模糊控制与神经网络发展史
(完整版)模糊控制技术的发展及前景展望
模糊控制技术的发展与前景展望模糊控制技术发展现状与前景展望1. 引言人的手动控制策略是通过操作者的学习，实验以及长期经验积累而形成的，他通过人的自然语言来叙述。
由于自然语言具有模糊性，所以，这种语言控制也被称为模糊语言控制，简称模糊控制。
近年来，对于经典模糊控制系统稳态性能的改善，模糊集成控制，模糊自适应控制，专家模糊控制与多变量模糊控制的研究，特别是对复杂系统的自学习与参数自调整模糊系统方面的研究，受到各国学者的重视。
人们将神经网络和模糊控制技术相结合，形成了一种模糊神经网络技术，他可以组成一组更接近于人脑的智能信息处理系统，其发展前景十分广阔。
2. 模糊控制的热点问题模糊控制技术是一项正在发展的技术，虽然近年来得到了蓬勃发展，但它也存在一些问题，主要有以下几个方面(1)还没有有形成完整的理论体系，没有完善的稳定性和鲁棒性分析、系统的设计方法(包括规则的获取和优化、隶属函数的选取等) ；(2)控制系统的性能不太高(稳态精度较低，存在抖动及积分饱和等问题)；(3)自适应能力有限。
目前，国内外众多专家学者围绕着这些问题展开了广泛的研究，取得了一些阶段性成果，下面介绍一下近期的主要研究热点。
2.1模糊控制系统的稳定性分析任何一个自动控制系统要正常工作，首先必须是稳定的。
由于模糊系统本质上的非线性和缺乏统一的系统描述，使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和设计，因此，模糊控制理论的稳定性分析一直是一个难点课题，未形成较为完善的理论体系。
正因为如此，关于模糊系统的稳定性分析近年来成为众人关注的热点，发表的论文较多，提出了各种思想和分析方法。
目前模糊控制系统稳定性分析方法主要有以下几种：(1)李亚普诺夫方法基于李亚普诺夫直接方法，许多学者讨论了离散时间和连续时间模糊控制系统的稳定性分析和设计。
使用李亚普诺夫线性化方法，Ying 建立了包括非线性对象的T-S 模糊控制系统局部稳定性的必要和充分条件。
智能控制第7章 模糊神经网络控制与自适应神经网络PPT课件
控制策略
❖如果被控系统 y(k+1)=f(y(k),y(k-1),u(k-1))+g(u(k))
❖参考系统： ym(k+1)=a1ym (k)+a2ym (k-1)+r(k)
❖则控制输入可取：
u ( k ) g ˆ 1 { f[ y ( k )y ( k , 1 ) u ( k , 1 ) y ] m ( k 1 )}
第一层
❖这一层的节点只是将输入变量值直接传送到 下一层。所以，
fj(1 )u(j1 ), a(j1 )fj(1 )
❖且输入变量与第一层节点之间的连接系数 wji(1)=1。
第二层
❖实现语言值的隶属度函数变换 ，可选取钟型 函数
fj(2 ) M X ji(m ( j2 ) i,( j2 ) i) (u i(2 () ( j2 m ) i)( j 2 2 ) i)2,
❖如果某一规则节点与第四层中的所有节点的 连接系数都很少而被删除的话，则该规则节 点对输出节点不产生任何影响。因此，该规 则节点可以删除。
规则合并
合并的条件 ❖该组节点具有完全相同的结论部(如图7-2中
输出变量yi中的第二个语言值节点)； ❖在该组规则节点中某些条件部是相同的(如图
7-2中输入变量x0中的第一个语言值节点的输 出与该组规则节点全部相连)； ❖该组规则节点的其它条件输入项包含了所有 其它输入语言变量某一语言值节点的输出。
四层输出语言值节点输出 ，则
w i( jt) o ( j4 )( w i( jt) o i(3 ))
规则删除
❖仅保留规则节点与同一输出语言变量的所有 语言值节点的连接系数最大的那个连接关系， 将其余的连接关系删除。
模糊控制的现状及发展
