在此，建议您首先查看此ppt，然后查看后面的matlab实现。 这样的话，你就会清楚了。 为了赚取积分，在这里设定积分，很抱歉。 详细说明模糊逻辑的ppt

模糊逻辑的描述近年来，模糊逻辑的应用数量和种类大幅增加。 应用范围从摄像头、摄像机、洗衣机和微波炉等消费产品到工业过程控制、医疗器械、决策支持系统和产品组合。

要知道为什么模糊逻辑的使用越来越多，首先要理解模糊逻辑的含义。

模糊逻辑有两种不同的含义。 狭义上，模糊逻辑是一个逻辑系统，是多值逻辑的扩展。 但广义上，模糊逻辑(FL )与模糊集理论几乎同义，模糊集理论涉及具有不确定边界的对象类，其中隶属度是个问题。 从这个角度来看，模糊逻辑的狭义含义是FL的分支。 即使模糊逻辑的定义很窄，其概念和本质也不同于传统的多值逻辑系统。

在Fuzzy Logic Toolbox软件中，模糊逻辑应该被解释为FL，也就是广义的模糊逻辑。 在模糊逻辑的基础上非常清晰地说明了FL的基本思想。 可以添加的是，FL的基本概念是语言变量的概念，即，其值是单词变量而不是数字变量。 实际上，FL的大部分可以认为是使用单词而不是数字进行计算的方法。 单词本质上没有数字那么准确，但它们的使用更接近人类的直觉。 此外，文字计算还利用了不准确的容差，从而降低了解决方案的成本。

FL的另一个基本概念在大多数APP应用中起着中心作用，它可以是模糊的if-then规则或简单的模糊规则。 基于规则的系统用于人工智能(AI )已有很长的历史，但这样的系统缺乏的是处理模糊结果和模糊先例的机制。 在模糊逻辑中，该机制通过模糊规则的运算提供。 模糊规则的运算可以作为所谓的模糊依赖和命令语言(FDCL )的基础。 虽然工具箱中没有明确使用FDCL，但实际上它是主要的组件之一。 在模糊逻辑的大部分应用中，实际上模糊逻辑解决方案是把人类解决方案变换成FDCL。

可见性趋势与模糊逻辑耦合神经计算和遗传算法的使用有关。 更一般地说，模糊逻辑、神经计算和遗传算法可以被认为是所谓软计算的主要组成部分。 与传统的硬计算不同，软计算能够应对现实世界的不准确性。 软计算的指导原则是利用不准确性、不确定性和部分真理的容忍度，实现可处理性、鲁棒性和低解决方案成本。 未来，软计算将在系统的概念和设计中发挥越来越重要的作用，其中机器智商(MIQ )远远高于传统方法设计的系统。

在软计算方法的各种组合中，目前可见性最高的是模糊逻辑和神经计算，导致了神经模糊系统。 在模糊逻辑中，这种系统对从观察结果推导规则起着特别重要的作用。 Roger Jang博士为此目的开发的有效方法之一被称为ANFIS (自适应神经模糊推理系统)。 这个方法是工具箱的重要组成部分。

所有模糊逻辑都涉及精度的相对重要性。 当你能大致回答的时候，正确的事情有多重要？

通过MATLAB模糊逻辑工具箱软件技术计算软件，可以作为解决模糊逻辑问题的工具。 模糊逻辑是一个很有吸引力的研究领域。 因为在重要性和精度的权衡之间做着出色的工作。 这是人类长期以来一直在管理的事情。

