模糊神经网络在智能控制中的应用研究
模糊神经网络在智能攻丝控制系统中的应用研究
・ 攻 深 至扭矩 再次增 大如 前 ，重复此 策 略 ，直
至攻深 到达预 定深 度 ； ・ 攻 丝头 反 向退 回直 至离 开加工 对象表 面 ，完
成 整个攻 丝操 作 。
在人 工攻丝 过程 中 ，攻深到 达预 定深度 后攻丝 头 反 向退 回 的策 略和 正 向攻丝过 程 的策略相 似 ，但
控制 方 向正好相 反 ，本文 讨论 的智 能攻 丝主 要是针
对 正 向攻 丝过程 ，即从攻 丝开始 到攻深 到达 预定深
度结 束 。攻丝退 回策 略可 由此类 推而得 。
１２ 输入 输 出参量 的确 定 ．
攻丝 系统运 行过程 中具有较 大 的不确 定性 。试
验表 明 ，对 于不 同材 料不 同直径 ，刀 具磨损 的情况
进 退策 略 ，在一般 的机动 攻丝 系统 中 ，则 难 以做到
减少 ，扭矩 逐渐增 大 ； ・ 继续 攻深阶 段 ：继 续攻深 一定 角度 ，扭矩 增 加 ，回攻 ，扭矩减 小 ； ・ 深 入攻 深阶 段 ：继续 攻深 一定角 度 ，扭矩 增 加 ，回攻 以后扭矩 减 小，但 回攻一 定角度 后 可能扭矩 反 而增大 ；
的智能攻 丝控制 系统 的可行 方案 。
１ 智能攻 丝 系统模 型 智 能攻丝系 统 的构建是 以人 工攻 丝过程 的研 究
为 主要依据 ，以扭 矩 变化 时的运 动决 策作为 智 能控
制 的主要 目标 。
不 同，扭矩 的大 小是 有变化 的 。同一工 件对象 ，同
一
加 工要求 ，同一切 削参数 ，由于润滑 条件 ，排屑
维普资讯
《 密 制造 与 自动 化 》 精
神经网络在自动控制中的应用研究
神经网络在自动控制中的应用研究随着人工智能和计算机技术的不断发展，神经网络在自动控制中的应用越来越广泛。
神经网络是一种模拟大脑运作的技术，可以通过学习和自适应来实现模式识别、预测和控制等任务。
本文将简要介绍神经网络在自动控制中的应用研究。
一、神经网络的概述神经网络是一种由多个简单处理单元组成的系统，可以通过权值的调整来学习输入和输出之间的关系。
神经网络的结构包括输入层、输出层和隐藏层，其中隐藏层可以有多个。
神经网络可以通过反向传播算法来训练和调整权值，实现对输入数据的有效处理和分析。
二、神经网络在自动控制中的应用神经网络在自动控制中的应用主要包括控制、建模、诊断和预测等方面。
以下将分别介绍。
1、控制神经网络可以用于控制系统的设计和优化，例如PID控制器中的参数调整。
神经网络可以根据输入输出数据来学习系统的特性，从而自动调节控制器的参数，提高控制系统的性能和鲁棒性。
2、建模神经网络可以用于模拟和建模真实系统的行为。
通过对输入输出数据的学习和分析，可以建立起系统的数学模型，用于分析和预测系统的运行情况。
神经网络在建模和预测方面的应用非常广泛，例如流量预测、负载预测等。
3、诊断神经网络可以用于诊断系统的故障和问题。
通过对系统行为的学习和分析，可以识别和定位系统的故障点，从而有效地进行维修和保养。
神经网络在故障诊断、故障检测和故障预测等方面的应用越来越广泛。
4、预测神经网络可以用于时间序列预测和趋势预测。
通过对历史数据的学习和分析，可以预测未来的系统行为，例如股票价格预测、气温预测等。
神经网络在预测和趋势分析方面的应用也非常广泛。
三、神经网络的发展和前景目前，神经网络技术已经成为自动控制领域中不可或缺的一种技术。
神经网络在自动控制中的应用不断拓展和深入，不断涌现出新的应用。
随着深度学习和大数据技术的不断发展，神经网络在自动控制中的应用前景将更加广泛和深远。
