模糊神经网络着眼于模糊控制的逻辑推理技术和神经网络控制的自学习能力,试图将二者巧妙地结合,是智能控制在近年来涌现出的重要研究领域之一,具有学术理论意义和实际应用价值。目前,已有多种形式的模糊神经网络结构,但主要表现为将两者在结构和算法上相互融合。本文在深入研究模糊神经网络发展的基础上,提出了将模糊控制中的部分控制理念和方法应用到神经网络中的构想,并通过仿真验证了可行性,为模糊神经网络的发展开辟了新的思路。首先,在对当前模糊神经网络发展领域进行深入研究后,提出了自己的新型分类研究方法,即从神经网络和模糊逻辑推理的分类角度剖析模糊神经网络的结构,并在算法研究中介绍了一种新的可行性寻优算法——微粒群算法。其次,详细介绍了一种典型的新型网络——正则化模糊神经网络,并进行了具体的算法推导,还利用Stone Weierstrass定理对网络收敛性进行了清晰地证明,并引用具体的辨识问题对其性能加以验证。再次,给出了一种基于RBF辨识的改进型模糊神经网络控制,即将量化因子和比例因子嵌入到模糊神经网络中,构成网络的输入层和输出层;并采用RBF辨识网络取代传统的近似做法,为系统提供精确的Jacobian信息;最后,在仿真过程中,还引出了一种对基本论域和模糊论域有效转化的理想方案。最后,受模糊控制中“调整因子”的启发,给出了一种含有调整因子的模糊RBF网络,并采用微粒群优化算法对调整因子进行滚动优化调整。