简介：「模糊控制及自适应模糊器设计」面向自动化与控制工程方向的学生、MATLAB 实践者，围绕输入模糊化、模糊规则库、模糊推理与去模糊化四个环节，演示如何构建可在线调整规则权重与隶属度函数的自适应模糊控制器，适用于课程设计、课题复现与算法入门。压缩包共 426 个文件、约 6.51MB，以 216 个 mat 数据文件、10 个 slx 仿真模型、9 个 fis 模糊系统文件和 4 个 m 脚本为主体，另含 png、gif 图示与 html、css 报告页面，可直接在 Simulink 中运行并观察推理过程。已有 2308 人学习下载。读者可对照现成模型与脚本，理解模糊规则构建、推理运算、自适应机制与学习过程如何协同工作，并借助仿真结果检验控制效果，为动态环境下的控制器调试积累可复用的参考。
1. 模糊控制：一组不精确的规则，凭什么能稳住精确的系统
第一次看到模糊控制器的规则表，很多开发者会想：这也太不严谨了。“误差大就使劲推”“误差中等就轻点推”，这种措辞放在 PID 的三项系数面前简直像草稿纸上的备忘。可偏偏就是这张表，在被控对象的传递函数拿不到、模型里带着死区和回差的情况下，把一堆非线性设备稳住了。反直觉的地方不在规则本身：模糊控制器从来不是一个说不清的经验黑匣子，它是一族参数化的函数逼近器，只要隶属函数铺得够密，它能在紧集上以任意精度逼近任意连续控制律。adaptive fuzzy controller 做的事，就是把这个逼近器的后件参数从“人工整定”改成“跟着误差在线学”。把这条从规则到参数的链路搞清楚，才能明白它为什么敢在模型未知时上场。
2. 从规则到电压：模糊推理机到底在算什么
模糊控制器表面上是“语言变量 + if-then”，实质上是一次从输入空间到输出空间的非线性插值。理解这一点，后面所有关于自适应、稳定性、参数漂移的讨论才有落脚点。这一章把一次控制输出的完整链路拆开：输入怎么变成隶属度、隶属度怎么变成规则激活强度、激活强度又怎么合成一个具体的数值。
2.1 隶属函数：把“有点冷”翻译成一条曲线
经典集合里，一个元素要么属于某个集合，要么不属于，特征函数只取 0 和 1。模糊集合把这两个值之间填满：论域 U 上的一个模糊集 A 由隶属函数 μ_A: U → [0,1] 定义，μ_A(x) 越大，说明 x 越“像”A 描述的那个概念。工程上最常用的三种形状是三角形、梯形和高斯型，选哪个没有理论上的高下之分，只有计算量和可微性的差别——三角形算得快、天然分段线性，高斯型处处可导、在梯度类自适应律里更友好。
设计隶属函数时真正要盯的只有一个指标：相邻模糊集的交叠程度。假设在归一化论域 [-1, 1] 上铺 7 个三角形，峰值分别落在 -1、-0.667、-0.333、0、0.333、0.667、1，半宽取 0.333，那么相邻两个三角形的交点高度正好是 0.5。这个 0.5 不是随便挑的：交得太低（比如 0.1），输入落在两个峰值中间时两条规则的激活强度都很弱，输出会出现一段“谁都不管”的空档；交得太高，又会让相邻规则长期同时激活，把本该分明的规则表糊成一锅粥。工程上常用的经验区间是交点高度 0.3～0.7，配合“完备性”约束——论域内任意一点，至少有一条规则的激活强度明显大于零。完备性一旦被破坏，控制器就会在某个输入区间里输出零或者保持上一拍的值，表现出来就是稳态死区，这也是后面避坑章节里反复出现的一类问题。
还有一步常被忽略：输入归一化。误差 e 的物理范围可能是 [-0.02, 0.02]，误差变化率 ė 可能是 [-50, 50]，如果直接拿这两路信号去喂同一套固定论域的隶属函数，ė 那一维基本全程饱和在两端，隶属度不是 1 就是 0，模糊推理退化成硬切换。正确的做法是每一维单独做尺度变换（gain scheduling 里的 input scaling factor），把它们各自压到 [-1, 1] 附近，这个缩放系数本身就是个需要整定的参数。
2.2 三条链路：模糊化、推理合成、去模糊
一次完整的模糊推理可以拆成四步，中间两步常被合并着叫“推理”。
