前言模糊神经网络（FNN）是一个结合了人工神经网络和模糊逻辑系统以及强大的自学习和自调整功能的网络。它是智能控制理论研究领域中一个非常活跃的分支。因此，模糊神经网络的控制研究具有重要意义。本文旨在分析模糊神经网络的优缺点及其用途。模糊神经网络简介模糊神经网络是一种将模糊逻辑推理的强大结构知识表达能力与强大的神经网络自学习能力相结合的技术。它是模糊逻辑推理和神经网络有机结合的产物。一般而言，模糊神经网络主要是指利用神经网络结构来实现模糊逻辑推理，从而使模糊逻辑中传统的神经网络权重不明确的物理含义被赋予推理参数的物理含义。下面主要讨论神经网络与模糊系统的融合技术，模糊推理神经网络的初步研究以及模糊推理神经网络。模糊神经网络的优缺点神经网络控制的优点从控制的角度来看，与传统方法相比，神经网络具有多种自动控制的特征和优点：（1）并行分布式信息处理。神经网络具有并行结构，并且可以执行并行数据处理。这种并行机制可以解决控制系统中大规模的实时计算问题，而并行计算中的冗余性可以使控制系统具有较强的容错性和鲁棒性。 （2）神经网络本质上是非线性系统。从理论上讲，神经网络可以实现具有任意精度的任意非线性映射，并且该网络还可以实现优于其他方法的系统建模。这种特性使得神经网络在解决非线性控制问题方面具有广阔的前景。 （3）学习和适应能力。基于所研究系统的过去数据记录来训练神经网络。当提供给网络的输入不包括在训练集中时，训练后的网络就具有归纳能力。神经网络也可以在线进行自适应调整。 （4）多变量系统。神经网络可以处理许多输入信号并具有许多输出，因此易于在多变量系统中使用。模糊神经网络的用途模糊神经网络可用于模糊回归，模糊控制器，模糊专家系统，模糊谱系分析，模糊矩阵方程，通用逼近器。在控制领域中，所关注的是由模糊神经网络组成的模糊控制器。在这一章当中。介绍了模糊神经网络的基本结构，遗传算法，模糊神经网络学习算法以及模糊神经网络的应用。模糊神经网络具有以下三种形式：1.逻辑模糊神经网络2.算术模糊神经网络3.混合模糊神经网络模糊神经网络是具有模糊权重系数或输入信号为模糊量的神经网络。在以上三种形式的模糊神经网络中执行的计算方法是不同的。无论是用作逼近器还是模式存储器，模糊神经网络都需要学习和优化权重系数。学习算法是优化模糊神经网络权重系数的关键。对于逻辑模糊神经网络，可以使用基于错误的学习算法，即监视学习算法。对于算术模糊神经网络，有模糊BP算法，遗传算法等。对于混合模糊神经网络，目前尚无合理的算法。但是，混合模糊神经网络通常用于计算而非学习，并且它不必学习。