由L.A.Zadeh于1965年首先提出来创立的模糊集理论至今有四十多年了。
并由此而产生的模糊控制现已得到广泛的应用。
模糊控制能够将人的智能直接应用于控制过程，将智能控制的高层次决策和低层次控制实现结合于一体。
模糊控制与传统的PID控制、变结构控制等以及现代的矢量控制、DSP 控制等的融合是工业控制技术发展的重要方向之一。
模糊控制定义为“基于模糊集合理论、模糊逻辑，并同传统的控制理论相结合，模拟人的思维方式，对难以建立数学模型的对象实施的一种控制方法”[1]其基本思想是在被控对象模糊模型的基础上，用机器去模拟人对系统控制的一种方法，是一种拟人类智能形式.属于非线性控制，是智能控制中的一种。
它特别适用于被控对象数学模型未知的、复杂的、非线性的控制系统。
就是在被控制对象的模糊模型的基础上，运用模糊控制器近似推理等手段，实现系统控制的方法。
模糊模型就是用模糊语言和规则描述的一个系统的动态特性及性能指标。
可以在处理不精确性和不确定性问题中获得可处理性、鲁棒性。
模糊控制的基本原理如图1所示。
它的核心部分是模糊控制器，它主要包括输入量的模糊化、模糊推理和模糊判决三部分。
模糊控制器的实现可由模糊控制通用芯片实现或由计算机(或微处理机)的程序来实现，实现步骤简述如下：模糊控制的现状及发展李劲松，凌敏(铜仁职业技术学院机电工程系，贵州铜仁554300)摘要:介绍了当前模糊控制技术的研究动向，并结合具体的控制系统详细论述了现阶段模糊控制技术的发展趋势，指出模糊控制正在向与现代的DSP控制融合等方向发展。
关键词:模糊控制；现状；发展趋势中图分类号：TP212 文献标识码：A 文章标号：107—（2010）—05—0039—（04）The Status & Development of Fuzzy ControlLI Jin-song , LING Min( Electrical and Mechanical Engineering Department , Tongren vocational and technical college, Tongren 554300,Guizhou)Abstract:The current trend of fuzzy control technology, control systems, with specific detail of the current trend of development of fuzzy control technology, fuzzy control is that the DSP to control and modern fusion di-rection.Key words:fuzzy control; status; trends收稿日期：2010—02—13作者简介：李劲松（1973—），男，铜仁职业技术学院机电系讲师、微电子与固体电子硕士。
神经网络的发展历程与未来
神经网络的发展历程与未来神经网络的发展历程和未来神经网络是一种基于神经系统结构和功能进行模拟的人工智能技术，它模拟了人类大脑的神经元之间的相互作用，将输入转化为输出的机制，从而实现了模式识别、自然语言处理、计算机视觉等智能应用。
神经网络技术自20世纪50年代诞生以来，经历了多次的进化和突破，如今已经成为人工智能技术领域的热点和重要研究方向。
本文旨在回顾神经网络的发展历程与未来趋势。
一、神经网络的发展历程神经网络的雏形可以追溯到1943年，人类数学家和生物学家McCulloch和Pitts提出了一种神经元模型，称为MP模型。
该模型通过二进制变量来描述神经元的激活状态，并以逻辑门作为神经元之间的连接，从而实现了神经元之间的协同作用。
虽然MP模型不能处理非线性问题，但对于如何建立神经网络提供了方向。
