模糊邏輯系統與神經網絡的結合形式隨著研究角度和應用領域不同而有所不同，在這類系統中，系統本質上還是模糊邏輯系統結構，但是可以把模糊邏輯系統看作具有網絡化的結構，直接利用神經網絡的學習能力與映射能力來獲得模糊邏輯系統的參數或具體結構，從而使模糊邏輯系統具有自學習和自適應能力，該過程并不改變模糊系統所具有的模糊化、解模糊化和模糊推理的功能，而是利用神經網絡實現隸屬函數、模糊規則的數字化處理，實現“模糊化-模糊推理-解模糊化”整個過程的“網絡化”，也可以用神經網絡學習或聚類的方法從輸入輸出數據中獲取規則，然后在性能指標指導下，對規則進行調整，從而使模糊系統具有規則的自組織能力。

在另外一個范疇內，可以將模糊邏輯系統與神經網絡根據不同的功能、用途集成在一個系統里，模糊邏輯系統與神經網絡技術在這類系統中各自發揮自己的功能，利用各自的優勢為實現共同的目標而實現功能結合與互補，這類模糊邏輯系統與神經網絡結合的方法稱之為模糊神經混合系統FNHS（Fuzzy-Neural Hybrid System）。

1 、基于模糊神經混合系統的自適應控制結構

從控制角度而言，神經網絡自適應控制包括直接自適應控制和間接自適應控制。間接自適應控制通常由控制器和模型兩部分組成。在線辨識模型，并通過模型在線調整神經網絡控制器間接自適應控制，具有良好的適應性。但是，在線辨識被控對象的模型存在運算量大、控制精度低等問題，對不可重復過程與時變動力學系統訓練困難，在實際工程控制中實用性不大。直接自適應控制是根據過程的輸出信息來控制優化參數，不需要預先知道系統動力學特征或在線辨識的模型，這也正是傳統的自適應控制所不能解決的問題。這種控制器是直接根據控制精度設計，不需要經過事先訓練，也不依賴于對象的辨識模型，具有良好的動態響應性能和穩態精度，網絡權值的調整是隨時間關系的自適應收斂過程，常用的基于神經網絡的自適應控制方式為直接逆控制、模型網絡參考控制。但是，這2種控制方式都存在著較大的計算量和辨識的問題，而且對于直接逆控制，如果系統的逆不存在了，該方法就會失效。

基于模糊神經混合系統的自適應控制（FANNC）結合了神經網絡直接自適應控制的特點，結構如圖1所示。由1個反饋控制器（FC）、1個神經網絡控制器（NNC）和模糊推理機（FIE）組成。

2 、基于模糊神經混合系統的自適應控制器的設計

分目標學習誤差由模糊推理機的一組模糊規則給出，如表1所示。表中符號PB、PM、PS、0、NS、NM、NB分別表示正大、正中、正小、零、負小、負中、負大等概念。表中模糊關系不再是傳統意義上的模糊控制策略，而是每一控制周期中用于NNC訓練的分目標學習誤差。NNC在學習過程中，逐步跟蹤系統的逆動力學，并產生一個自適應控制信號，使系統輸出跟蹤給定的參考信號消除的不再單純是系統的輸出誤差，而是誤差和誤差變化的綜合影響，從而避免了反饋誤差學習法可能造成的NNC的輸出產生振蕩或進入飽和狀態等問題。

為實現上述模糊推理規則，必須對模糊推理機FIE的輸入變量進行模糊化處理，即將輸入變量從基本論域轉化到相應的模糊論域。為此，引入反饋控制器FC輸出變量μf及其變化變量μf的量化因子Kμf，Kμf。假定變量μf的基本論域為（-nfm，nfm），模糊論域分別為（-nμf，-nμf+1，…0，…，nμf-1，nμf），變量nf的基本論域為（-nfm，nfm），模糊論域分別為（-nμf，-nμf+1，…0，…，nμf-1，nμf），則量化因子Kμf，Kμf可由下式確定：

模糊變量Uf（k）、f（k）的論域、模糊子集及其隸屬函數的定義如圖2所示。為改善模糊推理機的輸出特性，FIE輸出變量δ論域、模糊子集及其隸屬函數的定義如圖3所示。當系統偏差較大時，模糊集隸屬函數分辨率較低，FIE輸出變化比較緩慢可以保證NNC的學習比較平穩。

在控制過程中，系統根據每一采樣時刻FC的輸出信號及其變化，由圖2確定各模糊集的隸屬度，然后利用模糊推理規則如表1所示，圖3確定輸出變量所有可能的模糊截集。并以重心發模糊判決，得到分目標學習誤差，式中離散計算步長的取值大小可能影響模糊判決的精度。

3、 仿真實驗

電站鍋爐汽包水位間接的反應了鍋爐負荷與給水平衡的關系，是鍋爐運行的主要指標之一。水位過高，會破壞汽、水分離裝置的正常工作，嚴重時會導致蒸汽帶水增多，從而增加過熱器管壁上和汽輪機葉上的結垢；水位過低時，則會破壞水循環，引起水冷壁的破壞。近年來鍋爐參數的提高和容量的擴大，對給水系統提出了更高的要求。因此，迫切需要一種魯棒性很好，算法相對簡單的快捷控制方案。

將圖4框內的一個廣義對象當一個整體去考慮，可以消除水流量和蒸汽對汽包水位的傳遞函數不穩定環節，克服自平衡特性。神經網絡具有充分逼近任意復雜系統的能力，同時還能學習和適應不確定性的動態響應。為檢驗所提出的控制策略的有效性

采用本文提出的基于模糊神經混合系統的自適應控制方法，其對比試驗采用PID串聯控制系統，PID調節器參數是在折中考慮系統的跟蹤性、抗外擾能力和抗內擾能力的基礎上，經過整定得到的，其外回路KP=1.5，Ki=0.005，內回路KP=0.95。

圖5所示為對象模型匹配情況下的輸出響應圖。圖6為給水量信號H=0 mm時，在起始時刻加入蒸汽流量30 %外擾時輸出響應曲線。

圖7所示為對象時間為常數，增益常數和延遲時間均增大20%的輸出響應曲線。圖8在模型失配情況下，在給水流量信號H=0 mm時，加入蒸汽流量的30%外擾時輸出響應曲線。

從圖中可以看出，較之串級PID控制，FANNC控制具有良好的動態調節品質和較強的魯棒性，實現了對系統的快速無超調控制。實驗中將蒸汽流量擾動信號引入到神經網絡中，實現了對系統的前饋補償，以快速平穩消除蒸汽流量的擾動。魯棒控制器FC的構造使系統具有良好的穩定性和魯棒性，與常規PID控制相比，幾乎沒有超調量。即使在模型失配（參數增加或減少）的情況下仍然能取得滿意的控制品質。仿真結果表明了該方案的有效性和優越性。

本文提出的這種基于模糊神經混合系統的自適應控制方法是針對工業系統中普遍存在的復雜非線性和時變不確定性特性提出的。該方法可以做到無須辨識被控對象的模型，即可進行NNC的在線設計；而且NNC的學習過程和系統的控制過程同時進行，不需要特定的教師信號，避免了離線訓練通常存在的訓練數據不足的問題。利用模糊推理機產生的分目標學習誤差對神經網絡進行訓練，避免了采用直接反饋誤差進行訓練可能造成的飽和和過調整問題，并能有效抑制測量噪聲的影響，提高系統的控制品質。仿真實驗證明，該方法能有效處理工業系統中普遍存在的復雜非線性和時變不確定性等特性，為未知不確定非線性系統的智能控制提供了一條有效而可行的新途徑。