随着科学技术的发展,现代工业系统变的越来越复杂,传统的控制方法已经远远不能满足高标准的性能要求。在这种情况下,智能控制理论被提出并逐渐发展起来。目前智能控制在理论研究和实际应用中都取得了许多成果,成为控制理论发展的第三个阶段。模糊神经网络(FNN)是智能控制理论中一个十分活跃的分支,它是人工神经网络与模糊逻辑系统的有机结合。模糊神经网络是一种能处理抽象信息的网络结构,具有强大的自学习和自整定功能。因此,模糊神经网络的发展对智能控制发展具有非常重要的意义。本文在分析模糊神经网络理论和应用现状的基础上,针对其中存在的一些问题,重点进行了以下几个方面的探讨: 1. 针对模糊神经网络参数学习中容易陷入局部极小以及算法结构复杂等问题,提出了两种网络参数学习方法:实值遗传算法和随机学习自动机算法。实值遗传算法改变了传统GA 算法的二进制编码方法,用实数表示各个参数基因,后代选择采用“保留精英”的遗传策略,简化了算法结构,提高了算法收敛速度。随机学习自动机算法是一种适合低级计算终端的学习算法,由于算法中每个操作是根据概率随机选出的,这就最大限度的保证了算法的全局性能,并且算法有较快的收敛速度。2. 因为模糊神经网络参数有明确的物理意义,所以网络参数初始化合理与否直接关系到网络的自学习性能。本文根据目前模糊神经网络参数初始化中存在的问题,改进了模糊神经网络参数初始化规则,提出了一种基于ε-完整性规则的初始化方法。该方法充分利用了模糊神经网络的特点,使网络的初始化参数有了更明确的意义,提高了网络参数的自学习效率。3. 本文论述了复杂系统建模中常用的方法,分析了其中存在的问题,提出了一种模糊神经网络建模方法。该网络结构是T-S 型模糊神经网络的改进,其前件网络生成系统的模糊插值函数,后件网络表示各个ARMAX 模型。在去模糊层中,将前件网络和后件网络的输出进行了融合,产生了最终网络输出。该网络有效的利用系统知识和输入输出数据为系统建模,将一个复杂系统分解为多个ARMAX 模型的模糊插值形式,简化了系统分析过程和控制器的设计过程。为了优化网络结构,文中提出了一种结构自学习方法。通过模糊神经网络结构自学习,前件网络可以实现对系统分区特性的逼近,提高了辨识精度。