20世纪50年代，美国心理学家Donald Hebb提出了Hebb学习规则，它描述了神经元之间神经突触增强和减弱的规律，同时也为神经网络的学习提供了理论基础。
20世纪80年代，由于计算机计算能力的提升，人们开始研究更大规模和更复杂的神经网络模型。
Backpropagation（反向传播）算法被发明，它使得神经网络具备了处理非线性问题的能力。
此外，Kohonen自组织神经网络、Hopfield神经网络等模型也开始得到广泛研究和应用。
进入21世纪，随着深度学习算法的提出，神经网络开始飞速发展。
Google的AlphaGo人工智能系统在围棋比赛中战胜了职业选手李世石，引起了全球媒体和公众的广泛关注。
此外，Facebook、Microsoft、IBM等公司也开始投入大量资金和人力资源进行神经网络研究，并推出了各种深度学习平台和框架。
二、神经网络的未来趋势未来的神经网络技术将出现哪些变革？以下是本文对未来神经网络的几个预测：1. 增长型神经网络现有的神经网络通常都是预设架构，需要进行人工设计和周期性训练，模型难以应对实际应用中出现的不断变化的模式和数据。
模糊控制与神经网络控制
模糊控制与神经网络控制模糊控制和神经网络控制是现代控制领域中的两个重要研究方向，它们通过不同的方法和理论来解决复杂系统的控制问题。
本文将就这两种控制方法进行介绍和对比，并探讨它们在实际应用中的优劣势。
一、模糊控制模糊控制是一种基于模糊逻辑理论的控制方法，它通过将输入和输出之间的关系进行模糊化来实现系统的控制。
模糊控制器的设计通常包括模糊化、规则库的建立、推理机制以及解模糊化等步骤。
在模糊控制中，输入和输出以模糊集形式表示，通过一系列的模糊规则进行推理得到控制信号。
模糊规则库中存储了专家知识，根据实际问题的需求可以设计不同的规则。
推理机制使用模糊规则进行推理，最后通过解模糊化将模糊输出转化为具体的控制量。
模糊控制的优点之一是适用于非线性和不确定性系统，它能够通过模糊化处理来处理实际系统中的不确定性和模糊性。
此外，模糊控制能够利用专家经验进行控制器的设计，无需准确的系统数学模型。
然而，模糊控制也存在一些局限性。
首先，模糊控制的规则库和参数通常需要由专家进行手动设计，这对专家的经验和知识有一定的要求。
其次，模糊控制的性能也会受到模糊规则的数量和质量的影响，如果规则库设计不当，控制性能可能无法满足要求。
二、神经网络控制神经网络控制是一种基于人工神经网络的控制方法，它通过将系统模型表示为神经网络结构来实现控制。
神经网络是一种模仿生物神经系统结构和功能的计算模型，具有自适应学习和适应性处理的能力。
在神经网络控制中，神经网络被用作控制器来学习系统的映射关系。
通过输入和输出的样本数据，神经网络根据误差信号不断调整权重和阈值，使得输出逼近于期望输出。
神经网络控制通常包括网络的结构设计、学习算法的选择和参数调整等步骤。
与模糊控制相比，神经网络控制具有更好的自适应性和学习能力。
它能够通过学习过程来建立系统的非线性映射关系，并且对于未知系统具有较好的鲁棒性。
此外，神经网络控制不需要准确的系统模型，对系统的数学模型要求相对较低。
自动化系统的模糊控制与神经网络控制
自动化系统的模糊控制与神经网络控制自动化系统的控制方法多种多样，其中模糊控制和神经网络控制是两种常见而有效的控制方法。
本文将就自动化系统的模糊控制与神经网络控制进行详细的介绍和对比。
一、模糊控制模糊控制是指在系统的控制过程中，根据模糊集合和模糊规则进行推理，以实现对系统的控制。
模糊控制通过模糊集合来描述控制对象的特征，通过模糊规则来描述控制的策略。
模糊控制的主要优点是对系统模型要求不高，适用于复杂的非线性系统。
模糊控制的缺点是控制效果不稳定，对系统的响应较慢。
二、神经网络控制神经网络控制是指利用人工神经网络对系统进行建模，并通过神经网络进行系统控制。