总之，神经网络在自动控制中的应用研究已经取得了很多重要的成果，也有很多未来可期的发展前景。
模糊神经网络的研究及其应用
模糊神经网络的研究及其应用模糊神经网络是一种结合了模糊逻辑和神经网络的先进技术，它在许多领域中都得到了广泛的应用。
在本文中，我们将介绍模糊神经网络的基本概念、特点、理论研究以及实际应用，最后对未来发展进行展望。
模糊神经网络是一种基于模糊逻辑理论的多层前馈网络，它通过模拟人脑神经元的连接方式来实现分类和识别等功能。
与传统的神经网络相比，模糊神经网络具有以下特点：模糊化输入：将输入数据转换为模糊量，使网络能够更好地处理不确定性和非线性问题。
采用模糊规则：模糊神经网络采用模糊规则进行计算，这些规则可以很好地描述现实世界中的模糊现象。
双重迭代：模糊神经网络需要进行模式识别和参数优化双重迭代过程，以实现网络性能的优化。
模糊神经网络在许多领域中都得到了广泛的应用，以下是其中的几个典型例子：图像处理：模糊神经网络可以应用于图像分类、图像增强、图像恢复等方面，提高图像处理的效果和速度。
语音识别：模糊神经网络可以应用于语音信号的特征提取和分类，提高语音识别的准确率和鲁棒性。
自然语言处理：模糊神经网络可以应用于文本分类、情感分析、机器翻译等方面，提高自然语言处理的效果和效率。
控制领域：模糊神经网络可以应用于系统建模、控制优化等方面，提高控制系统的稳定性和鲁棒性。
模糊神经网络的理论研究主要集中在以下几个方面：模糊逻辑的研究：模糊逻辑是模糊神经网络的基础，因此对模糊逻辑的研究是十分必要的。
主要研究内容包括模糊集合、模糊关系、模糊推理等方面的研究。
神经网络的研究：神经网络是模糊神经网络的核心，因此对神经网络的研究也是十分必要的。
主要研究内容包括神经元的数学模型、神经网络的训练算法、神经网络的稳定性等方面的研究。
模糊神经网络的建模和优化：模糊神经网络的建模和优化是提高其性能的关键。
主要研究内容包括网络结构的选取、参数的优化、训练算法的设计等方面的研究。
模糊神经网络在实际应用中已经取得了显著的成果，以下是其中的几个例子：电力系统的负荷预测：通过建立基于模糊神经网络的负荷预测模型，可以对电力系统的负荷进行准确预测，提高电力系统的稳定性和安全性。
基于模糊神经网络和遗传算法的智能控制器
（ 北京林业大学 ，北京 １ ０ ８ ） ０ ３ ０
摘 要：ＰＤ Ｉ控制算法简单、鲁棒性强，但其参数整定过程繁琐 ，整定时需要控制对象的精确数学模
型 ，而 且整定 往往 是针 对某一 种具 体工 况进行 的 ，缺乏 自学 习和 自适应 能 力。模 糊神经 网 络则兼 备了模糊逻 辑和神经 网络 的优点 ，具有函数 逼近功 能 ，具有较强 的自适应 、自学习能 力 、容错 能力和泛化 能力 。借助 于遗传算法对 全局 性参数进行优 化设计 ，借助于Ｂ 算 法对局 Ｐ 部性参数进行优 化 ，将模糊神经网络和遗传算法 引入ＰＤ Ｉ控制参数的整定过程 ， 造出一种基 构 于模糊神经网络和遗传算法的智￣； Ｄ ＰＩ控制器。 关键 词 ： ＰＤ Ｉ控制器 ；模糊神经网络 ；遗传算法
图２ 采 用 智 能 ＰＤ控 制 器 的位 置 伺 服 系 统 Ｉ
ＮＢ ＮＭ
交 叉 概 率 和变 异 概 率 对 遗 传 算 法 的 收 敛 速 度 有 很 大 影 响 ，如 果 选 择 不 当 ，可 能 会 造 成 算 法 收
敛 过 程 缓 慢 ，甚 至 无 法 收敛 ，也 可 能 会 造 成 早 熟
