiziert und modifiziert werden können.
Ja. Fuzzy-Inferenzsysteme eignen sich gut für übergeordnete Steuerungslogik, die mehrere Betriebsarten koordiniert, sanfte Übergänge zwischen Betriebsbedingungen steuert und mehrere Regelungsziele miteinander verknüpft, insbesondere wenn die Umschaltlogik von qualitativen oder unsicheren Bedingungen abhängt.
Fuzzy Logic Toolbox kostenlos ausprobieren
Entdecken Sie noch heute die Möglichkeiten.
Bereit zum Kauf?
Angebot anfordern und Erweiterungsprodukte entdecken.
Studieren Sie?
Ihre Hochschule bietet möglicherweise bereits Zugang zu MATLAB, Simulink und Add-on-Produkten über eine Campus-Wide License.
