1  引言
    目前，自动控制在很多领域都得到了重要的应用，如工业生产、军事防御、医疗设施等等，起到了巨大的作用。而在研究自动控制的相关技术以及模型中，神经网络系统控制作为智能控制的一个重要分支，占有举足轻重的地位，受到各个领域研究者的广泛关注。
1.1  模糊神经网络概述
一、人工神经网络
    人类具有高度发达的大脑，这也是我们能够从接触自然到了解自然再到利用自然并站在事物链顶端的重要原因。人类可以做到很多机器无法完成的事情，为了提高工作效率，减少劳动力的浪费，我们一直以来都在致力于研究人脑的工作机制，希望做出一种可以媲美人脑的智能系统，帮助甚至代替我们进行工作。人工神经网络就是在我们经过对人脑工作机理和组织结构的大量研究的基础上提出的这样一种智能系统[1]。但它和真实的人脑生理结构很不相同，而是对人脑的一种简单的描述与模拟。
人类对人工神经网络的研究是从19世纪末期开始的。1890年W.James研究了人脑的结构和功能。1982年美国物理学家Hopfield发表文章“神经网络和物理系统”（Neural Network and Physical System），有力推动了神经网络的研究。1986年D.E.Rumelhart等人发表《并行分布式处理》（PDP），提出了多层前馈网络的反向传播学习算法[2]。接着1987年以来，人工神经网络的研究得到了非常迅速的发展, 许多相关研究方法与控制技术被提出与改进 [3]。由于神经网络具有很多优点，如并行处理、分布式存储、容错性以及自组织、自学习与自适应性，呈现出智能控制的潜力，因此被广泛应用于诸多领域[4]。

二、模糊神经网络
神经网络在实际的模型中，会受到种种因素的影响，如随机性，复杂性，模糊性等。一些控制系统很难得到精确的数学模型，同时我们对事物的描述与思考都是粗略的，表达是笼统的，逻辑推理是定性而非定量的，因此“模糊理论”更适合于事物和网络的模糊性[5]。20世纪60年代，美国著名教授扎德(L.A.Zadeh)第一次提出了模糊集合和模糊算法的概念，开创了模糊控制的先河，各领域研究者开始关注模糊这一新兴概念，其后经过近50年的发展，模糊控制理论得到了许多完善，如逻辑推理方法、隶属度函数、解模糊化方法等的提出和改进[6]。
在智能控制中，神经网络和模糊系统都属于其重要的分支。但它们又各有自己的特点，模糊系统多用来解决复杂、多变、不确定的系统控制，但缺乏自学习能力，控制核心依赖于专家知识和熟练人员的经验；而神经网络的自学习能力较强，但其所描述的系统模型不够直观，也不能作修改。目前把包含模糊控制和神经网络的系统都称作模糊神经网络，它结合了两者各自的优点，使智能控制过程更加高效、形象和稳定。如在文献[7,8]中，将Takagi-Sugeno模糊模型同具有时变时滞的神经系统相结合，进而分析系统渐进稳定的充分条件，并得到了模糊状态反馈增益。目前，模糊神经网络在很多领域都发挥了重要作用，如保密通信、系统辨识、工业生产等，它的结构特征、优化计算等一直在这些领域中具有很高的研究价值，受到各国学者的高度重视[9]。
虽然近年来对于模糊神经网络的研究成果层出不穷，研究者对其进行了很多相关研究，但它在某些方面来说发展仍然不够成熟，研究开发的空间还很大。如现在的模糊神经网络研究通常都是在特定的条件下或具体的某个对象，并没有人能够提出一套通用的理论，对模糊神经网络进行普遍性的分析；有些研究得到的算法比较复杂、精度较低，效率不够高；有些系统的算法缺少可靠的实验仿真和验证等[10]。 神经网络模糊同步算法研究+文献综述(2):http://www.751com.cn/zidonghua/lunwen_10996.html