系统 的过 渡 过 程 变 长 ，甚 至 出 现 振 荡 ；比例 因 子 选择 较 大 时 ， 系统 的超 调 量减 小 ，比例 因子越 大 ， 系统 的超 调量 就 越 小 ，但 系统 的 响 应速 度 会变 慢 ； 初 始 连 接 权 系数 选 的 较 大 时 ，可 以 减小 系统 的静
中图分类号 ：Ｔ ３ Ｈ９ 文献标识码 ：Ａ 文章编号 ：１ ０－０ （ ０ ） （ －０ ０ － ３ ９ １４ ２１ ５ 下） ０ ７ ０ ０ ３ １
Ｄ ｉ１ ．９ ９ Ｊｉｓ ． ｏ９ ０ ．Ｏ １ ５ 下 ） ｏ ｏ ： ３ ６／ ． ｎ １ ｏ － １４ ２ ｌ ．（ ．３ ０ ｓ ３
智能控制系统中的算法比较研究
智能控制系统中的算法比较研究自从人工智能技术开始在各行各业得到应用以来，智能控制系统也变得越来越普遍。
在智能控制系统中，算法是关键的一环。
各种算法在不同的应用场景下都有不同的效果，这就使得研究算法之间的比较显得尤为重要。
本文将着重介绍智能控制系统中常用的算法，并对它们进行比较研究。
控制系统是由一系列相互关联的元件组成的系统，能够对被控对象进行测量、判断和操作。
而智能控制系统是在传统控制系统的基础上，加入了各种机器学习、深度学习的技术，以提高控制系统的效率和精度。
下面我们来介绍几种在智能控制系统中常用的算法。
1.模糊控制算法模糊控制算法是一种基于人类语言和知识的一类控制方法，它是在黑箱控制理论和经典控制理论的基础上发展起来的。
其主要思想是从人类专家的角度出发，把控制问题的判断和操作过程用人类语言进行表达。
在有了模糊语言的表达后，就能够转化为计算机能够识别的模糊逻辑和模糊控制规则，这样就可以完成对过程的精确控制。
尽管模糊控制算法有其优点，比如处理非线性系统时的效果明显好于传统的线性控制算法，但是其主要的缺点是必须要根据人类专家的经验来设计控制规则，这就使得其应用面缩小了很多。
2.遗传算法遗传算法是一种全局搜索的优化方法，它采用模拟自然选择和基因突变机制，来进行求解问题的最优解。
在简单的用途场景中，遗传算法可以取得比较好的效果，尤其是在多元优化问题中更能表现出它的优势。
但是，遗传算法的缺点也比较明显，一方面是由于其全局搜索机制，会受到局部最优解和可行解的限制，搜索过程会比较费时，不能保证获得最优解。
另一方面，由于遗传算法是一种启发式搜索，因此其计算变量较多、难以调试，并且经常需要进行繁琐的参数调整。
3.神经网络算法神经网络算法是一种基于模仿人脑神经元运行方式的智能算法。
其主要的特点就是对非线性问题的处理效果比先进的控制算法要好得多。
由于神经网络能够胜任非常复杂的系统，因此在智能控制系统中被广泛应用。
神经网络算法的一个主要缺点就是由于网络结构和权值的选择不确定性比较大，因此，需要大量的数据进行训练。
模糊控制的研究和应用
模糊控制的研究和应用随着科技发展和社会进步，人们对自动化、智能化的需求越来越高。
而控制技术作为实现自动化、智能化的重要方法之一，得到了广泛的应用和研究。
模糊控制作为控制技术的一种新兴分支，在工业、交通、医疗、生物、环保等多个领域都有着广泛的应用，并成为了控制技术研究的热点之一。
一、模糊控制的基本概念模糊控制是建立在模糊逻辑基础上的一种控制方法。
模糊逻辑的基本思想是将一些难以精确描述的事物用模糊的概念来表示，并根据这些概念之间的逻辑关系进行推理，从而得出结论。
模糊控制则是在模糊逻辑的基础上，对控制器进行模糊化处理，使其能够对复杂、模糊的物理系统进行控制。
模糊控制的优点是可以有效地处理非线性、时变、不确定性等问题，对于某些复杂的实际控制系统具有较强的适用性。
二、模糊控制的基本流程模糊控制的基本流程包括模糊化、规则表达、推理、去模糊化四个步骤。
