模糊控制演算法程序

㈠ 如何用代碼在dsp上實現模糊控制

編寫模糊控制演算法。

㈡ 模糊控制中解模糊的方法有哪些羅列即可，不用長篇大論！

模糊量的清晰化的實現方法有很多，我現在剛好接觸到三種，正好告訴你，
1、最大隸屬度法
2、加權平均法（重心法）
3、中位數法
我正在著重研究重心法解模糊。

㈢ 模糊控制的模糊推論

模糊控制理論發展至今，模糊推論的方法大致可分為三種，第一種推論法是依據模糊關系的合成法則，第二種推論法是根據模糊邏輯的推論法簡化而成，第三種推論法和第一種相類似，只是其後件部分改由一般的線性式組成的。模糊推論大都采三段論法，可表示如下：
條件命題：If x is A then y is B
事實：x is A』
結論：y is B』
表示法中的條件命題相當於模糊控制中的模糊控制規則，前件部和後件部的關系，可以用模糊關系式來表達；至於推論演算，則是將模糊關系和模糊集合A』進行合成演算，得到模糊集合B』。推論演算法可以下式表示：
B』=A』。R
若前件部分含有多個命題時，則可表示如下：
條件命題：If x1 is A1 …. and xn is An
then y is B
事實：x is A』1 and ….and xn is A』n
結論：y is B』
這種模糊推論法其前件部用「」連結各命題，推論演算的過程則以模糊邏輯來結合前件部中各命題的模糊集合，故前件部的集合A可表示如下：
A=A1∩A2∩…. ∩An
=∩iAi
由(3.7)式可得到模糊集合A和後件部的模糊集合B，利用2.5節中模糊關系R的定義來求得條件命題的模糊關系，其隸屬度函數可用μR(x1,x2,….,xn,y)來表示。同樣地，事實部分的模糊集合A』，亦可表為：
A』=∩iAi
因此，以合成演算法可得到推論結果如下：
μB』(y)=μA』(x)。μR(x1,x2,….,xn,y)
本章將針對第一種和第三種推論法做介紹：
（1） 第一種推論法
為Mamdani教授最初所使用的方法，其所用的控制規則如下所述：
R1:If x1 is A11 and … and xn is A1n then y1 is B1
R2:If x1 is A21 and … and xn is A2n then y2 is B2
‧ ‧
‧ ‧
‧ ‧
Rn:If x1 is Am1 and … and xn is Amn then ym is Bm
其中Aij ,B i代表論域中的模糊集合。若使用模糊關系Rc和最大－最小合成的模糊推論，則推論結果可得到模糊集合Bi』的隸屬函數為：
(3.12)式中的值稱為前件部的適合度，因此藉由各條件命題的前件部，便可計算出各條模糊控制規則相對應的適合度。
在實行模糊控制時，將許多條適合的規則進行上述的推論演算，然後結合各個由演算法得到的推論結果來獲得模糊集合B』，在此先不談論解模糊化的方法，於下一小節再做討論。
(2)第三種推論法
此種推論法為日本Takagi和Sugano所提出，將Mamdani模糊推論法的命題後件部改為控制器輸出入的線性函數式，其模糊控制規則型式表示如下：
此種型態的模糊控制規則其前件部大多使用梯形隸屬度函數，而後件部的線性函數式亦可使用非線性函數式取代。若演算法則為Max-Min合成，則可得到如(3.12)式之適合度；若改采Max-proct合成，則可得到上模糊控制規則Ri對應條件命題前件部之適合度，如下所示：
控制規則Ri後件之值Yi可由下列求得：
綜合上述各控制規則得到的推論結果，經解模糊化程序後，便可得到明確的控制器輸出值。
這種模糊控制推論藉由多個線性函數式表示控制器的輸出入關系。將輸入變數空間作模糊分割，並平滑各分割空間接續的地方，而被平滑化的地方即模糊的區域。 在實行模糊控制時，將許多控制規則進行上述推論演算，然後結合各個由演算得到的推論結果獲得控制輸出；為了求得受控系統的輸出，必須將模糊集合B』解模糊化，在此將對三種常用解模糊化的方法做簡單的介紹：
(1)重心法
為模糊控制中段常用的方法，其定義為：
其中y°相當於模糊控制集合B』重心位置，圖3.5、3.6為圖解模糊關系Rc和最大－最小合成及重心法的推論演算過程。
(2) 高度法
亦為時常使用之解模糊化的方法之一，其定義為：
圖3.7為圖解使用高度法計算解模糊化值。
(3) 面積法
與重心法相類似，其定義為：