第一步是模糊化：清晰输入 x = [x₁, …, xₙ] 经过隶属函数，得到每个输入维度上各个模糊集的隶属度 μ_{A_i^j}(x_i)。第二步是前件合成：对第 i 条规则IF x₁ is A₁^j AND x₂ is A₂^k THEN …，用 t-范数把各维隶属度合成一个标量激活强度 w_i。最常用的两种 t-范数是取小（min）和乘积（product）。第三步是聚合：把所有规则的输出合成为一个总的模糊集，常用取大（max）或者有界和。第四步是去模糊：把这个模糊集还原成一个清晰的控制量。
如果后件用的是单点（singleton）模糊集，峰值记作 ȳ_i，那么重心法去模糊会退化成一个非常干净的加权平均：
u = Σᵢ wᵢ · ȳᵢ / Σᵢ wᵢ
这个式子值得多看一眼。把 wᵢ 换成径向基函数的激活值、把 ȳᵢ 换成输出层权重，它和 RBF 网络的输出形式一模一样。这不是巧合：归一化的模糊基函数和径向基在数学上属于同一族逼近器，区别只在于基函数的形状是三角形的、高斯的还是别的，以及归一化方式。所以后面讲自适应律时，完全可以直接借用神经网络控制的整套稳定性工具，一行都不用改。
去模糊还有几种变体：高度法只取每条规则后件模糊集的峰值做加权，计算最省；面积中心法要对聚合后的模糊集做数值积分，精度高但慢，规则数一多基本没法上实时系统；加权平均法介于两者之间。选哪种，本质是在“精度”和“每毫秒能算多少条规则”之间做交换。
2.3 Mamdani 与 T-S：两种世界观，两种代价
后件的形式决定了整个控制器的性格，这也是模糊控制领域最经典的一次分岔。
Mamdani 型的后件仍然是模糊集，THEN u is BIG里的 BIG 是一条隶属函数曲线。它的好处是可解释性极强，规则能直接翻译成人话，适合做专家知识的载体；代价是去模糊必须做聚合和积分，规则数一多，单次推理的计算量会成倍上升，而且后件模糊集的形状本身也是待定参数，整定维度高。
T-S 型（Takagi-Sugeno）把后件换成了输入的线性函数：IF x₁ is A₁ THEN y = p₀ + p₁x₁ + p₂x₂。输出直接是
y = Σᵢ wᵢ(x) · (pᵢ₀ + pᵢ₁x₁ + …) / Σᵢ wᵢ(x)
看出来了吗，这是一个局部线性模型的凸组合——每条规则在自己激活的区域里负责一个线性近似，全局输出是这些线性模型的加权混合。这个结构在自适应控制里几乎是量身定做的：后件参数 p 以线性方式出现在输出里，对 p 求偏导就是 wᵢ/Σwⱼ，梯度是解析可得的，Lyapunov 设计里那些“参数线性化”的推导才能顺利走通。代价是可解释性变弱，一条y = 2.3x₁ - 0.7的规则没人能一眼读懂它在说什么。
一条实用的选择原则：如果目标是把人的经验固化下来，用 Mamdani；如果目标是在线学习未知非线性，用 T-S 或者单点后件加归一化基函数。后者在自适应模糊控制器的文献和工程实现里占绝对主流，原因不是它更“先进”，而是它的参数结构对稳定性证明友好得多。
3. 自适应模糊器：当规则表本身成了待估参数
固定规则表的模糊控制器，本质是开环整定——你得事先知道大概该往哪个方向推、推多狠。一旦对象参数漂移、负载变化、执行机构老化，这张表就不再匹配。自适应模糊器换了个思路：规则的结构（前件隶属函数的位置和形状）预先给定，规则的后件参数留给在线学习，用跟踪误差反过来驱动参数更新。这一章讲清楚三件事：模糊系统凭什么能当估计器、更新律是怎么从稳定性条件里反推出来的、以及为什么裸的更新律一定会出问题。
3.1 万能逼近定理：模糊系统凭什么能当估计器
模糊控制领域最核心的一条理论结果是万能逼近定理，它的表述很朴素：设 f(x) 是紧集 U ⊂ Rⁿ 上的连续函数，对任意给定的 ε > 0，一定存在一个形如
ŷ = θᵀξ(x)
的模糊系统，使得 sup_{x∈U} |f(x) − ŷ(x)| < ε。其中 ξ(x) 是归一化模糊基函数向量，θ 是后件参数向量。也就是说，只要规则铺得足够密，模糊系统能逼近紧集上的任意连续函数，误差可以做到任意小。
这条定理给了设计者底气，但它有三个必须读出来的限制。第一，ε 不会自动等于零。规则数有限时，逼近误差 ω = f(x) − θᵀξ(x) 是一个实实在在的残差项，它会在误差动态里以“外部扰动”的身份出现，最终决定稳态误差的量级，这一点在第 3.2 节的推导里会看得很清楚。第二，收敛速度跟着输入维数走。n 个输入、每维 m 个模糊集，规则数是 mⁿ——4 维输入、每维 5 个集合，就是 625 条规则；每维 7 个集合，直接飙到 2401 条。这是标准的维数灾难，跟 RBF 网络、多项式逼近遇到的墙是同一堵。第三，定理说的是存在性，不是可构造性。它保证了 θ存在，但没告诉你 θ* 在哪，所以才需要在线自适应去找它。
