模糊逻辑工具箱
entwerfen und simulieren von fuzzy-logic-systemen
模糊逻辑工具箱™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工具箱Könnensie das verhalten komplexer Systeme Mittels Einfacher logikregeln modellieren und diese regeln diese regeln dann in Einem fuzzy-inferenzsystem emplineeren。sieKönnenes alseigenständige-inferenz-enferenz-engine engine verwenden。Simulink nutzen und die fuzzy-systeme Innerhalb金宝app eines umfassenden modells des gesamten dynameschen simulieren simulieren。
Erste Schritte:
模糊逻辑设计师
nutzen sie模糊逻辑设计师app oder befehlszeilenfunktionenfürdas interaktive Design und den Test von von fuzzy-inferenzsystemen。SieKönneneingabe-和usgabevariablenhinzufügen和Entfernen。ZudemKönnensie eingabe- undAusgabehörigkeitsfunktionensowie fuzzywenn-dann-regeln festlegen。wurde das fuzzy-Inferenzsystem Eingerichtet,Könnensie 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.
模糊融合系统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适应器神经模糊 - 融合系统
Trainieren Sie Sie Sugeno-Fuzzy-Inferenzsysteme MIT神经适用于Lerntechniken,ähnlichderer Zum Zum Trainieren Neuronaler Netze。SieKönnenbefehlszeilenfunktionen oder die“神经模糊的设计师” - App Nutzen,UmZugehörigkeitsfunktionenZu defineren。死去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和Bereitstellen von fuzzy-Systemen MitZusätzlicherunsicherheit der derzugehörigkeitsfunktion
详细信息Zu Diesen Merkmalen und denZugehörigenfunktionen在书房找到Sie版本.