㈣ 模糊控制演算法是不是公認成熟演算法

用MATLAB編寫的離散模糊控製程序，結合本程序，我相信能能更快更好的理解模糊控制演算法。演算法在MATLAB Version: 7.14.0.739 (R2012a)運行無誤。 function [FCU_T1,FCU_T2,FCU_T3,FCU_T4]=fuzzy_table(Me,Mec,Mu,UC) % Me 隸屬度表1 % Mec 隸屬度表2 % Mu 隸屬度表3 % UC 模糊規則 % FCU_T1 重心加權法，輸出精確值 % FCU_T2 重心加權法，輸出離散值 % FCU_T3 重心加權法（對隸屬度平方），輸出離散值 % FCU_T4 最大隸屬度法 function [R,n,nE,nEC,nU,nfe,nfec,nfu]=fuzzy_relation(Me,Mec,Mu,UC) % Me 隸屬度表1 % Mec 隸屬度表2 % Mu 隸屬度表3 % UC 模糊規則 % R 表示全體規則構成的模糊關系 % n=nfe×nfec % nE 模糊變數E的語言值個數 % nEC 表示模糊變數EC的語言值個數 % nU 表示模糊變數U的語言值個數 % nfe 表示E的等級量個數,示例1中其論域為{-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6} % nfec 表示EC的等級量個數,示例1中其論域為{-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6} % nfu 表示U的等級量個數,示例1中其論域為{-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7} % Me 表示E的隸屬度表 % Mec 表示EC的隸屬度表 % Mu表示U的隸屬度表 % UC表示規則表 。。。

㈤ 求模糊控制演算法，匯編語言編寫的，關於溫度控制的！感謝

模糊控制比較常用的兩種演算法；普通模糊控制演算法，模糊PID控制演算法
普通模糊控制演算法：建立在人工經驗知識的基礎上，需要明確控制要求，並結合人工控制經驗，然後才可以做出實用的模糊控制演算法。雖然有很多樣板經驗表可以使用，但還需要根據實際控制對象做些修改，才可使用。
模糊PID控制演算法：對人工經驗要求的比較少，但需要結合PID控制經驗和現場試驗數據，才能做出好的控制演算法。
編程原理：只講普通模糊控制演算法，模糊PID自己去找資料，模糊PID太容易實現，故不再贅述。
下面一至六步，我只說了一些計算過程，它們可以使用matlab完成，實現起來比較簡單，只把matlab計算得到的表格放到模糊控製程序里即可，也就是說藉助matlab編寫模糊控制演算法只需要進行第一、二、七步的操作。
第一步：收集模糊經驗，分條列出，可以暫時使用樣板經驗表（經驗表和分條列出的經驗是相通的）。
第二步：確定各模糊集合隸屬度函數
第三步：取一組輸入輸出數據組合，它們中的各元素，按照一條模糊規則中模糊變數組合和各自隸屬度函數分別模糊化，然後各變數通過模糊運算得到一個值，這個值就是當前組合對當前規則的匹配度。同樣，算出這個數據組合對其餘各條模糊規則的匹配程度，也就是匹配值。最後對每個匹配值，進行模糊或運算，得到的數據u
第四步：分別取各輸入輸出數據組合進行第三步操作，然後得到一個n維表（n為輸入，輸出變數個數），每個單元對應一個數據組合，單元中的取值對應數據組合的u值（u的演算法參考第三步）
第五步：任取一組輸入組合，遍歷輸出值，根據第四步的表格得到對應的一組u值，根據下面公式計算輸出：y=/其中yi是第i個可能的輸出量取值，ui是與yi對應的u值。
第六步：對每一組可能的輸入組合，得到各自的輸出值y，然後把他們列出一個表，大功即成。這個表就是輸入與輸出的映射表。前幾步的目的就是得到這個表，我們稱之為模糊控制查詢表。
第七步：編寫模糊控制查詢表的查詢程序，亦可以看成模糊控制演算法計算程序，其實就是一個查表程序。到此模糊控制演算法編寫完成。
模糊控制過程中，首先採集數據，離散化，查表得到輸出值，輸出查表所得的輸出值，模糊控制器工作完成。
其實對復雜控制系統，模糊控制的難點在於模糊經驗的收集與修正。

㈥ 模糊控制演算法是什麼

模糊控制技術是利用模糊控制演算法控制變頻器的電壓和頻率的一種技術，通過模糊控制技術可使被控電動機的升速時間得到控制，以避免升速過快對電動機使用壽命的影響以及升速過慢而影響工作效率。

㈦ 什麼叫模糊控制演算法

模糊控制技術是利用模糊控制演算法控制變頻器的電壓和頻率的一種技術，通過模糊控制技術可使被控電動機的升速時間得到控制，以避免升速過快對電動機使用壽命的影響以及升速過慢而影響工作效率。

㈧ 單片機與模糊控制演算法

哈哈，這不用模糊演算法也能做哦：P
如果要求不高，就根本不需要反饋控制
1,
加低通濾波器。其實加一個大電容就行。
2,
在這開關電源之後還需要接一個可調穩壓電路，如果電流不大(1A以內)可用可調三端集成穩壓器LM317，應用電路網上有很多，麻煩你找找吧~你可以看見它調節輸出電壓要用一個可變電阻。用單片機控制電壓輸出時，把這個可變電阻換成數字電位計(應用電路網上有很多，麻煩你找找吧~)就好了~
如果電流更大，用線性穩壓器會嚴重發熱，只好用單片機和外圍元件做DC-DC降壓了。如果有不懂的歡迎再問。