神经网络控制通过训练神经网络来获得系统的映射关系，并通过不断的优化训练来提高控制效果。
神经网络控制的主要优点是适应性强，可以对复杂的非线性系统进行较好的控制。
神经网络控制的缺点是需要大量的训练数据和计算资源。
三、模糊控制与神经网络控制的对比1. 建模方法模糊控制使用模糊集合和模糊规则进行建模，而神经网络控制使用人工神经网络进行建模。
模糊控制的建模过程相对简单，只需通过专家知识确定模糊集合和规则即可。
而神经网络控制的建模过程相对复杂，需要通过大量的训练数据进行神经网络的训练和优化。
2. 控制效果模糊控制对系统的控制效果常常较差，对于复杂的非线性系统，模糊控制的精度和稳定性均较低。
而神经网络控制对系统的控制效果较好，可以对复杂的非线性系统进行较精确的控制。
神经网络控制可以通过不断的训练和优化提高控制效果，并适应系统动态变化。
3. 训练需求模糊控制的训练过程相对简单，只需确定模糊集合和规则即可。
而神经网络控制的训练过程相对复杂，通常需要大量的训练数据和计算资源。
神经网络控制的训练需要通过反向传播算法等方法来不断优化网络参数，提高控制效果。
4. 适用范围模糊控制适用于复杂的非线性系统，特别是对于模糊规则较为明确的系统。
神经网络控制适用于复杂的非线性系统，并且对于系统的模糊规则不敏感，对于模糊性较强的系统具有更好的控制效果。
模糊控制理论的发展与综述
模糊控制理论的发展与综述摘要：主要总结了近年来模糊控制系统的研究与发展，介绍了最近模糊控制系统研究的一些主要方面及研究成果，分析了它们的优缺点，并探讨了这一研究领域的研究趋向。
关键词：模糊控制；模糊逻辑系统；模糊控制器；自适应模糊控制；函数逼近特性；稳定性分析1 引言自从美国加利福尼亚大学控制论专家L.A.Zadeh教授在1965年提出的《Fuzzy Set》开创了模糊数学的历史[1]，吸引了众多的学者对其进行研究，使其理论和方法日益完善，并且广泛的应用于自然科学和社会科学的各个领域，尤其是第五代计算机的研制和知识工程开发等领域占有特殊重要的地位[2]。
把模糊逻辑应用于控制领域则始于1973年[3]。
1974年英国的E.H.Mamdani成功地将模糊控制应用于锅炉和蒸汽机的控制。
此后20年来，模糊控制不断发展并在许多领域中得到成功应用[4]。
由于模糊逻辑本身提供了由专家构造语言信息并将其转化为控制策略的一种体系理论方法，因而能够解决许多复杂而无法建立精确数学模型系统的控制问题，所以它是处理推理系统和控制系统中不精确和不确定性的一种有效方法。
从广义上讲，模糊控制是基于模糊推理，模仿人的思维方式，对难以建立精确数学模型的对象实施的一种控制策略。
它是模糊数学同控制理论相结合的产物，同时也是只能控制的重要组成部分。
模糊控制的突出特点在于：1）控制系统的设计不要求知道被控对象的精确数学模型，只需要提供现场操作人员的经验知识及操作数据。
2）控制系统的鲁棒性强，适用于解决常规控制难以解决的非线性、时变及大滞后等问题。
3）以语言变量代替常规的数学变量，易于形成专家的“知识”。
4）控制系统采用“不精确推理”。
推理过程模仿人的思维过程。
由于介入了人的经验，因而能够处理复杂甚至“病态”系统。
传统的控制理论（包括经典控制理论和现代控制理论）是利用受控对象的数学模型（即传递函数模型或状态空间模型）对系统进行定量分析，而后设计控制策略[5]。
模糊控制技术的现状及发展趋势
模糊控制技术的现状及发展趋势广州民航职业技术学院萧赞星袁书生模糊控制方法是智能控制的重要组成部分。
本文简要介绍了模糊控制的概念和原理，较详细地介绍了模糊控制的应用现状，分析了模糊控制理论的优缺点及需要完善和继续研究的内容，最后对模糊控制的发展趋势与动态进行了展望。