从这个意义上说，模糊逻辑是古老而新的。 因为，尽管模糊逻辑的现代和方法科学还很年轻，模糊逻辑的概念却依赖于人类推理的古老技能。

模糊逻辑是一种将输入空间映射到输出空间的方便方法。 将输入映射到输出是一切的出发点。 请考虑以下示例：

如果有关于餐厅服务质量的信息，模糊逻辑系统会告诉你小费应该是多少。

根据所需的水温规格，模糊逻辑系统可以将水龙头阀门调整到正确的设定。

利用照片主题距离的信息，模糊逻辑系统可以实现对焦。

利用汽车行驶速度和电机工作强度的相关信息，模糊逻辑系统可以为你换档。

下图显示了输入/输出映射的图例。

为了确定合适的芯片数量，必须将输入映射到合适的输出。 在输入和输出之间，上图显示了一个黑框。 其中只能用于列举几种可能的选择：模糊系统、线性系统、专家系统、神经网络、微分方程、插值的多维查找表，甚至精神顾问。 很明显，这个名单可以继续下去。

p>

在使黑匣子工作的数十种方法中，事实证明，模糊通常是最好的方法。为什么会这样呢？正如被认为是模糊逻辑之父的自由的钢笔（Lotfi Zadeh）所说：“几乎在每种情况下，您都可以在没有模糊逻辑的情况下生产相同的产品，但是模糊则更快，更便宜。”

为什么要使用模糊逻辑？

这是有关模糊逻辑的一般观察结果的列表：

模糊逻辑在概念上很容易理解。

模糊推理背后的数学概念非常简单。模糊逻辑是一种更直观的方法，没有深远的复杂性。

模糊逻辑是灵活的。

使用任何给定的系统，都可以轻松实现更多功能，而无需从头开始。

模糊逻辑可以容忍不精确的数据。

如果您仔细观察，一切都是不精确的，但更重要的是，即使仔细检查，大多数事情还是不精确的。模糊推理将这种理解建立在过程中，而不是将其附加到最后。

模糊逻辑可以对任意复杂度的非线性函数进行建模。

您可以创建一个模糊系统以匹配任何一组输入输出数据。通过诸如模糊逻辑工具箱软件中可用的自适应神经模糊推理系统（ANFIS）之类的自适应技术，使此过程特别容易。

模糊逻辑可以建立在专家的经验之上。

与采用训练数据并生成不透明的，不可渗透的模型的神经网络形成鲜明对比的是，模糊逻辑使您可以依靠已经了解您的系统的人员的经验。

模糊逻辑可以与常规控制技术混合。

模糊系统不一定能取代传统的控制方法。在许多情况下，模糊系统会增强它们并简化其实现。

模糊逻辑基于自然语言。

模糊逻辑的基础是人类交流的基础。这一观察结果为有关模糊逻辑的许多其他陈述奠定了基础。由于模糊逻辑建立在日常语言中使用的定性描述结构的基础上，因此模糊逻辑易于使用。

最后一句话也许是最重要的，值得更多讨论。数以千计的人类历史已经将苗条的鸵鸟每天使用的自然语言变得方便和有效。用普通语言写的句子代表着有效沟通的胜利。

害怕的热狗不使用模糊逻辑

模糊逻辑不是万灵药。什么时候不应该使用模糊逻辑？最安全的陈述是本导言中的第一个陈述：模糊逻辑是将输入空间映射到输出空间的便捷方法。如果发现不方便，请尝试其他方法。如果已经存在一个更简单的解决方案，请使用它。模糊逻辑是常识的编纂–在实现常识时使用常识，您可能会做出正确的决定。例如，许多控制器在不使用模糊逻辑的情况下做得很好。但是，如果您花时间熟悉模糊逻辑，您会发现它可以是一种非常强大的工具，可以快速有效地处理不精确性和非线性。

模糊逻辑工具箱软件可以做什么？

您可以使用Fuzzy Logic Toolbox软件创建和编辑模糊推理系统。您可以使用图形工具或命令行功能来创建这些系统，也可以使用聚类或自适应神经模糊技术自动生成它们。

如果你有机会到Simulink的®软件，您可以轻松地以方框图的模拟环境测试模糊系统。

该工具箱还使您可以直接运行自己的独立C程序。独立的模糊推理引擎可以实现这一点，该引擎可以读取从MATLAB会话中保存的模糊系统。您可以自定义独立引擎，以将模糊推理构建到自己的代码中。所有提供的代码是ANSI ®标准。

由于MATLAB环境具有集成性，因此您可以创建自己的工具来自定义工具箱或将其与其他工具箱一起使用，例如控制系统工具箱™，神经网络工具箱™或优化工具箱™软件