1、由于s12xs没有了模糊指令，使单片机运用模糊控制增加了不少难度，但经过研究发现，还是可以通过matlab接口来实现的，本人也在努力中，希望有更多的人来共同研究~对于实际模糊控制系统,由于在高级语言中模糊控制程序的实现比较复杂,因此引入模糊控制存在一定的困难,程序代码的过于复杂也会严重影响模糊控制系统的开发周期。
而Matlab 系统及其工具箱中提供了一些能够独立完成某些Matlab功能的C/C++库函数，这些库函数可以直接应用到C/C++平台中，脱离系统完成Matlab 某些功能，极大的方便了实际应用。
Matlab Fuzzy Logic 工具箱的独立C代码就是一个这样的C 语言库[1]。
独立的C 代码模糊推理引擎函数库fis.c 位于Matlab 目录下的toolbox\fuzzy\fuzzy 目录中，它包含了在C 语言环境下调用Matlab Fuzzy Logic工具箱建立的模糊推理系统的数据文件(*.fis)进行模糊逻辑推理的一系列C 函数，其基本原理是利用C 代码实现Matlab 中的模糊推理系统(FIS)功能。
该目录下还有一个C 代码程序fismain.c,它实际上是利用fis.c 库函数来实现模糊推理系统的一个实例。
正确地熟悉了fis.c 库函数中的函数定义，在应用程序中正确调用，即可实现模糊推理系统功能。
例如，从Matlab 的模糊推理系统文件(*.fis)读入系统数据，可用下面的语句：fisMatrix＝returnFismatrix(fis_file,&fis_row_n,&fis_col_n)；建立基于C 代码的模糊推理系统，可用下面的语句：fisBuildFisNode(fis,fisMatrix,fis_col_n,MF_POINT_N)。
但是需要说明的是，在独立C代码函数库fis.c 中只定义了Matlab Fuzzy Logic工具箱的11 种隶属函数以及AND、OR、IMP 和AGG 四种逻辑操作函数。
所以在利用Matlab 的模糊逻辑工具箱建立用于独立C 代码引擎的模糊推理系统时，不允许采用自定义的隶属度函数和逻辑操作函数来设计系统，除非修改fis.c 函数库[2]。
设计基于独立的C 代码模糊推理引擎的模糊控制程序主要有以下两个步骤：(1) 利用Matlab 的模糊逻辑工具箱建立一个模糊推理系统，并将系统存为扩展名为fis 的数据文件。
注意只能使用Matlab 定义的隶属度函数和逻辑操作函数，(2) 在C 语言应用程序中实现Matlab 中定义的模糊推理系统功能。
两者之间的接口就是独立C 代码模糊推理引擎函数库fis.c。
2、基于S12的模糊控制调试心得小可不才在博客发了一篇有关S12的模糊控制的日志（《MC9S12DG128模糊控制崩溃之旅》）。
并跟一些志同道合的网友展开了较为深入的讨论。
现应部分网友同仁的要求将我调试成功的心得体会写在如下，由于本人也只是懂得一些皮毛，而且有很多问题并未深究，难免有不妥或错误之处，还请各位包涵并指正，谢谢！在此以飞思卡尔智能小车的方向控制为例，文中可能会提到一些变量，但不会对该变量作深入的探究，敬请原谅！首先必须明确你的被控量是什么？它的变化范围（即论域）多大？它是不是可以由S12的模糊机输出？隶属度函数是什么类型的？然后是模糊控制的两个输入量是什么？它们的论域是多大？是否要量化？隶属度函数是什么类型的？在这里，被控量是小车转角，向上回朔是舵机的转角，再向上就是用来控制舵机的PWM波的占空比，也就是说你的被控量是PWM波的占空比；一旦你的舵机安装方式确定后，小车前轮的左右极限转角也就定死了，也就是说你的PWM波的占空比的变化范围也就确定了，即被控量的论域确定了，以我的为例是1225到1725，显然S12的模糊机无法直接输出这么大的数值，在此对于输出量的隶属度函数我选用的是单值的，对应9个等级（0-8），即对应9个PWM占空比值，即对应9个角度值。
模糊语言等级、输出等级以及实际PWM占空比值的对应关系如下。
该对应关系在代码中就是：//输出角度等级的隶属度函数const uchar OUTPUT_MFS[9]={0,1,2,3,4,5,6,7,8};如果说你要的输出量是一个浮点型的，即带小数。
我通常采用的方法是将输出量同比增大10倍或是100倍，如果允许增大那么多倍的话。
这样你的输出就可以是uchar的拉，要还原成小数的话，只要在后续的运算中相应地除以10或100.输出确定之后，你可以先不管模糊控制的中间过程，而是应该先确定你的控制输入量。
在此选择了赛道黑线的弯曲程度（curve）以及车体的位置（av_loca）。
经实际测量发现它们的论域分别是curve：-32—32；av_loca：0—80。
当然我在测量时没有穷尽所有的情况，所以curve 的论域可能比上面还要大，但是实际上用上面的论域来做控制以及足够了，因此在程序中加了一段防止论域溢出的代码。
//防止越界if(curve < -32) curve = -32;else if(curve > 32) curve = 32;在建立输入量的隶属度函数时，我选用的是三角函数。
至于为什么要选三角函数，它相对于其他类型的函数有什么优缺点并未深究。
当划分好模糊等级后，便是量化输入，在此推荐将输入量经行量化，为什么要量化？我的理解是：由于有两个输入量，且它们的论域不一样，为了保证它们在进行模糊计算时的横、纵坐标的变化范围能保持一致，这样有利于计算前、后沿斜率。
