模糊神經網絡（FNN） 是將人工神經網絡與模糊邏輯系統(tǒng)相結合的一種具有強大的自學習和自整定功能的網絡，是智能控制理論研究領域中一個十分活

躍的分支，因此模糊神經網絡控制的研究具有重要的意義。本文旨在分析模糊神經網絡的優(yōu)缺點及其用途。

模糊神經網絡是一種集模糊邏輯推理的強大結構性知識表達能力與神經網絡的強大自學習能力于一體的技術，它是模糊邏輯推理與神經網絡有機結合的產物。一般來講，模糊神經網絡主要是指利用神經網絡結構來實現模糊邏輯推理，

從而使傳統(tǒng)神經網絡沒有明確物理含義的權值被賦予了模糊邏輯中推理參數的物理含義。以下主要討論神經網絡與模糊系統(tǒng)的融合技術、模糊推理神經網絡的初步研究、模糊推理神經網絡。

神經網絡控制的優(yōu)點

從控制角度看，與傳統(tǒng)方法相比，神經網絡對自動控制具有多種的特征和優(yōu)勢：

（1）并行分布式信息處理。神經網絡具有并行結構，可以進行并行數據處理。這

種并行機制可以解決控制系統(tǒng)中大規(guī)模實時計算問題，并且并行計算中的冗余性

可以使控制系統(tǒng)具有很強的容錯性和魯棒性。

（2） 神經網絡是本質非線性系統(tǒng)。理論上，神經網絡能以任意精度實現任意非線

性映射，網絡還可以實現較其他方法更優(yōu)越的系統(tǒng)建模。這種特性使神經網絡在

解決非線性控制問題中具有廣闊的前景。

（3） 學習和自適應能力。神經網絡是基于所研究系統(tǒng)過去的數據記錄來進行訓

練的。當提供給網絡的輸入不包含在訓練集中時，一個經過訓練的網絡具有歸納

能力。神經網絡也可以在線進行自適應調節(jié)。

（4） 多變量系統(tǒng)。神經網絡可以處理很多輸入信號，并具有很多輸出量，所以很

容易用于多變量系統(tǒng)。

模糊神經網絡可用于模糊回歸、模糊控制器、模糊專家系統(tǒng)、模糊譜系分析、模糊矩陣方程、通用逼近器。

在控制領域中，所關心的是由模糊神經網絡構成的模糊控制器。在這一章中．介紹模糊神經網絡的基本結構、遺傳算法、模糊神經網絡的學習算法，以及模糊神經網絡的應用

1．邏輯模糊神經網絡

2．算術模糊神經網絡

3．混合模糊神經網絡模糊神經網絡就是具有模糊權系數或者輸入信號是模糊量的神經網絡。上面三種形式的模糊神經網絡中所執(zhí)行的運算方法不同。模糊神經網絡無論作為逼近器，還是模式存儲器，都是需要學習和優(yōu)化權系數的。學習算法是模糊神經網絡優(yōu)化權系數的關鍵。對于邏輯模糊神經網絡，可采用基于誤差的學習算法，也即是監(jiān)視學習算法。對于算術模糊神經網絡，則有模糊BP算法，遺傳算法等。對于混合模糊神經網絡，目前尚未有合理的算法；不過，混合模糊神經網絡一般是用于計算而不是用于學習的，它不必一定學習。