模糊推理是基于模糊集理论的一种不确定性推理方法,它是设计和分析模糊专家系统、模糊控制系统和模糊智能决策系统的理论基础和重要工具。目前很多模糊推理算法都是在“推理合成方法”的基础上发展而来的。从逻辑语义蕴涵的角度看,“合成推理方法”中的复合运算是缺乏根据的。而基于相似度的模糊推理方法不需要建立两个模糊集合之间的模糊关系,该方法是通过计算输入与规则前件的相似度,得出输入样本属于某类别的确定性因子,并由此确定适当的输出。关于这类推理方法的研究,在理论和实际应用上已经取得了长足的进展,但是值得深入探讨的课题还有许多。本论文的主要研究工作与结果如下:1.提出了新的基于相似度的模糊推理算法,并讨论了该算法的连续性、逼近性问题,同时也考虑了它的误差传播特性,及规则摄动性问题。2.运用模糊Petri网进行模糊推理,有利于知识表示结构化,推理过程清晰化,且具有高度的并行处理能力。因此,将相似度推理算法与Petri网相结合,解决了模糊Petri网的token值都是由专家指定或假设得到的问题,同时避免了模糊统计法计算复杂的缺点。且该算法只对部分贴近度比较高的规则进行规则合成,避免了变迁优先级的筛选。我们根据带标识的模糊Petri网变迁触发规则,使推理过程图形化,便于从Petri网的角度进一步分析模糊Petri网。3.将模糊推理算法运用到模糊控制中去,通过模糊控制系统仿真,从推理结果、推理运算速度及控制仿真效果三个方面比较分析各种算法的优越性。实验结果表明,基于相似度的推理算法处理速度快,省时。但是,随着阈值的变化,系统实际输出存在一定的波动性。因此,在实际应用中,应合理的选取阈值,尽量避免波动性。4.采用论域自适应更新算法,消除了系统的稳态误差,使系统的实际输出逼近期望输出,使得模糊控制系统的控制效果更理想。