Fuzzy Logic Toolbox

Fuzzy Logic Toolbox proporciona funciones de MATLAB, aplicaciones y un bloque de Simulink para analizar, diseñar y simular sistemas de lógica difusa, incluidos sistemas de inferencia difusa de tipo 1 y tipo 2.

Puede implementar sistemas de inferencia difusa Mamdani y Sugeno de tipo 1 y tipo 2 (de intervalo), convertir entre ellos y construir sistemas complejos mediante árboles difusos que interconectan sistemas difusos más pequeños.

Utilice la aplicación Fuzzy Logic Designer o las funciones de línea de comandos para definir variables de entrada y salida, funciones de pertenencia y reglas difusas si-entonces, y posteriormente evaluar el sistema utilizando múltiples combinaciones de entradas.

Sí. Puede ajustar los parámetros de las funciones de pertenencia y las reglas a partir de datos utilizando algoritmos genéticos, optimización por enjambre de partículas (particle swarm optimization), otros métodos de Global Optimization Toolbox o técnicas de aprendizaje neuroadaptativo para sistemas Sugeno.

Utilice el bloque Fuzzy Logic Controller para evaluar y probar el sistema de inferencia difusa como parte de un modelo de sistema más amplio destinado a simulación y generación de código.

Puede generar ejecutables independientes, código C/C++ mediante MATLAB Coder o Simulink Coder, o código IEC 61131-3 Structured Text utilizando Simulink PLC Coder para desplegar sistemas de lógica difusa.

La lógica difusa tipo 2 permite crear y evaluar sistemas de inferencia difusa de intervalo tipo 2, incorporando incertidumbre adicional en las funciones de pertenencia, mediante la aplicación Fuzzy Logic Designer o las funciones de la toolbox.

Sí. Puede utilizar sistemas de inferencia difusa como sistemas de apoyo para explicar modelos de IA de caja negra (black-box), interpretando los procesos de toma de decisiones mediante bases de reglas explicables.

Utilice la lógica difusa cuando el comportamiento de control dependa de razonamiento heurístico o basado en la experiencia, cuando las condiciones de operación varíen significativamente entre distintos regímenes, cuando el gain scheduling resulte difícil de gestionar o cuando múltiples factores contextuales deban influir simultáneamente en las decisiones.

Los controladores difusos permiten codificar el conocimiento experto mediante reglas interpretables si-entonces, sin necesidad de disponer de un modelo matemático explícito de la planta.

Utilice la lógica difusa cuando los conjuntos de datos sean limitados, cuando se requiera explicabilidad y transparencia en la toma de decisiones, cuando los ingenieros necesiten control directo sobre el comportamiento del sistema o cuando los procesos de validación y certificación exijan una lógica interpretable.

A diferencia de muchos modelos de Machine Learning, los sistemas de inferencia difusa proporcionan bases de reglas legibles por humanos, que pueden ser inspeccionadas, verificadas y modificadas por expertos del dominio.

Sí. Los sistemas de inferencia difusa son especialmente adecuados para la lógica de control de supervisión, que coordina múltiples modos de funcionamiento, gestiona transiciones suaves entre condiciones operativas y combina múltiples objetivos de control, especialmente cuando la lógica de conmutación depende de condiciones cualitativas o inciertas.