具体来说，首先需要将输入量和输出量进行模糊化处理，将其转化为模糊概念。
然后利用专家经验或实验数据，建立一组模糊规则，将模糊概念之间的关系转化为规则表达式。
接着进行模糊推理，根据输入变量的模糊概念和规则库中的规则，得出控制量的模糊概念。
最后进行去模糊化处理，将模糊控制量转化为精确的控制量，控制被控对象的运动。
三、模糊控制的应用模糊控制在工业控制、交通运输、医疗诊断、生态环保等领域均有应用。
下面我们就来看一些实际案例。
（一）工业控制工业制造过程中，受控物理对象和作用效果都有可能是模糊的。
模糊控制可以通过引入模糊语言和模糊规则来进行控制，避免了传统PID控制方法里的过程模型简化和模型校正等方法所引起的误差，从而实现更加精确的控制。
例如，模糊控制在化工生产的过程控制、温度控制以及机器人控制等方面得到了广泛的应用。
（二）交通运输在城市交通控制中，传统的交通信号控制方法基于某些特定条件下的概率假设，因而容易受到噪声、变化等外界影响，或者存在控制过程中的动态约束等问题。
模糊控制可以通过考虑多个因素的权衡，从而更加适应复杂、模糊的交通环境，通过合理分配交通信号周期，使得车辆通行效率更高，驾驶员感觉更加舒适。
基于模糊神经网络的智能控制研究
摘 要： 模糊神经 网络是一个 新型的研 究领域 ， 随着人们对人工智 能进行更深入、 多层次 的研究， 使其在模糊控制 、 模糊决 策、 专家 系统、 模式识别等众多领域都发挥了重要作用 。模糊控制的逻辑推理技术与神经 网络 的结合， 弥补神经 网络在模糊 将
数 据 处理 方 面 的不 足 和 纯模 糊逻 辑 在 学 习方 面 的缺 陷 。
特点。模糊信息处理是 以模糊逻辑为基础， 抓住 了人类 思维 中的模 糊性特 点， 模仿人的模糊综合判断推理来处理常规方 法难 以解决的模糊信息处理的难题 。 人工神经网络是 以生物 神经网络为模 拟对象， 试图在模拟推理及 自学 习等方面 向前
发 展 ， 使 人工 智 能更 接 近 人 脑 的 自组 织 和 并 行 处理 等 功 能 。
模糊逻辑和人工神经 网络各有优点， 也都存在着一定的局限
性 。事 实 证 明 ， 仅 利 用 其 中的 一 种 方法 无法 真 正 实 现 智 能 仅
代表连接输入层与 隐含层 以及 连接隐含层与 输出层的权 向 量。 对于每一个非输入层 的神经元， 也都存在着一个域值 。 根
模拟 ， 而将这两种技术有 机地结合起来 ， 其优势才 能得 到真
学系统 。神经网络模 型用于模 拟人脑神经元活动的过程， 其
中包括对信息的加工、 处理、 存贮和搜索 的过程。
１１ ． 生物 神 经 元模 型
（） １前馈型 网络。各神经元接受前一层 的输入 ， 并输 出给 下一层， 没有反馈。结点分为两类， 即输入 单元 和计算 单元，
每一个 计算 单元可有任意个输入 ， 只有一个 输 出（ 可耦 但 它 合到任意多个 其他结点作为其输入） 。通 过前馈网络可分为 不 同的层， ｉ 第 层的输入只与第 ｉ 层输 出相连 ， — ｌ 输人和输 出
信息科学中的智能控制技术研究与应用
信息科学中的智能控制技术研究与应用随着信息科学的不断发展和普及，智能控制技术变得越发重要和广泛应用。
本文将从不同角度探讨智能控制技术的研究与应用，包括它的定义、发展历程、相关技术和应用领域。
一、智能控制技术的定义智能控制技术是一种基于信息科学和控制理论的交叉学科，其目标是利用计算机、传感器和执行机构等设备，通过自动化和智能化手段来实现系统的自动化控制和优化。
