3.模糊集和模糊控制的概念，不仅可以用在基层控制级，也可用在先进和优化控制以及调度、计划和决策等层次。美国的Saridis教授曾指出，在递阶控制的结构上，越往上的层次越需要智能。
模糊理论作为一种新的思想，从它的诞生到地位的确定，走过了不平常的历程。模糊控制的工程应用取得了令人瞩目的成果和效益。在现阶段，模糊控制器向着自适应、自组织、自学习方向发展，使得模糊控制参数或/和规则在控制过程中自动地调整、修改和完善，从而系统的控制性能不断完善，达到最佳的控制效果。基于神经网络和遗传算法设计的模糊控制器具有强大的功能和重要的应用价值。
在模糊理论向着系统化、实用化方向发展的同时，模糊逻辑的应用技术也在迅速发展，它们代表着人工智能的主要研究方向。
近年对于经典模糊控制系统稳定性能的改善，模糊集成控制、模糊自适应控制、专家模糊控制与多变量模糊控制的研究，特别是针对复杂系统的自学习与参数（或规则）自调整模糊系统方法的研究。
模糊控制已作为智能控制一重要分支。
（三）神经网络控制
人脑极其复杂，是由1000多亿个神经元构成的网络状结构。人们一开始进行神经网络控制，是想通过微电子技术来模拟人脑。尽管已有多年历史，但人脑仿真依然是一个难题。然而，从研究神经元所得到的一些特性，导致了人工神经网络(ArtificialNeuralNetwork，ANN)的诞生，至今已有几十种类型。神经网络在工程上的应用，似乎已与人脑的设想逐渐远离，而是作为强有力的非线性函数转换器来看待。
1.神经网络种类
若干个神经元连接起来，构成网络。神经网络具有自组织性、层次性和并行处理能力。在对其功能和特性抽象的基础上，开发了各种人工神经网络。
(1)最常用一种人工神经网络称为反向传播(BeckPropagation，BP)网络。在结构上，从信号的传输方向看，它是一种多层前向网络，最陡下降法是最简单的一种梯度寻优法，即依据梯度aE/aW的负方向改变W值。在整个学习过程中，先是通过网络由输人求取输出，信号是前向传递，然后是依据输出的偏差调整网络参数，信号是反向传递，按照学习时的信号传送方：向称之为BP网络。最陡下降法并不是一种很有效的寻优方法，为了使偏差能更快地收敛到接近于零的程度，在学习算法上已有了多种改进的研究。但是，BP网络的学习中还需要很多的迭代次数，一般需要数千至数万次，而且可能收敛到局部最小点。学习费事是BP网络一个很大的缺点。
(2)另一种在自动化中很有价值的ANN是径向基函数，RedicalBasisFunction，RBF)网络，它在结构上很像BP网络，也是静态网络，但是它只有相当于隐层的一层，而且节点的激发函数是径向基函数Ψ‖Ⅰ-Ⅰi‖，其中Ⅰ为输入，Ⅰi为该径向基函数的中心。在各种径向基函数中，以高斯函数使用最广。
RBF网络也有很好的非线性函数逼近能力。它的另一个优点是学习比较简捷。
正由于这一原因，RBF网络被称为局部模型，而BP网络则为全局模型。RBF网络的泛化性(即数据内插和外推的正确性)要比BP网络差。
其他常用的ANN有：
(1)Hopfield网络它是一种具有RC环节的反馈网络，构成非线性动态系统，主要用于联想记忆和二次型优化。
(2)动态递归神经网络 它利用网络的内部状态反馈来描述系统的非线性动态行为，像Elaman网络具有隐层输出端至该层输入端的反馈，Jordan网络具有输出层至隐层的反馈。
(3)模糊神经网络(FNN) 它是模糊集合与神经网络的一种结合，常用于建模。
2.人工神经网络在自动化中的应用
神经网络由于它有很强的非线性函数逼近能力，并具有并行处理工作方式等特点，已在很多应用领域受到了关注，在自动化中的应用主要有下列诸方面。
(1)过程建模及软测量 许多复杂的建模问题都可以转化为以下非线性最优拟合问题。
神经网络作为一种新型的非线性系统描述方法，它以简单非线性函数为基础构造复杂的函数，具有模型结构简单、自学习功能强等特点。
应用数学模型来间接测量一些成分和物性变量，为解决许多测量难题提供了可能性，近年来很受注意。除了采用非线性回归模型外，采用神经网络作为软测量模型有不少优点，同样或类似的网络结构，可用来描述变量完全不同、函数关系迥异的特性。现在对炼油过程中油品干点和倾点等的软测量，使用RBF网络能得到较满意的结果。
（2）故障监测和诊断人工神经网络可被用作故障监测和诊断的工具。不同的故障情况，会产生不同的现象。现将反映现象的工况变量作为网络输入，并通过网络的训练，使网络的各个输出节点反映某种故障存在与否，例如各节点的输出都接近于零，表示不存在故障，第i个节点的输出接近于1，表示存在故障i。采用足够数量的若干组因果关系数据对网络进行训练后，网络将有很好的故障诊断功能。
(3)用于控制
①逆动态控制 设对象的特性可用G(*)来描述，G(*)表示控制作用u对输出y的信号传递关系，如y(s)=G(s)u(s).若动态关系可逆，即G-1(*)存在，则只要设计和训练出特性为G-1(*)的神经网络(NN)控制器，将它与对象相连，如图3的简化框图所示，这样的开环系统可以实现y-r。
图示的系统没有画出反馈，为了消除余差，可以并联一个具有积分作用的输出反馈控制器，或者采用其他稍为复杂的系统结构。
②基于模型的控制 像内模控制、模型参考自适应控制和预测控制等都是基于模型的控制。它们在处理线性系统时，获得了满意的效果，但遇到非线性过程，设计比较困难。利用神经网络和非线性函数逼近能力，用来作为模型，可以解决问题。
③用神经网络作为在线估计器的控制 神经网络也可用作包括非线性函数关系在内的在线估计器。
④用于优化 利用Hopfield网络在稳态时其能量函数达极小值的性质，可以求解约束优化问题。
神经网络具有学习功能，将神经网络与人工智能、模糊逻辑相结合，其具体实现包括神经网络专家控制系统，神经网络模糊控制及各种含有神经网络的智能控制系统。