而且很多时候输入量是小数，那就更要量化了。
仅是我个人的体会，或许不对。
对于curve的量化过程如下：fuzzy_input_1 = (uchar)((curve + 32) << 2);同样要防止越界，因为uchar型的范围是0—255.由于如何建立一个较好的隶属度函数，实际上是比较难的，在此只是一个示意。
有关有网友提出精确的输入是如何对应到论域中去的。
我的理解是这样：以上图为例，如果输入的精确值是6，那么它肯定对应就是小右这个等级，但是如果是4，那就要看4为小右的比例大还是零的比例大了。
也就是说跟你的隶属度函数有关了。
好了，关于输入、输出量总结一下：确定它的论域；划分好它的模糊等级，通常跟主观经验和要求有关；做好量化及防止越界工作；隶属度函数的建立实际上很难，同样跟主观经验和要求有关，最好能用MA TLAB仿真一下。
下面是我对于C语言的模糊代码格式的一些理解。
uchar FUZ_INS_1[18];uchar FUZ_OUTS_1[9];这样的写法是表示在FUZ_INS为首地址后预留18个字节或FUZ_OUT后预留9个字节的空间，为后续的模糊机推理时预备调度空间。
const uchar INPUT_MFS_1[18][4]={0x00,0x10,0x00,0x20,0x0c,0x20,0x10,0x10,0x28,0x60,0x09,0x09,0x5c,0x74,0x15,0x15,0x6c,0x94,0x0d,0x0d,0x8c,0xa4,0x15,0x15,0xa0,0xd8,0x09,0x09,0xd4,0xf4,0x10,0x10,0xf0,0xff,0x20,0x00,0x00,0x2d,0x00,0x11,0x1e,0x3c,0x11,0x11,0x2d,0x4b,0x11,0x11,0x3c,0x5a,0x11,0x11,0x4b,0xa5,0x05,0x05,0x96,0xb4,0x11,0x11,0xa5,0xc3,0x11,0x11,0xb4,0xd2,0x11,0x11,0xc3,0xf0,0x11,0x00};以上是两个输入量的隶属度函数的代码表示格式，实际上并不需要一定写成16进制的格式，写代码是直接写成10进制也可以。
一行数据的含义是：起点、终点，前沿斜率、后沿斜率。
关于模糊规则库，它的建立很大程度上是根据调试经验来做的，不过能用MATLAB仿真一下最好。
const uchar RULE_START_1[406]={(9*0)+0,(9*1)+0,0xfe,(9*0)+0+18,0xfe, //no.1(9*0)+0,(9*1)+1,0xfe,(9*0)+0+18,0xfe, //no.2(9*0)+0,(9*1)+2,0xfe,(9*0)+0+18,0xfe, //no.3(9*0)+0,(9*1)+3,0xfe,(9*0)+1+18,0xfe, //no.4(9*0)+0,(9*1)+4,0xfe,(9*0)+2+18,0xfe, //no.5(9*0)+0,(9*1)+5,0xfe,(9*0)+2+18,0xfe, //no.6(9*0)+0,(9*1)+6,0xfe,(9*0)+3+18,0xfe, //no.7(9*0)+0,(9*1)+7,0xfe,(9*0)+3+18,0xfe, //no.8(9*0)+0,(9*1)+8,0xfe,(9*0)+4+18,0xfe, //no.9我的理解：“0xfe”是前件与后件的分隔符，“0xff”是规则库结束符。
对于上面某一行规则的第二个“0xfe”是否要该成“0xff”，暂时还没有做实验，不过我最终程序中的格式是“0xfe”。
还有诸如“(9*0)+0”是完全合法的。
其他等我做完试验会立即发布最新调试心得。
3．.基于模糊控制的智能车调速系统的设计基于模糊控制的智能车调速系统的设计程宇,程磊,黄卫华, 孙浩(武汉科技大学信息科学与工程学院,湖北武汉, 430081)摘要:设计了一种基于模糊参数自整定的模糊控制智能小车调速系统,该智能车调速系统核心控制单元采用飞思卡尔半导体公司的HCS12 单片机。
实验证明,该智能车调速系统能很好地满足小车在前进过程中对速度调节的快速响应和稳态误差小的要求,系统具有较好的动态性能和良好的鲁棒性。
关键词:参数自整定;模糊控制;智能小车调速系统模糊控制器的参数整定是智能车控制系统中一个十分重要的环节。
传统的车速控制方法有PID 控制、最优控制等。
模糊控制的特点是控制响应快,对于不确定性因素的适应性强。
文献[ 1 ]采用Fuzzy2PI 控制策略进行直流电机的调速系统设计,克服了简单模糊控制和传统PI 控制的一些缺点。
文献[ 2 ]介绍了一种基于参数自整定的模糊控制单片机直流无刷电动机调速系统,采用参数自整定模糊控制器,使系统具有较高的控制精度和良好的鲁棒性。
文献[ 3 ]提出一种应用模糊推理功能实现PID 参数自整定的控制方法,可根据船舶动态特性的变化,自动重新整定PID 参数,从而改善了操纵性能和鲁棒性。
文献[4 ]提出了利用自适应模糊PID 控制器实现对永磁无刷直流电机调速系统进行设计的新方法,通过自适应因子将模糊控制器和PID 控制器结合,在线自调整控制参数,从而完善了PID 控制器的性能,提高了系统的控制精度。