模糊系统善于表达人的经验性知识,可以处理带模糊性的信息,这是神经网络做不到的;但另一方面模糊系统的规则和隶属函数等设计参数只能靠经验来选择,很难自动设计和调整,这是模糊系统的主要缺点。因此若能用神经网络来构造模糊系统,就可以利用神经网络的学习方法,根据输入输出样本来自动设计和调整模糊系统的设计参数,实现模糊系统的自学习功能。本文提出了一种使用平均(Average)模糊算子来计算每条规则适用度的模糊推理模型,并用一种分层神经网络来构造该模糊推理系统。该网络采用最速下降学习方法,利用样本数值信息,对模糊隶属函数参数和规则激励强度进行自适应调整,自动提取模糊if-then规则,从而实现了模糊系统的自学习和自适应功能。该系统在结构上类似MLP神经网络,而在功能上是模糊系统,我们称之为FMLP(Fuzzy Multilayer Perceptrons)。仿真实验证实了FMLP结构的合理性和算法的有效性。模糊控制器的性能主要受限于是否可以找到合适的模糊规则。本文应用FMLP来设计不依赖于专家经验知识的自适应神经模糊控制系统。在仿真实例中使用该自适应神经模糊控制方法成功地实现了自适应模糊控制与自适应逆控制。