模糊系统具有模拟人脑推理的功能;神经网络具有自适应学习能力、泛化能力以及并行处理能力。模糊神经网络不仅吸取了模糊系统和神经网络的优点,而且克服了二者的缺点,因而成为智能控制领域的一个研究热点。模糊神经网络由于其简单实用,已被广泛用于工业过程控制、信号处理等领域。模糊神经网络本质上是一个神经网络,其结构主要由模糊规则数决定,网络的结构是否合理对其泛化能力有重要影响,如何确定一个具有合理结构的模糊神经网络一直是一个难题。传统的方法大多采用反向传播算法训练模糊神经网络,反向传播算法具有一定的局限性,如:学习速度慢,容易陷入局部极小点。卡尔曼滤波是一种实时递推算法,它所处理的对象是随机信号,它主要利用系统噪声和观测噪声的统计特性,把系统的观测量作为滤波器的输入,把所要估计的状态量作为滤波器的输出。卡尔曼滤波的输入与输出之间通过时间更新算法和观测更新算法联系一起,依据状态方程和观测方程估计出需要处理的信号,卡尔曼滤波实质上是一种最优估计方法。利用卡尔曼滤波调整神经网络的参数,不仅可以减少网络的学习周期,而且可以优化网络的结构。为了构造一个有效的模糊神经网络,本文提出一种自组织学习算法,模糊神经网络的结构辨识和参数调整可以同时进行。本文的主要内容如下:①简要介绍了模糊系统、神经网络等基本理论,并分析了二者的特性。②阐述了离散卡尔曼滤波和扩展卡尔曼滤波的基本原理,推导了这两种滤波的计算过程,研究了全局扩展卡尔曼滤波和解耦扩展卡尔曼滤波在神经网络训练中的应用。③构造了模糊神经网络的一种自组织学习算法,在构建模糊规则的生长准则时考虑了系统误差、可容纳边界、误差下降率等因素,网络依据算法中的生长准则限制性地增加模糊规则。因为网络的前件部分具有非线性特性,网络的后件部分具有线性特性,所以在对参数进行调整时,利用扩展卡尔曼滤波调整前件参数,利用卡尔曼滤波调整后件参数。仿真结果表明,利用本算法生成的模糊神经网络具有紧凑的结构,同时在逼近精度和泛化能力等方面都有优势。