1.3.3　模糊神经网络控制

模糊控制利用专家积累的丰富知识和实践经验建立模糊集、隶属度函数和模糊推理规则等以实现复杂系统的控制。在模糊控制系统设计中，人们很容易将专家的知识转化为模糊控制规则，但由于专家知识的局限性以及环境的可变性，无法得到一个最佳的控制规则。神经网络具有高度的非线性映射能力和自学习能力等优点，已在非线性系统的控制中得到较好的应用，然而神经网络的主要缺陷是无法处理语言变量，也不可能将专家的经验知识注入神经网络控制系统的设计中去。

为了充分发挥模糊控制和神经网络控制各自的优点，实现优势互补，可以将模糊控制引入神经网络之中，实现模糊控制规则的自组织和自适应，其具体方法是：将模糊控制思想与神经网络的学习能力进行结合，利用神经网络的学习功能优化模糊控制规则及其相应的隶属度函数，并将一些知识预先分布到神经网络的权中去，使得模糊控制规则及其隶属度函数能够通过对样本数据的学习来自动生成，从而克服人为主观选择模糊控制规则的缺陷。同时，发挥模糊控制易于将专家积累的经验加到系统中去的特点，提高神经网络自身的控制能力。这样，模糊神经网络既能处理模糊信息，完成模糊推理功能，又具有神经网络的并行处理、自适应等能力。