Fuzzy Logic Toolbox

Fuzzy Logic Toolbox fournit des fonctions MATLAB, des applications et un bloc Simulink pour analyser, concevoir et simuler des systèmes de logique floue, y compris des systèmes d'inférence floue de type-1 et de type-2.

Utilisez l'application Fuzzy Logic Designer ou des fonctions en ligne de commande pour définir les variables d'entrée et de sortie, les fonctions d'appartenance et les règles floues si-alors, puis évaluer le système pour différentes combinaisons d'entrées.

Utilisez l'application Fuzzy Logic Designer ou des fonctions en ligne de commande pour définir les variables d'entrée et de sortie, les fonctions d'appartenance et les règles floues si-alors, puis évaluer le système pour différentes combinaisons d'entrées.

Oui. Vous pouvez ajuster les paramètres des fonctions d'appartenance et les règles à partir de données en utilisant des algorithmes génétiques, l'optimisation par essaim particulaire, d'autres méthodes de Global Optimization Toolbox ou des techniques d'apprentissage neuro-adaptatif pour les systèmes Sugeno.

Utilisez le bloc Fuzzy Logic Controller pour évaluer et tester votre système d'inférence floue dans le cadre d'un modèle système plus vaste destiné à la simulation et à la génération de code.

Vous pouvez générer des exécutables autonomes, du code C/C++ à l'aide de MATLAB Coder ou Simulink Coder, ou du Structured Text IEC 61131-3 à l'aide de Simulink PLC Coder afin de déployer vos systèmes de logique floue.

La logique floue de type-2 permet de créer et d'évaluer des systèmes d'inférence floue de type-2 à intervalles intégrant une incertitude supplémentaire sur les fonctions d'appartenance, en utilisant l'application Fuzzy Logic Designer ou les fonctions de la toolbox.

Oui. Vous pouvez utiliser des systèmes d'inférence floue comme systèmes de support pour expliquer des modèles d'IA de type boîte noire, en interprétant leurs mécanismes de décision à l'aide de bases de règles explicables.

Utilisez la logique floue lorsque le comportement de commande repose sur un raisonnement heuristique ou fondé sur l'expérience, lorsque les conditions de fonctionnement varient fortement selon les régimes, lorsque le gain scheduling devient difficile à gérer ou lorsque plusieurs facteurs contextuels doivent influencer simultanément les décisions.
Les contrôleurs flous permettent d'encoder l'expertise métier sous forme de règles interprétables si-alors, sans nécessiter de modèle mathématique explicite du procédé.

Utilisez la logique floue lorsque les jeux de données sont limités, lorsque l'explicabilité et la transparence des décisions sont essentielles, lorsque les ingénieurs doivent conserver un contrôle direct sur le comportement du système ou lorsque les processus de validation et de certification exigent une logique interprétable. Contrairement à de nombreux modèles de Machine Learning, les systèmes d'inférence floue fournissent des bases de règles lisibles par l'humain, qui peuvent être inspectées, vérifiées et modifiées par des experts métier.

Oui. Les systèmes d'inférence floue sont particulièrement adaptés à la commande de supervision, qui coordonne plusieurs modes de fonctionnement, gère des transitions fluides entre conditions d'exploitation et combine plusieurs objectifs de commande, en particulier lorsque la logique de commutation dépend de conditions qualitatives ou incertaines.