传统的各种控制方法均是建立在被控对象精确数学模型基础上的，然而随着系统复杂程度的提高，将难以建立系统的精确数学模型在工程实践中，人们发现一个复杂的控制系统可由一个操作人员凭着丰富的实践经验得到满意的控制效果这说明，如果通过模拟人脑的思维方法设计控制器，可实现复杂系统的控制，由此产生了模糊控制。
自从1965年美園自动控制理论专家ZadehA提出用模糊集合描述客观世界中存在的不确定性信息以来，模糊逻辑理论有了飞跃性的发展，并得到了广泛的应用。
模糊控制的核心就是利用模糊集合理论，把人的控制策略的自然语言转化为计算机能够接受的算法语言所描述的控制算法。
这种方法不仅能实现控制，而且能模拟人的思维方式对一些无法构造数学模型的被控对象进行有效的控制随着模糊控制理论的H益成熟，控制技术也已经得到了很好的发展，尤其是在工业控制、电力系统等领域中解决了许多实际性的问题，取得了令人瞩目的成效。
1模糊控制的原理模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法,它是从行为上模仿人的模糊推理和决策过程的一种智能控制方法。
该方法首先将操作人员或专家经验编成模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理。
2模糊控制系统的应用目前模糊控制在很多领域都有很大的发展。
模糊控制系统已经应用于各个行业和各类实际应用中，同时也出现广不少开发模糊控制系统的软件工具，甚至应用于社会科学领域。
模糊控制在过程控制中的应用工业炉方面：如退火炉、电弧炉、水泥窑、热风炉、煤粉炉的模糊控制。
石化方面：如蒸馏塔的模糊控制、废水pH值计算机模糊控制、污水处理系统的模糊控制等。
模糊控制技术发展现状及研究热点
模糊控制技术发展现状及研究热点一、引言模糊控制技术是一种基于模糊逻辑的控制方法，它能够处理不确定性和模糊性的问题，广泛应用于各个领域。
本文将对模糊控制技术的发展现状进行概述，并介绍当前的研究热点。
二、模糊控制技术的发展现状1. 历史回顾模糊控制技术最早由日本学者松原英利于1973年提出，随后逐渐发展起来。
在过去的几十年中，模糊控制技术在工业控制、机器人、交通系统等领域得到了广泛应用，并取得了显著的成果。
2. 应用领域模糊控制技术被广泛应用于以下几个领域：(1) 工业控制：模糊控制技术在工业自动化中起到了重要的作用，能够处理复杂的控制问题，提高生产效率和产品质量。
(2) 机器人：模糊控制技术在机器人控制中广泛应用，能够使机器人具备自主决策和适应性。
(3) 交通系统：模糊控制技术在交通信号控制、智能交通系统等方面有着广泛的应用，能够提高交通效率和减少交通事故。
(4) 医疗领域：模糊控制技术在医疗设备控制、疾病诊断等方面有着广泛的应用，能够提高医疗效果和患者生活质量。
3. 发展趋势随着科技的不断进步，模糊控制技术也在不断发展。
目前，模糊控制技术的发展趋势主要体现在以下几个方面：(1) 模糊控制算法的改进：研究者们正在不断改进模糊控制算法，提高控制系统的性能和鲁棒性。
(2) 模糊控制与其他技术的结合：模糊控制技术与神经网络、遗传算法等其他智能控制技术的结合，能够进一步提高控制系统的性能。
(3) 模糊控制系统的优化：研究者们正在研究如何优化模糊控制系统的结构和参数，以提高系统的控制性能。
(4) 模糊控制技术在新领域的应用：模糊控制技术正在拓展到新的应用领域，如金融、环境保护等。
三、模糊控制技术的研究热点1. 模糊控制系统的建模与设计(1) 模糊控制系统的建模方法：研究者们正在研究如何准确地建立模糊控制系统的数学模型，以便更好地进行控制系统设计和分析。
(2) 模糊控制系统的设计方法：研究者们正在研究如何设计出性能优良的模糊控制系统，以满足不同应用领域的需求。
智能控制第3章_模糊控制理论
3.1 模糊控制理论基础
