智能研究可以提高作业的自动化智能化水平,还能实现精确定点作业以促进生产的可持续发展。而在当今智能研究中,模糊神经网络是近年来颇受关注的研究领域,它将神经网络低层次学习和计算能力与模糊逻辑系统高层次仿人思维和推理能力相结合,实现两者的优势互补。神经网络与模糊控制是两种重要的智能控制技术,它们都能模拟人的智能行为,解决不确定、非线性、复杂的自动化问题,具有非常广阔的应用前景。目前,关于模糊神经网络的研究已成为国际上的一个引人注目的研究方向。所谓模糊神经网络,就是模糊理论与神经网络相结合所产生的一种新的网络系统,是传统的神经网络模型在某种程度上的模糊化,它的一个显著特点是,网络的每个节点(模糊神经元)与传统的Bp神经元的二值状态不同,可取值于[0,1]区间,因此,每个节点可以表达模糊概念。模糊神经网络具有神经网络和专家系统集成的功能,应用神经元网络解决故障诊断问题时,有一明显的趋势就是希望能够在神经元网络的框架下集成定性知识。为此,模糊神经网络已成为研究的一个热点。模糊神经网络一般是在普通前馈神经网络中加入一个模糊化层,完成一个输入隶属度函数的计算。模糊控制是智能控制的一种典型和较早的形式,作为智能控制的一个分支,近几年来得到了飞速的发展。尤其是对于大时滞、非线性等难于建立精确数学模型的复杂系统,应用模糊控制理论,通过计算机实现实时控制,往往能取得满意的控制效果,且所需设备简便,经济效益显著。在现代工业控制过程中,模糊控制以其实现简单、鲁棒性强等优点,被广泛用于复杂过程或对象的控制。将神经网络应用于模糊控制中,可极大地改善和提高模糊逻辑推理的自适应能力,神经网络和模糊控制的结合可以导致新的算法与结构的发现和发展,使之在保持模糊逻辑系统较强的知识表示的同时提高其自适应能力。随着现代农业及科学技术的迅速发展,生产设备及系统日趋大型化、复杂化和自动化,对系统可靠性和安全性的要求越来越高,农业机械智能已成为当今的一种趋势,而我们将模糊技术,神经网络技术的相互渗透与协作,已是一个毋庸置疑的发展方向。本文所做的工作如下:(1)本文在简要介绍了BP神经网络基本原理及其算法的基础上,详细介绍了利用MATLAB神经网络工具箱进行BP网络模型建立、训练、仿真的编程方法。(2)对两种模型学习训练误差性能曲线进行分析,得出自适应神经网络收敛速度快且网络性能达标的结论。(3)通过BP网络与神经网络训练的对比,得出神经网络具有较强的非线性映射的特性,满足电力负荷预测的需求。