智能控制技术以人工智能和模式识别等技术为基础，通过机器学习、模糊控制、神经网络等算法来实现对系统状态和环境条件的感知、判断和决策，并通过合适的控制策略来实现对系统的精确控制。
二、智能控制技术的发展历程智能控制技术作为一门学科，其发展与计算机科学和控制理论的发展密不可分。
在20世纪50年代末60年代初，随着计算机技术的飞速发展，研究人员开始探索如何利用计算机技术来实现对系统的控制。
最早的智能控制系统主要依靠编写复杂的规则和算法来实现，这种方法存在局限性，无法处理复杂系统和大量数据。
随着人工智能的兴起，模糊控制和神经网络等技术被引入智能控制领域，为智能控制系统的研究和应用提供了新的思路和方法。
近年来，随着深度学习和强化学习等技术的快速发展，智能控制技术正在不断突破传统控制的限制，向着智能化、自主化的方向发展。
三、智能控制技术的相关技术1. 机器学习机器学习是智能控制技术中的重要组成部分，它致力于研究如何使计算机系统通过学习和自我调整提高性能。
机器学习的核心理论是通过构建数学模型和算法来实现对数据的挖掘和分析，从而实现对系统状态和行为的预测和优化。
常用的机器学习算法包括支持向量机、决策树、随机森林等。
2. 模糊控制模糊控制是一种基于模糊逻辑和模糊集合理论的控制方法，它可以有效处理系统模型不确定和非线性的问题。
模糊控制的核心思想是将模糊概念引入控制系统中，通过模糊规则和模糊推理来实现对系统的控制。
模糊控制广泛应用于机器人、自动驾驶、电力系统等领域。
3. 神经网络神经网络是一种模拟人脑神经元网络的计算模型，它通过模拟人脑的信息处理方式来实现对系统的学习和适应。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模糊神经网络在智能控制中的应用研究1郑子杰，王虎武汉理工大学信息工程学院，武汉 (430070)E-mail ：zhzijie.27@摘 要：本文简要介绍了神经网络（Neural Network ）及模糊神经网络（Fuzzy Neural Network ）的特点以及发展状况，并给出了模糊神经网络在智能控制中的几种应用，同时指出了今后研究中有待解决的一些问题，并对模糊神经网络技术将来的发展及其在工程上的应用作了展望。
关键词：神经网络，模糊神经网络，FFNC ，智能控制中图分类号: TP183 文献标识码:A1. 神经网络简介神经网络是仿效生物处理模式以获得智能信息处理功能的理论。
神经网络着眼于脑的微观网络结构，通过大量神经元的复杂连接，采用由底到顶的方法，通过自学习、自组织和非线性动力学所形成的并行分布方式，来处理难于语言化的模式信息[1]。
自1943年第一个神经网络模型—MP 模型被提出至今，神经网络的发展十分迅速，特别是1982年提出的Hopfield 神经网络模型和1985年Rumelhart 提出的反向传播算法BP ，使Hopfield 的模型和多层前馈型神经网络成为用途广泛的神经网络模型，在语音识别、模式识别、图像处理和工业控制等领域的应用颇有成效。
神经网络的核心由其基本结构、学习规则及其工作方式三大部分组成。
1.1 基本结构神经网络是由大量神经元广泛互连而成的复杂网络系统。
单一神经元可以有许多输入、输出。
神经元之间的相互作用通过连接的权值体现。
神经元的输出是其输入的函数。
常用的函数类型有：线性函数、Sigmoid 型函数和阈值型函数[2]。
虽然单个神经元的结构和功能极其简单和有限，而大量神经元构成的网络系统其行为却是丰富多彩的。
图1表示出单个神经元和Hopfield 模型的结构。