工程上对付维数灾难有几条常见路子：把输入维度压缩到 2 维（误差 + 误差变化率是最经典的组合），用分层模糊系统（hierarchical fuzzy system）把 n 维拆成多个 2 维子系统串联，或者干脆只在关键工况附近局部加密规则。这几种做法都会损失全局逼近能力，属于用精度换实时性的典型取舍。
3.2 从 Lyapunov 函数反推自适应律
自适应律不是拍脑袋想出来的，它是从稳定性条件里“解”出来的。走一遍标准的推导，就能看到每一步的动机。
考虑一类常见的单输入单输出非线性系统：
ẋ = f(x) + g(x)·u
x 是状态（通常就取输出及其导数），f 和 g 是未知的连续函数，g(x) 的符号已知且满足 |g(x)| ≥ g_min > 0。控制目标是让 x 跟踪一条光滑的参考轨迹 y_d。
如果 f、g 都已知，标准的反馈线性化控制律是
u= (1/g)·(−f + ẏ_d + k·e)*，其中 e = y_d − x，k > 0
代入后误差动态变成 ė = −k·e，指数收敛。问题是 f 未知，于是用模糊系统去逼近它：f̂(x) = θᵀξ(x)，把 f 替换成 f̂，得到实际控制律
u = (1/g)·(−θᵀξ(x) + ẏ_d + k·e)
再代回去，误差动态变成
ė = −k·e + (θ− θ)ᵀξ(x) + ω(x)*
其中 θ* 是理想参数，φ = θ* − θ 是参数误差，ω 是逼近误差。现在取 Lyapunov 函数
V = ½e² + (1/2γ)·φᵀφ，γ > 0 是学习率
求导：
V̇ = e·ė + (1/γ)·φᵀφ̇ = −k·e² + φᵀ·(e·ξ − θ̇/γ) + e·ω
要让 V̇ 尽量负，最直接的办法是把括号里那一项消掉，于是得到
θ̇ = γ·e·ξ(x)
这就是最经典的自适应律。代入后 V̇ = −k·e² + e·ω ≤ −k·e² + |e|·ω_max，只要 |e| > ω_max/k，V̇ 就是负的。结论是一致最终有界（uniformly ultimately bounded），误差最终收敛到半径 ω_max/k 的球内，而不是严格收敛到零。
这个“收敛到球内”的结论看起来不够漂亮，却恰恰是整套设计最诚实的部分。它把两个可调的量摆到了台面上：想让稳态误差小，要么加大 k（提高反馈增益，代价是带宽上升、噪声放大、可能激发未建模高频动态），要么减小 ω_max（加规则、提高逼近精度，代价是计算量和维数灾难）。这就是自适应模糊控制里那条绕不开的权衡线，后面第 5 章讲的设计取舍都是围着它转。
顺带一提，如果 g(x) 也未知，可以再引入一个模糊系统去逼近 g，或者用投影把 ĝ 限制在远离零的区间内。前者多一组自适应律，后者简单粗暴但更稳，工程实现里后者用得更多。
3.3 投影算子：给参数装一道护栏
上面那组推导有一个容易被跳过的漏洞：Lyapunov 分析只证明了 V 有界，而 V 里有 ||φ||² 这一项，所以它顺带证明了参数误差有界——但前提是 ω 有界而且系统确实按假设运行。一旦实际系统里存在未建模的持续扰动、采样噪声、执行器饱和，e 就会长期偏离零，θ̇ = γ·e·ξ 会一直积分下去，参数缓慢漂移，直到输出饱和或者系统失稳。这种现象叫参数漂移（parameter drift），在自适应控制里是老牌的翻车点。
工程上有两种防护方法。第一种是投影算子（projection operator）：预先给每个参数划一个凸紧集 Ω = [θ_min, θ_max]，更新时如果参数已经贴在边界上、而更新方向还在往外指，就把那个方向的分量置零，只保留切向分量。数学上写成
Proj(θ, τ)ᵢ = 0，若 (θᵢ ≤ θ_min 且 τᵢ < 0) 或 (θᵢ ≥ θ_max 且 τᵢ > 0)；否则 = τᵢ
这个操作保证了 θ 永远留在 Ω 内，而且不破坏 Lyapunov 函数单调下降的性质——因为在边界上做切向投影不会让 V̇ 变正。
第二种是σ 修正（leakage term）：把更新律改成 θ̇ = γ·(e·ξ − σ·θ)，加一个把参数往原点拉的阻尼项。σ 很小（比如 0.01 量级）时几乎不影响正常学习，但在持续扰动下能有效阻止无界增长。它的代价是引入了一个有偏的稳态解——参数会被拉向原点一点点，逼近精度略微下降。
