模糊控制是模糊理论与自动化技术有机相结合的智能控制方法,它克服了传统控制方法严重依赖对象精确模型的缺点,能够体现人类的经验知识和能动性,并且自身具有结构简单易于实现、逼近能力强的特点,发展到现在已经是一种处理非线性和不确定性复杂系统的有效控制方法。模糊建模作为建立模糊控制系统的首要问题,一直吸引人们对其进行不懈的研究。模糊建模的主要任务是从控制对象离线或在线数据中提取有效的模糊规则和辨识隶属函数参数,其中提取模糊规则是模糊建模的首要问题,隶属度函数参数是模糊系统应用于实际控制对象的重要指标,遗憾的是针对二者目前还没有形成完善的理论,这限制了模糊控制更广泛更有效的应用。本文围绕模糊建模的方法进行了一些研究。支持向量机是一种泛化能力强的学习算法,它能够克服传统学习算法易过学习等缺点,而聚类算法也已经被证明是模糊空间划分的有效工具。本文研究了两种方法相结合的模糊规则提取方法。由于模糊神经网络兼有模糊系统和神经网络的优点,因此它是一种高效且易于理解的参数辨识方法。本文主要内容如下：1针对离线聚类算法需要预先知道模型数据及未考虑输入与输出的时间关系的特点,研究了一种在线聚类分类方法。该方法算法简单易于实现,是一种模糊空间划分的有效方法。2阐述支持向量机基础理论和分类、回归的原理。介绍支持支持向量机与模糊系统的相似性,说明支持向量机提取模糊规则的可行性。针对传统支持向量机存在的缺点,研究了最小二乘支持向量机回归和改进粒子群算法的核参数优化方法,在此基础上给出最小二乘支持向量和在线聚类的提取模糊规则的实现算法。说明参数辨识的必要性,介绍常用参数辨识方法和模糊神经网络的原理及结构,在此基础上给分别出Mamdani模型和T-S模型的模糊神经网络辨识算法。3综合本文的结构辨识和参数辨识方法提出一种模糊建模方法,通过仿真分析,证明方法的有效性。