这里推荐搭建先看这个ppt，再看后面matlab的实现，这样你会很清晰，为了赚点积分，这里设置一下积分，抱歉大家了。
模糊逻辑的描述
近年来，模糊逻辑的应用数量和种类已大大增加。应用范围从消费产品（例如相机，便携式摄像机，洗衣机和微波炉）到工业过程控制，医疗仪器，决策支持系统和产品组合选择。
要了解为什么增加了模糊逻辑的使用，您必须首先了解模糊逻辑的含义。
模糊逻辑有两种不同的含义。从狭义上讲，模糊逻辑是一个逻辑系统，是多值逻辑的扩展。但是，从广义上讲，模糊逻辑（FL）几乎与模糊集理论同义，模糊集理论涉及具有不清晰边界的对象类，其中隶属度是一个问题。从这个角度来看，模糊逻辑的狭义含义是FL的一个分支。即使模糊逻辑的定义比较狭窄，其概念和实质也与传统的多值逻辑系统不同。
在Fuzzy Logic Toolbox™软件中，模糊逻辑应解释为FL，即广义上的模糊逻辑。在模糊逻辑基础中非常清楚地解释了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，其值是单词而不是数字的变量。实际上，FL的大部分可以被视为一种使用单词而不是数字进行计算的方法。尽管单词本质上不如数字精确，但是它们的使用更接近于人类的直觉。此外，用文字进行计算会利用不精确的容忍度，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应用中起着核心作用，它是模糊的if-then规则或简单的模糊规则。尽管基于规则的系统在人工智能（AI）中的使用已有很长的历史，但此类系统中缺少的是一种处理模糊结果和模糊先例的机制。在模糊逻辑中，这种机制由模糊规则的演算提供。模糊规则的演算可作为所谓的模糊依赖和命令语言（FDCL）的基础。尽管FDCL没有在工具箱中明确使用，但它实际上是其主要组成部分之一。在模糊逻辑的大多数应用中，实际上，模糊逻辑解决方案是将人类解决方案转换为FDCL。
可见性的趋势与模糊逻辑结合神经计算和遗传算法的使用有关。更一般地，模糊逻辑，神经计算和遗传算法可以被视为所谓的软计算的主要组成部分。与传统的硬计算不同，软计算可以适应现实世界的不精确性。软计算的指导原则是：利用不精确性，不确定性和部分真理的容忍度，以实现可处理性，鲁棒性和较低的解决方案成本。将来，软计算在MIQ（机器IQ）远高于传统方法设计的系统的系统的概念和设计中将扮演越来越重要的角色。
在软计算方法的各种组合中，目前具有最高可见性的是模糊逻辑和神经计算，从而导致了神经模糊系统。在模糊逻辑中，这样的系统在根据观察结果推导规则方面起着特别重要的作用。Roger Jang博士为此目的开发的一种有效方法称为ANFIS（自适应神经模糊推理系统）。此方法是工具箱的重要组成部分。
模糊逻辑全都与精度的相对重要性有关：当一个粗略的答案可以做到时，正确正确到底有多重要？
您可以使用MATLAB模糊逻辑工具箱软件®技术计算软件作为解决与模糊逻辑问题的工具。模糊逻辑是一个引人入胜的研究领域，因为它在权衡重要性和精确度之间做出了出色的工作，这是人类已经管理了很长时间的事情。
从这个意义上讲，模糊逻辑是古老而又新的，因为尽管模糊逻辑的现代和方法科学还很年轻，但是模糊逻辑的概念仍依赖于人类推理的古老技能。
模糊逻辑是将输入空间映射到输出空间的便捷方法。将输入映射到输出是一切的起点。请考虑以下示例：
-
有了有关您在餐馆的服务质量如何的信息，模糊逻辑系统可以告诉您小费应该是多少。
-
根据您想要的水温规格，模糊逻辑系统可以将水龙头阀门调整到正确的设置。
-
借助有关照片主题距离的信息，模糊逻辑系统可以为您对焦。
-
借助有关汽车行驶速度和电动机工作强度的信息，模糊逻辑系统可以为您换挡。
下图显示了输入输出映射的图形示例。
为了确定适当的小费数量，需要将输入映射到适当的输出。在输入和输出之间，上图显示了一个黑框，其中可以包含许多东西：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，甚至是精神顾问，仅用于列举一些可能的选项。显然，这个清单可以继续下去。
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洛菲·扎德（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普通人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。
何时不使用模糊逻辑
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