3）隶属度函数要符合人 们的语义顺序，避免不 恰当的重叠 32km/h的速度隶属于 “很高”的程度比隶属 于“适中”的程度还要 高，若有这样的安排， 则在指定模糊控制规则 时往往会有相互矛盾的 规则出现，这显然不是 人们所期望的。
17:53 上海工程技术大学机械学院 23
17:53
上海工程技术大学机械学院
24
17:53
上海工程技术大学机械学院
25
4种确定隶属度函数的方法 （1）模糊统计法 （2）例证法 （3）专家经验发 （4）二元对比排序法（比较实用）
17:53
上海工程技术大学机械学院
26
3.1 模糊控制理论基础
三种常见隶属函数
17:53
上海工程技术大学机械学院
A
A的补（complement），记作
A x 1 A x, x U
17:53
上海工程技术大学机械学院
29
3.1 模糊控制理论基础
集合运算示意图
17:53
上海工程技术大学机械学院
30
3.1 模糊控制理论基础
（3）模糊集合的基本运算定律 A A A, A A A 恒等律： A B B A, A B B A 交换律： A B C A B C A B C A B C 结合律： A B C A B A C A B C A B A C 分配律： A B A A 吸收律： A B A A A A, A A E E, A E A 同一律： 复原律： A A A B A B 对偶律： A B A B
- 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)。
模糊控制与神经网络发展史摘要：本文介绍了模糊控制和神经网络理论的发展历史，以及在很多领域的应用进化过程，在此基础上，论述了模糊控制和神经网络理论应用的一般特点。
展望了模糊控制理论和神经网络理论的发展方向，由于模糊控制和神经网络技术是当今比较先进的控制技术，因此，它们都有着广阔的应用前景。
关键字：模糊控制理论、神经网络、非线性控制1、引言模糊控制技术是当今世界上最先进的控制技术之一，它是将模糊数学理论应用于控制领域，更真切地模拟人脑思维和判断，对产品生产过程进行选择和控制，从而发展了智能化的新技术。
模糊控制理论诞生以来应用于许多领域，取得了良好的控制效果。
神经网络是一门新兴的交叉学科，始于20世纪40年代，是人类智能研究的重要组成部分，人工神经网络（Artificial Neural Networks，简记作ANN），是对人类大脑系统的一阶特性的一种描述。
简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。
它应用很广泛，已成为脑科学、神经科学、认知科学、心理学、计算机科学、数学和物理学等共同研究的焦点。
2、模糊控制的发展与应用模糊逻辑控制(Fuzzy Logic Control)简称模糊控制(Fuzzy Control)，是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。
1965年，美国的L.A.Zadeh创立了模糊集合论；1973年他给出了模糊逻辑控制的定义和相关的定理。
1974年，英国的E.H.Mamdani首先用模糊控制语句组成模糊控制器，并把它应用于锅炉和蒸汽机的控制，在实验室获得成功。
这一开拓性的工作标志着模糊控制论的诞生。
模糊控制实质上是一种非线性控制，从属于智能控制的范畴。
模糊控制的一大特点是既具有系统化的理论，又有着大量实际应用背景。
模糊控制的发展最初在西方遇到了较大的阻力；然而在东方尤其是在日本，却得到了迅速而广泛的推广应用。
近20多年来，模糊控制不论从理论上还是技术上都有了长足的进步，成为自动控制领域中一个非常活跃而又硕果累累的分支。