在图1(a)中， i u 为神经元的内部状态，iθ为阈值，i x 为输入信号， ij w 表示从j u 到i u 连接的权值， i s 表示外部输入信号，则神经元的输入为-i i j j i i n e t w x s θ=+∑，输出为 ()i i y f n e t =，其中f 是神经元的转换函数。
在图1(b)中。
Hopfield 模型是由许多神经元构成的互连网络，适当选取神经元兴奋模式的初始状态，则网络的状态将逐渐到达一个极小点即稳定点、从而可以联想出稳定点处的样本。
神经网络的基本特征是：(1)大规模并行处理。
神经网络能同时处理与决策有关的因素，虽然单个神经元的动作速度不快，但网络的总体处理速度极快。
1本课题得到教育部重点项目(03120)(基于FSOC 嵌入式微控制器设计与研究)的资助。
(2)容锗性。
由于神经网络包含的信息是分布存储的，即使网络某些单元相连接有缺陷，它仍可以通过联想得到全部或大部分信息。
（3)自适应性和自组织性。
神经网络系统可以通过学习不断适应环境，增加知识的容量。
(a)神经元结构模型 （b ）hopfield 模型图1 神经元模型和hopfield 模型 1.2 学习规则学习规则决定了神经网络的连接权值舶变化，典型的学习规则有：(1)Hebb 规则。
如Hopfield 网络采用的修正Hebb 规则为(21)(21)j i w i a δ∆=−−其中i a 和j a 分别是节点i 和j 的激活值，常用于自联想网络。
(2) δ学习规则和广义δ学习规则。
可用于学习非线性可分函数。
BP 网络就依据这些学习规则。
(3)模拟退火。
Boltzman 机就采用模拟退火算法作为其学习算法，它能学习非常复杂的非线性可分函数。
(4)无教师学习规则。
它利用自适应学习方法，使节点能选择接受空间上的不同特性。
1.3 工作方式(1)前向式或称前馈式。
在这种方式中，网络被分成输入层、隐含层和输出层，信息从图2 前向式神经网络的结构与工作方式输入层开始，经由隐含层流向输出层，如图2所示。
如感知器和BP 网络就是典型的前向式网络。
(2)演化式。
此时输入层和输出层合二为一，例如Hopfield 网络。
当前，神经网络理论与应用已取得了丰硕的成果，其中多层前馈型神经网络BP 是最具应用特色的网络之一。
虽然如此，神经网络理论还存在着许多缺陷，例如训练速度但，容易陷入局部极小和全局搜索能力弱等。
克服这些缺陷的有效途径之一是将神经网络、模糊逻辑、遗传算法三者相结合，以便达到取长补短、功能更完善的目的。
2. 模糊神经网络模糊神经网络在本质上就是将常规的神经网络(如前向反馈神经网络，Hopfield神经网络)赋予模糊输入信号和模糊权值。
模糊神经网络通常有下列类型：(1)模糊神经网络具有实数输入信号，且具有模糊权值；(2)模糊神经网络具有模糊输入信号，且具有实数权值；(3)模糊神经网络具有模糊输入信号，且具有模糊权值。
模糊神经网络亦是全局逼近器，这已为许多学者所证明[3]，同时也奠定了模糊神经网络获得广泛应用的理论基础。
模糊系统与模糊神经网络既有联系又有区别，其联系通常表现在许多模糊神经网络在本质上是模糊系统的实现；其区别表现在模糊神经网络又表现为神经网络之特性。
模糊神经网络恰好充分地利用了各自的优点，避免了其缺点，因而受到了重视。
实际上，模糊神经网络作为具有一定的处理定性与定量知识的技术与方法，主要原因还是在于模糊逻辑具有较强的结构性知识表达能力，即描述系统定性知识的能力和神经网络强大的自学习与定量数据的直接处理能力。
模糊神经网络的学习算法通常是常规神经网络的学习算法或其推广。
