模糊神经网络作为智能控制领域中一支倍受关注的分支,它是模糊推理技术和人工神经网络技术的有机的结合,这种结合既弥补了模糊推理技术在学习方面存在的缺陷,又使人工神经网络的“黑箱”结构透明化,因此特别适用于各种复杂系统。控制系统性能评估技术作为当今世界过程控制领域最受关注的研究方向之一,通过对评估标准的计算和分析,实现对控制系统运行状态的评估和监控,确保控制器能够长时间的运行在良好的状态下或者要求的状态下。模糊神经网络结构和模糊推理算法很大程度上影响了模糊神经网络的性能,因此本文从模糊推理算法的改进和模糊神经网络结构优化两大方面入手,探讨了优化模糊神经网络性能的方法。在控制系统性能评估过程中,总是希望找到一个合适的评估标准,能够准确的对控制系统进行评估,本文通过对误差分布的研究,提出一种以误差概率分布作为控制系统性能评估的标准,实现对控制系统性能的评估和运行状态的监控。计算型模糊推理算法采用数值计算的方法对传统的推理计算过程进行了改进,改进后的推理算法能够充分考虑所有输入的影响,又能根据输入的变化,对模糊规则进行适当的调整,从而大大提高系统的推理精度,减小稳态误差；矢量“隶属度”法通过对隶属度矢量化处理和模糊等级的标量化处理,把当前输入量的相对方向和大小等级分别反映在矢量“隶属度”和标量模糊等级上,从而通过减少模糊等级数目,实现优化模糊神经网络结构的目的；增长法和剪枝法在单独使用中,各有优缺点,但是将两种算法结合起来,形成增长剪枝联合算法,实现优缺点互补,对规则层节点进行增加或减少操作,在优化结束判断中,两种算法互为条件,最终实现优化模糊神经网络结构的目的。针对目前工业控制系统中普遍存在系统性能下降的问题,本文提出了一种基于误差概率分布的控制系统性能评估、优化及监控的方法,这种方法根据误差的分布服从正态分布这一原理建立评估标准,通过对系统运行数据的计算和分析,确定系统的运行状态,实现对控制系统性能的评估和监控,根据系统的运行状态和评估参数,对控制参数进行适当的调整,最终完成控制系统性能的评估和控制器参数的优化,确保控制系统能够长时间的运行在良好的状态下或者要求的状态下。