两条路可以叠加使用，实际系统里我一般会两个都上，因为它们的失效模式不一样：投影防的是“参数跑出界”，σ 修正防的是“参数在小范围内缓慢爬行”。
4. 代码级实现：一个能跑的最小自适应模糊控制器
理论推到这一步，剩下的是把它落到可以运行的代码上。这一章给出一套用 Python 和 NumPy 写的最小实现，包含基函数构造、带投影的自适应律、以及一个完整的仿真主循环。代码刻意写得扁平，为的是让每一步都能对应上前面章节里的公式。
4.1 归一化模糊基函数向量的构造
先看基函数。这里的实现用三角形隶属函数，每维独立铺点，规则前件用乘积合成，最后做归一化。
import numpy as np def tri_mf(x, a, b, c): """三角形隶属函数：a 左端点，b 峰值点，c 右端点""" left = (x - a) / (b - a) if b > a else 1.0 right = (c - x) / (c - b) if c > b else 1.0 return np.clip(np.minimum(left, right), 0.0, 1.0) class FBF: """归一化模糊基函数：输入向量 -> 规则激活强度向量""" def __init__(self, centers, half_width): # centers: shape (n_in, n_sets)，每个输入维度上各模糊集的中心 self.c = np.asarray(centers, dtype=float) self.w = np.asarray(half_width, dtype=float) def mu(self, x): # x: (n_in,) -> (n_in, n_sets) 的隶属度矩阵 d = np.abs(np.asarray(x, dtype=float)[:, None] - self.c) / self.w return np.clip(1.0 - d, 0.0, 1.0) def __call__(self, x): m = self.mu(x) # (n_in, n_sets) prod = m.prod(axis=0) # 规则前件乘积，shape (n_sets,) s = prod.sum() # 归一化后 sum(xi) == 1，输出必为后件参数的凸组合 return prod / s if s > 1e-12 else np.zeros_like(prod)centers的每一行对应一个输入维度上的模糊集中心点，half_width控制三角形的宽度。举个例子：2 个输入、每维 5 个模糊集，centers的形状是 (2, 5)，但规则的完整组合是 5×5 = 25 条——这里要注意，mu返回的是逐维的隶属度矩阵，真正把“每个输入维度上的模糊集”组合成“规则”的那一步，需要在__call__里做笛卡尔积。上面的简化版本假设规则就是逐维一一对应（每维模糊集数量必须相同），如果要支持任意组合，把prod那一步换成对笛卡尔积索引取乘积即可。
最后那个归一化除法的意义值得强调：它保证了 ξ 的各分量非负且和为 1，于是输出 θᵀξ 一定落在后件参数的凸包内，输出天然有界，不会因为某条规则激活强度突然变大而爆掉。同时 ||ξ||∞ ≤ 1，这让自适应律里的学习率 γ 有个统一的整定量纲，不用随规则数反复重调。
4.2 自适应律的离散化与数值稳定性
连续律 θ̇ = γ·e·ξ 落到数字系统里要离散化，最直接的是前向欧拉：
def proj(theta, grad, lo, hi): """投影算子：把更新方向投影到 [lo, hi] 的切空间上""" out = grad.copy() out[(theta <= lo) & (grad < 0)] = 0.0 # 贴下界且还在往下走，截断 out[(theta >= hi) & (grad > 0)] = 0.0 # 贴上界且还在往上走，截断 return out class AdaptiveFuzzy: def __init__(self, fbf, n_rule, gamma=5.0, dt=1e-3, theta_max=20.0, dead_zone=1e-3): self.fbf = fbf self.theta = np.zeros(n_rule) # 后件参数，初值给零 self.gamma = gamma # 学习率，离散稳定性主要由它决定 self.dt = dt # 控制周期 self.tmax = theta_max # 投影边界 self.dz = dead_zone # 误差死区，防止学噪声 def control(self, x, e, y_d_next, k=8.0, g=1.0): xi = self.fbf(x) f_hat = float(self.theta @ xi) # 模糊系统估计的未知项 u = (y_d_next + k * e - f_hat) / g # 反馈线性化控制律 # 死区 + 投影，两道护栏缺一不可 if abs(e) > self.dz: d_theta = self.gamma * e * xi d_theta = proj(self.theta, d_theta, -self.tmax, self.tmax) self.theta += self.dt * d_theta return u, xicontrol方法对应第 3.2 节的公式：f_hat是 f̂(x)，k是反馈增益，g是控制增益的估计值。参数上要留意的有几个：gamma太大，离散化后 λ = dt·γ·||ξ||² 可能超过 1，参数会在两拍之间来回跳；dt必须和实际控制周期一致，写成固定值而实际调度抖动大，等价于给系统加了一个时变延迟；theta_max要按物理量级估，估得太松等于没投影，估得太紧则逼近能力被砍掉。dead_zone是我个人强烈建议保留的一项——稳态时 e 只剩噪声，自适应律会把噪声当成模型误差持续积分，参数就会缓慢变化，而这个变化没有任何好处。
4.3 怎么看它到底学没学会：三条观测曲线
自适应控制器最麻烦的地方在于它“看起来在工作”和“真的在工作”之间差别很大。判断学习是否有效，我一般盯三条曲线。
第一条是参数范数 ||θ||。健康的曲线应该在前几秒快速上升，然后趋于平缓；如果它单调增长没有拐点，说明更新律在没有约束地累积，多半是逼近误差被误当成模型误差学习进去了。第二条是跟踪误差 e 的包络。注意看它的稳态值是否落在一个小的常值附近，而不是缓慢爬升——缓慢爬升往往意味着某个参数正在逐渐漂移。第三条最容易忽略：基函数激活分布。统计一段时间内 ξ 的熵，如果长期只有一个分量接近 1、其余全为 0，说明输入始终落在某个中心点附近，模糊系统退化成了查表，根本没有在做插值，这时候自适应学到的只是一堆局部偏置。
还可以再加一条：把 θ 的变化量和 e 的符号放在同一张图上，看它们是否同相位。理论上 θ̇ = γ·e·ξ，e 变号时 θ 的更新方向也该跟着变。如果两者不同步，八成是采样延迟导致 e 用错了拍，这在实时系统里很常见。
5. 避坑与排查：几条来自调试现场的经验
自适应模糊控制器的调试过程里，现象和原因之间的距离往往比想象中远。下面几条是实际系统里反复碰到的问题，按“现象 → 原因 → 解决”整理，都是调试时容易忽略的细节。
5.1 现象：稳态输出抖成锯齿，示波器上看像 PWM
现象很典型：跟踪误差的大趋势是收敛的，但稳态时输出叠加了一层高频小幅抖动，幅度大概在满量程的 1%～3%，频率接近控制周期。加大低通滤波能压下去一点，但会引入相位滞后。
原因通常出在隶属函数的交叠上。相邻两个三角形的交点高度如果低于 0.2，输入在两个中心之间移动时，两条规则的激活强度会快速交替——一个从 0.9 掉到 0.05，另一个从 0.05 涨到 0.9，中间那段的合成输出不是平滑过渡，而是接近阶跃。再叠加上输入信号里的噪声，输出就会在两个值之间反复横跳。另一种可能是去模糊用了高度法而没有做归一化，规则数少的时候尤其明显。
解决的办法是先把相邻交点高度调回 0.3～0.5，也就是把半宽调大，让三角形互相压住一部分。如果输入噪声本身就大，可以在模糊化之前加一级一阶低通，截止频率取控制带宽的 5～10 倍，既能滤掉高频又不会明显影响相位。改完之后一定要重新看一遍动态响应，交叠加大会让控制器的等效增益略微下降，原来整定好的 k 可能需要补一点。
5.2 现象：参数范数一路增长，输出最终饱和到限幅
运
本文还有配套的精品资源，点击获取