其常见的学习算法有五种，分别为：反向传播学习算法；模糊反向传播学习算法；基于α—截集的反向传播学习算法；随机搜索学习算法；遗传学习算法。
目前，模糊神经网络技术已经获得了广泛的应用。
集中在以下几个领域：模糊回归问题的研究；模糊控制；模糊专家系统；模糊分级分析；模糊短阵方程；模糊建模以及模糊模式识别。
3. 模糊神经网络在智能控制中的应用模糊神经网络系统是当前颇受人们关注的最新颖的控制策略研究方向之一。
由于采用不同的控制思想和策略，引出的模糊神经网络控制器(FNNC)的结构形式将有所不同[4]。
下面通过对几种典型的模糊神经网络控制器结构形式的分析，指出不同结构形式的FNNC的特点。
从FNNC结构形式的变迁，可以预测，随着动态推理过程知识流动理论的研究，把知识流动过程与网络结构形式的完美结合，形成能更加准确地表达人类思维过程，有一定思维能力的智能控制器，将是FNNC结构的发展趋势。
3.1 采用神经网络记忆模糊规则构成的FNNC图3采用神经网络记忆模糊规则构成的FNNC结构图模糊控制器的模糊推理并不能十分令人满意地表达经验知识，模糊量也缺乏一个明确准则用以确定隶属度函数曲线。
人们借鉴人类思维过程，把抽象的“概念”对应着模糊量，并与抽象的经验相联系。
由于神经元之间具有不同程度的兴奋强度，可以用来记忆这些联系，同时神经网络是以并行方式工作的，可以从根本上解决模糊控制在控制时间上的限制，这样就出现了采用神经网络记忆模糊规则构成的FNNC。
其结构形式见图1(e:误差；d/dt:误差微分；Yd:参考量)。
这种FNNC与模糊逻辑控制器有相同的框架，但各部分实现的方法不同。
神经网络部分是一个多层神经网络。
在使用前，采用BP算法通过“概念”的表达将抽象化的经验转化成样本，经训练调整网络的权重，使网络能存储抽象的经验规则。
网络具有的这种记忆功能，即使当网络输入为非样本时，其输出与该输入较近的样本的输出也非常相似。
3.2 模糊系统的联结主义表达构成的FNNC将模糊系统处理非统计不确定性的方法，与神经网络的联结主义结构和学习算法结合起来，使其构成的模糊神经网络具有模糊表达、似然推理、联结主义学习以及分布式信息处理等特点。
这种结构的模糊神经网络根据模糊系统的模糊化、模糊推理、模糊判决3大模块把它们以联结主义表达，就构成了相应的FNNC[5]。
其典型结构如图4所示。
一个具体的FNNC结构形式与系统的描述，如模糊控制规则的条数及隶属函数有关，同时还因网络的学习算法及点函数选取的不同而异。
但形成这种结构的思想是模糊控制系统在神经网络上的实现。
FNNC通过一定的学习算法自动产生隶属函数的合适形状及模糊规则。
有些FNNC由于采用自学习模糊算法，使其能实现模糊规则的在线辨识及隶属函数的自动更新，具有自学习能力。
图4模糊系统的联结主义表达构成的FNNC结构形式图5自适应模糊神经网络控制结构图3.3 自适应模糊神经网络控制器前面阐述的两种结构形式的FNNC，虽然在不同的控制策略指导下形成的FNNC结构有所差异，但FNNC的总体框架有许多相似的地方，主要区别在于用不同的手段来实现模糊推理。
利用人工神经网络(ANN)作为建模工具，对非线性系统静态建模、动态辨识，并把ANN和FNN(模糊神经网络)相结合，形成了自适应模糊神经网络控制器[6]。
这种结构的FNNC在自组织学习过程中，为了达到自适应控制的目的，采用不同的方法，如通过测试、控制量校整、在线辨识未知受控对象，对受控对象工作状况的预测等，获取FNNC的自调整信息。
这种FNNC一般由两个以上的网络单元构成，一个用于控制器的设计，另一个用于自调整信息的获取。
这种FNNC的典型结构如图5所示。
