模糊控制以其自适应性、鲁棒性和易于实现等优点得到广泛应用。然而模糊控制规则的获得通常由专家经验给出,这就存在诸如控制规则不够客观、专家经验难以获得等问题。在模糊控制系统中,模糊规则库的构建是至关重要的,因此研究模糊规则的自动生成有着重要的理论和应用价值。 多年来,人们一直致力于模糊逻辑和神经网络结合方面的研究,并且收到了很好的效果,尤其在工业过程建模和控制方面。目前应用最广泛、基本思想最直观和最容易理解的是采用误差反传学习算法的多层前馈神经网络,即BP网络。但这类网络对于远离训练样本集的模式或新的模式类型,其分类能力较低。因此,近年来另一种多层前项神经网络——径向基函数网络(RBFN)以其结构简单、良好的逼近能力、独特点可分解性以及和模糊推理系统的函数等价性而逐渐成为一种被广泛用于实现模糊规则提取和模糊推理网络模型。然而,当一个模糊系统使用学习算法被训练之后,它的可解释性下降了。而可解释性是模糊系统的一个突出特点。 本文首先以模糊控制理论和RBF神经网络理论为基础,提出了一种能够有效表达模糊系统可解释性的RBF网络结构;然后详细讨论在此网络结构下提取模糊规则的学习算法;最后依据上述方法进行仿真实验,实验结果表明,这种根据测量数据自动提取模糊规则的方法是有效的。