Fuzzy Logic Toolbox

Progettazione e simulazione di sistemi con logica fuzzy

 

Fuzzy Logic Toolbox™ offre funzioni ed App MATLAB®, e un blocco Simulink® per l’analisi, la progettazione e la simulazione di sistemi basati sulla logica fuzzy. Il prodotto guida l’utente attraverso i passaggi necessari alla progettazione di sistemi di inferenza fuzzy. Vengono fornite funzioni che implementano i più comuni algoritmi, tra cui il fuzzy clustering learning e l’adaptive neurofuzzy learning.

Il toolbox consente di modellare comportamenti di sistemi complessi tramite semplici regole logiche e di implementare tali regole in un sistema di inferenza fuzzy. Puoi utilizzarlo come un motore stand-alone per inferenza fuzzy. In alternativa, puoi utilizzare blocchi di inferenza fuzzy in Simulink e simulare i sistemi fuzzy all’interno di un modello completo dell’intero sistema dinamico.

Per iniziare:

Modellazione di sistemi di inferenza fuzzy

Costruisci l’insieme di regole, definisci le funzioni di membership e analizza il comportamento di un sistema di inferenza fuzzy (FIS).

Fuzzy Logic Designer

Utilizza l’app Fuzzy Logic Designer o le funzioni a riga di comando per progettare e testare interattivamente sistemi di inferenza fuzzy. Puoi aggiungere o rimuovere le variabili di input e output. Inoltre, puoi specificare le funzioni di membership (input ed output) e le regole fuzzy di tipo “if-then”. Una volta creato un sistema di inferenza fuzzy, puoi valutarlo e visualizzarlo.

Sistemi di inferenza fuzzy Mamdani e Sugeno

Implementa sistemi di inferenza fuzzy Mamdani e Sugeno. Puoi convertire un sistema Mamdani in un sistema Sugeno. Inoltre, puoi implementare sistemi di inferenza fuzzy complessi come un insieme di sistemi fuzzy interconnessi mediante alberi fuzzy.

Creazione di sistemi di inferenza fuzzy Mamdani e Sugeno nell’applicazione Fuzzy Logic Designer.

Sistemi di inferenza fuzzy di tipo 2

Crea e valuta sistemi di inferenza di tipo 2 a intervalli con ulteriore incertezza delle funzioni di membership. Puoi creare sistemi di tipo 2 sia Sugeno che Mamdani.

Funzioni di appartenenza per un sistema di inferenza fuzzy di tipo 2.

Regolazione di sistemi di inferenza fuzzy

Ottimizza le funzioni di membership e le regole dei sistemi fuzzy.

Regolare i sistemi fuzzy

Regola i parametri delle funzioni di membership fuzzy, e costruisci nuove regole fuzzy utilizzando i metodi di ottimizzazione del Global Optimization Toolbox come, ad esempio, algoritmi genetici e particle swarm. Puoi ottimizzare parametri e regole di un singolo sistema di inferenza fuzzy o di un albero fuzzy contenente più FIS multipli, con numero ridotto di input, collegati gerarchicamente.

Modellazione di dati di serie storiche con un sistema di inferenza fuzzy ottimizzato.

Addestrare sistemi di inferenza neurofuzzy adattativi

Addestra sistemi di inferenza fuzzy Sugeno utilizzando tecniche di apprendimento neuroadattativo simili a quelle utilizzate per l’addestramento delle reti neurali. Puoi utilizzare le funzioni da riga di comando in maniera programmatica, oppure l’App Neuro-Fuzzy Designer per progettare le funzioni di membership addestrandole con dati di input/output anziché configurarle manualmente.

Addestramento di sistemi di inferenza neurofuzzy con l’app Neuro-Fuzzy Designer.

Clustering dei dati

Trova cluster nei dati di input/output tramite clustering fuzzy c-means o subtractive clustering.

Utilizza le funzioni da riga di comando, o lo strumento di clustering interattivo per identificare i raggruppamenti naturali in un grande set di dati e creare una rappresentazione concisa degli stessi. Puoi utilizzare il clustering fuzzy c-means o il subtractive clustering per identificare i cluster all’interno dei dati di addestramento di input/output. Utilizza le informazioni risultanti sul cluster per creare un sistema di inferenza fuzzy di tipo Sugeno per modellare il comportamento dei dati.

Clustering fuzzy c-means.

Logica fuzzy in Simulink

Simula sistemi a logica fuzzy in Simulink.

Valuta ed esegui il test delle prestazioni del tuo sistema di inferenza fuzzy di tipo 1 in Simulink tramite il blocco Fuzzy Logic Controller. Puoi simulare il tuo sistema a logica fuzzy in risposta a segnali di input di tipo single, double e fixed-point.

Simulazione di un sistema a logica fuzzy in Simulink.

Deployment della logica fuzzy

Genera codice per la valutazione e l’implementazione di sistemi fuzzy.

Distribuisci un sistema a logica fuzzy generando codice C in Simulink o in MATLAB. Puoi inoltre generare del testo strutturato per un sistema implementato in Simulink utilizzando un blocco Fuzzy Logic Controller. Puoi generare codice C a singola precisione per ridurre l’ingombro nella memoria del tuo sistema. Puoi generare codice a virgola fissa se la tua piattaforma target supporta solo questo tipo di aritmetica.

Interfaccia di codice campione generata per il caricamento e la valutazione di un FIS come una libreria statica/dinamica.