4. 小结今后，控制理论面临的突出问题是既要继续发展自身理论，又要在应用方面留下实实在在的成果；用神经网络实现模糊人工智能，以最大限度发挥人的智慧和能力。
但是，由于工业过程的复杂性，尤其在连续生产过程中干扰大，可变因素多，用模糊神经网络处理系统问题仍然有它的不足之处。
主要表现在:1）达不到真正的实时性要求，不能实现真正的实时自学习、自调整、自适应。
在连续生产过程中，往往会存在一些干扰因素，或者生产条件有一些变化，这就要求模糊神经网络能够识别这一变化，并且通过自学习作出相应的处理。
2）抗干扰性能不强。
在离线学习时，模糊神经网络具有较强的抗干扰性能。
但是，在实时过程中，由于相关软件及硬件的限制，抗干扰的能力被削弱。
3）模糊神经网络的工程化应用还缺乏实用的开发平台。
在现有的开发平台中，绝大部分的组态软件都对传统的PID控制提供了很方便的应用。
研究模糊系统与神经网络的关系及用神经网络实现模糊逻辑推理等仍将是今后继续研究的发展趋势。
在此同时，结合子波变换、分形几何等技术和理论，还有望构造一些权值易于理解的NN模型。
参考文献【1】王耀南.一种模糊神经网络智能控制器及其应用.电子学报，1996，(8）【2】管军，胡春．基于人工神经网络改进的Delphi 法［J］．微计算机信息，2005，10-3：171-173 【3】乌云高娃.人工神经网络的发展. 福建电脑，2004（4）【4】邓洪敏，何松柏，虞厥邦.基于模糊神经网络的规则学习.仪器仪表学报，2004（6）【5】赵振宇，徐用懋.模糊理论和神经网络的基础与应用.北京:清华大学出版社，1997【6】余有灵，徐立鸿，吴启迪. Generalized Fuzzy Neural Network. ACTA AUTOMATICA SINICA.2003（6）The Application And Research of Fuzzy Neural Network InIntelligent ControlZheng Zijie，Wang HuWuhan University of Technology，Wuhan （430070）AbstractThis paper briefly introduces the characteristic and the state of development of Neural Network and Fuzzy Neural Network，and provides several kinds of applications in intelligent control of fuzzy neural network; and some problems remaining to be solved in the future research of fuzzy neural network are also put forward. Finally，it looks forward to the development in the future of the fuzzy neural network technology and its application on the project.Keywords：neural network，fuzzy neural network，FNNC，intelligent control作者简介：郑子杰，男( 1983～) ，汉族，硕士研究生在读，主要研究方向：嵌入式技术及其应用；王虎，男( 1981～) ，汉族，硕士研究生在读，主要研究方向：计算机网络与信号处理。