其典型应用的例子涉及生产和生活的许多方面，例如在家用电器设备中有模糊洗衣机、空调、微波炉、吸尘器、照相机和摄录机等；在工业控制领域中有水净化处理、发酵过程、化学反应釜、水泥窑炉等的模糊控制；在专用系统和其它方面有地铁靠站停车、汽车驾驶、电梯、自动扶梯、蒸汽引擎以及机器人的模糊控制等。
下面是对模糊控制发展历史的具体时间分析。
[1～4]在20世纪70年代，Mamdani在蒸汽发动机上成功地运用了模糊控制，随后英国的P.J.King等人采用模糊控制器实现了反应炉的温度控制，并且在这个时候荷兰学者W.J.M.Kickert等人利用模糊控制器解决了含有非线性、时滞特性的热交换过程的控制问题。
当时间来到了20世纪80年代是，模糊控制技术有了长足的发展，在这期间，丹麦 F.L.Smidth公司推出了实用化的水泥窑模糊逻辑控制系统，接着，日本S.Murakami成功研制了基于语言真值推理的模糊控制器，并应用于汽车速度的自动控制。
Jasunobo等人研究了预测模糊控制，将其应用与火车自动驾驶系统和集装箱起重机的自动操作系统。
20世纪90年代，模糊控制硬件与软件的开发业发展起来，Yamakawa首次研制了模糊组件，空调、全自动洗衣机、吸尘器等高档家电中普遍应用了模糊控制技术，并且在机器人定位系统、汽车定位系统、智能车辆高速公路系统中也应用了模糊控制技术。
随着21世纪的到来，模糊控制的发展更是有了广阔的前景，应用到了控制系统、模式识别、医药和游戏理论等领域中，向着多元化的方向发展。
3、神经网络的发展与应用40年代初，美国Mc Culloch和PiMs从信息处理的角度，研究神经细胞行为的数学模型表达．提出了二值神经元模型。
MP模型的提出开始了对神经网络的研究进程。
1949年心理学家Hebb提出著名的Hebb学习规则，即由神经元之间结合强度的改变来实现神经学习的方法。
虽然Hebb学习规则在人们研究神经网络的初期就已提出，但是其基本思想至今在神经网络的研究中仍发挥着重要作用。
50年代末期，Rosenblatt提出感知机模型(Perceptron)，首先从工程角度出发，研究了用于信息处理的神经网络模型.这是一种学习和自组织的心理学模型，它基本符合神经生理学的原理。
感知机虽然比较简单，却已具有神经网络的一些基本性质，如分布式存贮、并行处理、可学习性、连续计算等。
这些神经网络的特性与当时流行串行的、离散的、符号处理的电子计算机及其相应的人工智能技术有本质上的不同，由此引起许多研究者的兴趣，在60代掀起了神经网络研究的第一次高潮。
但是，当时人们对神经网络研究过于乐观，认为只要将这种神经元互连成一个网络，就可以解决人脑思维的模拟问题，然而，后来的研究结果却又使人们走到另一个极端上。
[5]在60年代末，美国著名人工智能专家Minsky和Papert对Rosenblatt的工作进行了深人研究，出版了有较大影响的(Perceptron)一书，指出感知机的功能和处理能力的局限性，甚至连XOR(异或)这样的问题也不能解决，同时也指出如果在感知器中引入隐含神经元，增加神经网络的层次，可以提高神经网络的处理能力，但是却无法给出相应的网络学习算法。
因此Minsky的结论是悲观的。
另一方面，由于60年代以来集成电路和微电子技术日新月异的发展，使得电子计算机的计算速度飞速提高，加上那时以功能模拟为目标、以知识信息处理为基础的知识工程等研究成果，给人工智能从实验室走向实用带来了希望，这些技术进步给人们造成这样的认识：以为串行信息处理及以它为基础的传统人工智能技术的潜力是无穷的，这就暂时掩盖了发展新型计算机和寻找新的人工智能途径的必要性和迫切性。
另外，当时对大脑的计算原理、对神经网络计算的优点、缺点、可能性及其局限性等还很不清楚。
总之，认识上的局限性使对神经网络的研究进入了低潮。
在这一低潮时期，仍有一些学者扎扎实实地继续着神经网络模型和学习算法的基础理论研究，提出了许多有意义的理论和方法。
