系统偏差及偏差变化率的比例因子来控制模糊控制器中的输出量的比例系数，即改变系统的增益。它充分体现了操作者手动控制的思维特点和控制策略，保证了系统有良好的动态性和稳态精度；③模糊自整定PID参数控制器：应用模糊集理论，根据系统运行状态，在线整定控制器PID参数〔KP、KI、KD〕。由于模糊自整定参数KP、KI、KD与偏差e变化率ec间建立起在线自整定函数关系，且这种关系是根据人的经验和智慧积累起来的，使系统在不同的运动状态下能对PID控制器参数实现智能调节，能明显改善被控过程的动态性和稳定性能，提高抗干扰能力和鲁棒性。23模糊控制与其他智能技术分支相结合作为智能控制的一种新方法，模糊控制与智能领域的一些其他新技术相结合，向着更高层次的应用发展也是目前研究热点之一。下面简要介绍模糊控制与神经网络和遗传算法的结合情况。1模糊控制与神经网络NN的结合神经网络是由大量的简单
f处理单元构成的非线形动力系统，能映射任意函数关系，且具有学习性，能处理不完整、不精确的、非常模糊的信息。模糊控制和神经网络之间具有很强的互补性，一方面对神经网络来说知识抽取和知识表达比较困难，而模糊信息处理方法对此却很有效；另一面，模糊模式很难从样本中直接学习规则，且在模糊推理过程中会增加模糊性，但神经网络能进行有效地学习，并且采用联想记忆而降低模糊摘6。由此可见，神经网络适合于处理非结构化信息，而模糊模式对处理结构化的知识更有效。模糊控制与神经网络的融合系统是一种自适应模糊控制系统。目前，实现模糊控制的神经网络从结构上看主要有两类，其一是在神经网络结构中引入模糊模式，使其具有处理模糊信息的能力，如把神经元中的加权求和运算转变为“并”和“交”等形式的模糊逻辑运算以构成模糊神经元；其二是直接利用神经网络的学习功能及映射能力，去等效模糊控制中的模糊功能块，如模糊化、模糊推理、反模糊化等，目前研究应用最为广泛的ANFIS模糊神经网络就属于这一类。ANFIS网络一般由五层前向网络组成，每层都有明确的含义，第一层为输入层；第二层计算隶属度函数；第三层计算每条规则的使用度；第四层进行归一化计算；第五层实现清晰化即解模糊化。ANFIS网络所包含的信息能够清晰地获得，克服了BP网络黑箱型操作的不足7。采用神经元网络实现的模糊控制，对于知识的表达并不是通过显式
f的一条条规则，而是把这些规则隐含地分布在整个网络之中。在控制应用中不必进行复杂费时的r