用 Matlab 中的 Fuzzy 工具箱做一个简单的模糊控制，流程如下：

1、创建一个 FIS (Fuzzy Inference System ) 对象，

a = newfis(fisName,fisType,andMethod,orMethod,impMethod, aggMethod,defuzzMethod)

一般只用提供第一个参数即可，后面均用默认值。

2、增加模糊语言变量

a = addvar(a,'varType','varName',varBounds)

模糊变量有两类：input 和 output。在每增加模糊变量，都会按顺序分配一个 index，后面要通过该 index 来使用该变量。

3、增加模糊语言名称，即模糊集合。

a = addmf(a,'varType',varIndex,'mfName','mfType',mfParams)

每个模糊语言名称从属于一个模糊语言。Fuzzy 工具箱中没有找到离散模糊集合的隶属度表示方法，暂且用插值后的连续函数代替。

参数 mfType 即隶属度函数(Membership Functions)，它可以是 Gaussmf、trimf、trapmf等，也可以是自定义的函数。

每一个语言名称也会有一个 index，按加入的先后顺序得到，从 1 开始。

4、增加控制规则，即模糊推理的规则。

a = addrule(a,ruleList)
其中 ruleList 是一个矩阵，每一行为一条规则，他们之间是 ALSO 的关系。

假定该 FIS 有 N 个输入和 M 个输出，则每行有 N+M+2 个元素，前 N 个数分别表示 N 个输入变量的某一个语言名称的 index，没有的话用 0 表示，后面的 M 个数也类似，最后两个分别表示该条规则的权重和个条件的关系，1 表示 AND，2 表示 OR。

例如，当“输入1” 为“名称1” 和 “输入2” 为“名称3” 时，输出为 “ 输出1” 的“状态2”，则写为：

[1 3 2 1 1]

5、给定输入，得到输出，即进行模糊推理。

output = evalfis(input,fismat)

其中 fismat 为前面建立的那个 FIS 对象。

一个完整的例子如下：

 

clear all;
a = newfis('myfis');

a = addvar(a,'input','E',[0 7]);
a = addmf(a,'input',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'input',1,'big','trimf',[1.6667 6 7]);

a = addvar(a,'output','U',[0 7]);
a = addmf(a,'output',1,'small','trimf',[0 1 4.333]);
a = addmf(a,'output',1,'big','trimf',[1.6667 6 7]);

rulelist = [1 1 1 1;
            2 2 1 1];
a = addrule(a,rulelist);

u = evalfis(4,a)

 

其结果为：

 

u = 4.221