其中，主要有自适应共振理论，自组织映射，认知机网络模型理论，BSB模型等等，为神经网络的发展奠定了理论基础。
进入80年代，首先是基于“知识库”的专家系统的研究和运用，在许多方面取得了较大成功。
但在一段时间以后，实际情况表明专家系统并不像人们所希望的那样高明，特别是在处理视觉、听觉、形象思维、联想记忆以及运动控制等方面，传统的计算机和人工智能技术面临着重重困难。
模拟人脑的智能信息处理过程，如果仅靠串行逻辑和符号处理等传统的方法来济决复杂的问题，会产生计算量的组合爆炸。
因此，具有并行分布处理模式的神经网络理论又重新受到人们的重视。
对神经网络的研究又开始复兴，掀起了第二次研究高潮。
1982年，美国加州理工学院物理学家J．J．Hopfield提出了一种新的神经网络HNN。
他引入了“能量函数”的概念，使得网络稳定性研究有了明确的判据。
HNN 的电子电路物理实现为神经计算机的研究奠定了基础，并将其应用于目前电子计算机尚难解决的计算复杂度为NP完全型的问题，例如著名的“巡回推销员问”(TSP)，取得很好的效果。
从事并行分布处理研究的学者，于1985年对Hopfield 模型引入随机机制，提出了Boltzmann机。
1986年Rumelhart等人在多层神经网络模型的基础上，提出了多层神经网络模型的反向传播学习算法(BP算法)，解决了多层前向神经网络的学习问题，证明了多层神经网络具有很强的学习能力，它可以完成许多学习任务，解决许多实际问题。
[6]近十几年来，许多具备不同信息处理能力的神经网络已被提出来并应用于许多信息处理领域，如模式识别、自动控制、信号处理、决策辅助、人工智能等方面。
神经计算机的研究也为神经网络的理论研究提供了许多有利条件，各种神经网络模拟软件包、神经网络芯片以及电子神经计算机的出现，体现了神经网络领域的各项研究均取得了长足进展。
同时，相应的神经网络学术会议和神经网络学术刊物的大量出现，给神经网络的研究者们提供了许多讨论交流的机会。
虽然人们已对神经网络在人工智能领域的研究达成了共识，对其巨大潜力也毋庸置疑，但是须知，人类对自身大脑的研究，尤其是对其中智能信息处理机制的了解，还十分肤浅。
因而现有的研究成果仅仅处于起步阶段，还需许多有识之士长期的艰苦努力。
[7]概括以上的简要介绍，可以看出，当前又处于神经网络理论的研究高潮，不仅给新一代智能计算机的研究带来巨大影响，而且将推动整个人工智能领域的发展。
但另一方面，由于问题本身的复杂性，不论是神经网络原理自身，还是正在努力进行探索和研究的神经计算机，目前,都还处于起步发展阶段。
4、结语模糊控制和神经网络作为智能控制领域中最具用实际意义的两种控制方法，已经在很多领域中解决了传统控制方法无法或者难以解决的问题，取得了令人瞩目的成果。
模糊控制和神经网络的理论和应用虽然已经取得了很大的进展，但是就目前情况来看，尚缺乏重大的突破，因此这两种先进的控制理论都有待于进一步的深入研究和发展。
参考文献：1、张恩勤、高卫华等，模糊控制系统近年来的研究与发展[J].控制理论与应用，2001.18(1):7-112、王宏伦、吕庆风.基于遗传算法的自学习模糊逻辑系统[J].控制与决策，2000，15（6）：658-661.3、李少远、陈增强等，智能控制的新进展（I）[J].控制与决策，2000,15（I）:1-5.4、黄长征等，智能控制系统综述[J].韶关学院报，2001.22（3）：26-30.5、刘嵥，陈统宝模糊神经网络问题解决分析[J]机械制造1999.126、徐丽娜，神经网络控制.北京：电子工业出版社，20037、冯纯泊，刘延年.神经网络控制的现状和问题，控制理论和应用，1994.11(1):130～106模糊控制与神经网络发展史电气073 胡彬200780854313。