Fuzzy Logic Toolbox

Concevoir et simuler des systèmes à logique floue

 

Fuzzy Logic Toolbox™ comprend des fonctions MATLAB®, des applications, ainsi qu'un bloc Simulink® pour l'analyse, la conception et la simulation de systèmes à logique floue. Ce produit vous guide dans les étapes à suivre pour concevoir des systèmes d'inférence floue. Des fonctions sont incluses pour de nombreuses méthodes courantes, notamment le clustering flou et l'apprentissage neuro-flou adaptatif.

Cette toolbox vous permet de modéliser des comportements de systèmes complexes à l'aide de règles de logique simples, puis d'implémenter ces règles dans un système d'inférence floue. Vous pouvez l'utiliser comme un moteur d'inférence floue autonome. Il est également possible d'utiliser des blocs d'inférence floue dans Simulink et de simuler des systèmes flous dans un modèle complet du système dynamique entier.

Commencer :

Modélisation de systèmes d'inférence floue


Générez le jeu de règles, définissez les fonctions d'appartenance et analysez le comportement d'un système d'inférence floue (FIS).

Fuzzy Logic Designer

Utilisez l'application Fuzzy Logic Designer ou des fonctions en ligne de commande pour concevoir de manière interactive et tester des systèmes d'inférence floue. Vous pouvez ajouter ou supprimer des variables d'entrée ou de sortie. Vous pouvez également spécifier des fonctions d'appartenance d'entrée et de sortie ainsi que des règles if-then floues. Une fois le système d'inférence floue créé, vous pouvez l'évaluer et le visualiser.

Systèmes d'inférence floue Mamdani et Sugeno

Implémentez des systèmes d'inférence floue Mamdani et Sugeno. Vous pouvez convertir un système Mamdani en système Sugeno. Vous pouvez également implémenter des systèmes d'inférence floue complexes en tant qu'ensemble de systèmes flous interconnectés de plus petite taille à l'aide d'arbres flous.

Création de systèmes d'inférence floue Mamdani et Sugeno dans l'application Fuzzy Logic Designer.

Systèmes d'inférence floue de type-2

Créez et évaluez des systèmes d'inférence floue de type-2 intervalle avec un degré supplémentaire d'incertitude sur les fonctions d'appartenance. Vous pouvez créer des systèmes d'inférence floue de type-2 Mamdani et Sugeno

Fonctions d'appartenance pour un système d'inférence floue de type-2.

Mise au point de systèmes d'inférence floue

Effectuez la mise au point des fonctions d'appartenance et des règles de systèmes flous.

Mise au point de systèmes flous

Effectuez la mise au point des paramètres des fonctions d'appartenance floues et apprenez de nouvelles règles floues à l'aide des méthodes de mise au point disponibles dans Global Optimization Toolbox, comme par exemple les algorithmes génétiques et l'optimisation d'essaim particulaire. Vous pouvez mettre au point les paramètres et les règles d'un système d'inférence floue ou d'un arbre flou contenant plusieurs systèmes d'inférence floue connectés de façon hiérarchique avec un petit nombre d'entrées.

Prédire des données de séries temporelles à l'aide d'un système d'inférence floue mis au point.

Apprentissage de systèmes d'inférence neuro-floue adaptative

Entraînez des systèmes d'inférence floue Sugeno à l'aide de techniques d'apprentissage neuro-adaptatif similaires à celles utilisées pour entraîner des réseaux de neurones. Vous pouvez utiliser des fonctions en ligne de commande ou l'application Neuro-Fuzzy Designer pour créer des fonctions d'appartenance en les entraînant avec des données d'entrée/sortie au lieu de les spécifier manuellement.

Apprentissage de systèmes d'inférence neuro-floue adaptative avec l'application Neuro-Fuzzy Designer.

Clustering de données

Trouvez des clusters dans des données d'entrée/sortie à l'aide du clustering c-moyennes flou ou du clustering soustractif.

Utilisez un outil de clustering interactif ou des fonctions en lignes de commande pour identifier des groupements naturels dans un grand ensemble de données, afin de produire une représentation concise des données. Vous pouvez utiliser le clustering c-moyennes flou ou le clustering soustractif pour identifier des clusters dans les données d'entrée/sortie d'apprentissage. Utilisez les informations de cluster ainsi obtenues pour générer un système d'inférence floue de type Sugeno afin de modéliser le comportement des données.

Clustering c-moyennes flou.

Logique floue dans Simulink

Simulez des systèmes d'inférence floue dans Simulink.

Évaluez et testez la performance de votre système d'inférence floue de type-1 dans Simulink à l'aide du bloc Fuzzy Logic Controller. Vous pouvez simuler votre système d'inférence floue à l'aide de signaux d'entrée avec des types de données en virgule fixe et à simple ou double précision.

Simulation d'un système d'inférence floue dans Simulink.

Déploiement de logique floue

Générez du code pour l'évaluation et l'implémentation de systèmes flous.

Déployez un système d'inférence floue en générant du code C dans Simulink ou MATLAB. Vous pouvez également générer du texte structuré pour un système d'inférence floue implémenté dans Simulink en utilisant un bloc Fuzzy Logic Controller. Vous pouvez générer du code C simple précision afin de réduire l'empreinte mémoire de votre système. Vous pouvez générer du code en virgule fixe si votre plateforme cible supporte uniquement l'arithmétique en virgule fixe.

Exemple d'interface de code généré pour le chargement et l'évaluation d'un système à inférence floue en tant que bibliothèque statique/dynamique.

Nouveautés

Validation croisée k-fold

évitez le surajustement des paramètres de système d’inférence floue mis au point

Systèmes d’inférence floue de type-2 intervalle

créez, simulez, paramétrez et déployez des systèmes flous avec un degré supplémentaire d’incertitude sur les fonctions d’appartenance

Reportez-vous aux notes de version pour en savoir plus sur ces fonctionnalités et les fonctions correspondantes.