Fuzzy Logic Toolbox

Fuzzy Logic Toolbox fornisce funzioni MATLAB, app e un blocco Simulink per analizzare, progettare e simulare sistemi di logica fuzzy, inclusi sistemi di inferenza fuzzy di tipo 1 e tipo 2.

È possibile implementare sistemi di inferenza fuzzy Mamdani e Sugeno sia di tipo 1 sia di tipo 2 (a intervallo), convertirli tra loro e costruire sistemi complessi mediante alberi fuzzy che interconnettono sistemi fuzzy più piccoli.

Utilizzare l'app Fuzzy Logic Designer o le funzioni da riga di comando per definire variabili di ingresso e uscita, funzioni di appartenenza e regole fuzzy se-allora, quindi valutare il sistema su diverse combinazioni di ingressi.

Sì. È possibile ottimizzare i parametri delle funzioni di appartenenza e le regole a partire dai dati utilizzando algoritmi genetici, ottimizzazione tramite sciame di particelle (particle swarm optimization), altri metodi di Global Optimization Toolbox oppure tecniche di apprendimento neuro-adattativo per i sistemi Sugeno.

Utilizzare il blocco Fuzzy Logic Controller per valutare e testare il sistema di inferenza fuzzy come parte di un modello di sistema più ampio destinato alla simulazione e alla generazione di codice.

È possibile generare eseguibili standalone, codice C/C++ utilizzando MATLAB Coder o Simulink Coder, oppure codice IEC 61131-3 Structured Text utilizzando Simulink PLC Coder per distribuire i sistemi di logica fuzzy.

La logica fuzzy di tipo 2 consente di creare e valutare sistemi di inferenza fuzzy a intervallo di tipo 2, caratterizzati da un'ulteriore incertezza nelle funzioni di appartenenza, utilizzando l'app Fuzzy Logic Designer o le funzioni del toolbox.

Sì. I sistemi di inferenza fuzzy possono essere utilizzati come sistemi di supporto per spiegare modelli di IA di tipo black-box, interpretando i processi decisionali attraverso basi di regole interpretabili.

Utilizzare la logica fuzzy quando il comportamento di controllo dipende da ragionamenti euristici o basati sull'esperienza, quando le condizioni operative variano significativamente tra diversi regimi, quando il gain scheduling diventa difficile da gestire o quando più fattori contestuali devono influenzare contemporaneamente le decisioni.
I controller fuzzy consentono di codificare la conoscenza degli esperti come regole interpretabili se-allora, senza richiedere un modello matematico esplicito dell'impianto.

Utilizzare la logica fuzzy quando i dataset sono limitati, quando sono richieste spiegabilità e logica decisionale trasparente, quando gli ingegneri necessitano di un controllo diretto sul comportamento del sistema o quando i processi di validazione e certificazione richiedono una logica interpretabile.

A differenza di molti modelli di Machine Learning, i sistemi di inferenza fuzzy forniscono basi di regole leggibili dall'uomo, che possono essere ispezionate, verificate e modificate da esperti del dominio.

Sì. I sistemi di inferenza fuzzy sono particolarmente adatti alla logica di controllo di supervisione, che coordina più modalità operative, gestisce transizioni fluide tra condizioni operative e combina molteplici obiettivi di controllo, soprattutto quando la logica di commutazione dipende da condizioni qualitative o incerte.