系统建模一向被视为控制与优化中必不可少的环节,实际工程中也一直奉行“建模先行”的原则。随着科学技术的飞速发展及生产规模的不断扩大,许多系统变得越来越复杂,尤其是世界范围内日益加剧的产业竞争以及人类认识、改造和协调自然活动的深入,使系统建模遇到了前所未有的挑战,任务艰巨,急待解决,同时,数据挖掘技术也已经出现,因此,如何利用数据挖掘技术解决上述问题成为当前的一个研究热点。数据挖掘技术是随着数据存储技术的迅速发展、数据库规模的日益扩大以及人们对数据库中潜在信息的需求而迅速发展起来的新兴的数据处理和分析技术,是计算机技术、数据库技术、人工智能、统计学等相结合的产物。本论文介绍了数据挖掘技术的产生渊源、基本思想和主要研究成果,以及基于神经网络和模糊神经网络的数据挖掘的研究现状,同时还介绍了数据挖掘在工业过程优化领域的应用现状及前景。本论文通过对基于模糊神经网络的数据挖掘的研究,在基于一阶T-S模糊模型的自适应模糊神经系统的基础之上,实现了基于二阶T-S模糊的模糊神经推理系统。尽管基于二阶T-S模糊模型的自适应模糊神经系统较之一阶系统要复杂,但只要选择了正确的模型结构以及参数,对于某些问题,其性能要优于一阶系统。文中详细介绍了基于二阶T-S模糊模型的自适应模糊神经系统,包括系统的数学描述、系统的结构以及系统的学习算法。并且用一个典型的例子来验证了基于二阶T-S模糊模型的自适应模糊神经系统较之一阶系统的优越性。在文章的最后,通过铜锍PS吹炼工业过程的实际数据来验证文中所提出的方法的有效性。由于工业过程当中的数据存在一些误差,以及某些变量的量纲的差异,所以,为了防止噪音的影响以及“大数吃小数”现象,在用这些数据来训练系统之前,首先要做一些相应的去噪处理和归一化处理。最后,通过对铜锍PS吹炼工业过程中的终点预测来验证上述方法。仿真实验的结果表明,文章所建立的模型预报效果良好,建模技术和方法切实可行,有较强的实际应用价值。