参数自整定模糊控制
也称为比例因子自整定模糊控制。这种控制方法对环境变化有较强的适应能力，在随机环境中能对控制器进行自动校正，使得被控对象特性变化或扰动情况下控制系统保持较好性能。
专家模糊控制EFC(Expert Fuzzy Controller)
模糊控制与专家系统技术相结合，进一步提高了模糊控制器智能水平。这种控制方法既保持了基于规则的方法的价值和用模糊集处理带来的灵活性，同时把专家系统技术的表达与利用知识的长处结合起来，能处理更广泛的控制问题。
仿人智能模糊控制
其特点在于IC算法具有比例模式和保持模式两种基本模式。这两种特点使得系统对误差绝对值变化时，可使系统处于闭环运行和开环运行两种状态。这样能妥善解决稳定性、准确性、快速性的矛盾，能较好地应用于纯滞后对象。
神经模糊控制(Neuro-Fuzzy Control)
这种控制方法以神经网络为基础，利用了模糊逻辑具有较强的结构性知识表达能力，即描述系统定性知识的能力以及神经网络的强大的学习能力与定量数据的直接处理能力。
多变量模糊控制
这种控制适用于多变量控制系统。一个多变量模糊控制器有多个输入变量和输出变量。
3.8 模糊控制理论研究的现状
尽管模糊控制理论已经取得了可观的进展,但与常规控制理论相比仍不成熟。模糊控制系统的分析和设计尚未建立起有效的方法,在很多场合下仍然需要依靠经验和试凑。近年来,许多人一直尝试将常规控制理论的概念和方法扩展至模糊控制系统,而模糊控制与神经网络相结合的方法已成为研究的热点,二者的结合有效地推动了自学习模糊控制的发展。
模糊控制易于获得由语言表达的专家知识,能有效地控制那些难以建立精确模型而凭经验可控制的系统,而神经网络则由于其仿生特性更能有效利用系统本身的信息,并能映射任意函数关系,具有并行处理和自学习能力,容错能力也很强。在集成大系统中,神经网络可用于处理低层感知数据,模糊逻辑可用于描述高层的逻辑框架[5]。模糊逻辑与神经网络的结合有两种情况:一是将模糊技术用于神经网络形成模糊神经网络,一是用神经网络实现模糊控制。这两方面均见于大量的研究文献。
常规模糊控制的两个主要问题在于:改进稳态控制精度和提高智能水平与适应能力。从大量文献中可以看出,在实际应用中,往住是将模糊控制或模糊推理的思想,与其他相对成熟的控制理论或方法结合起来,发挥各自的长处,从而获得理想的控制效果。
如:利用模糊复合控制理论的分档控制,将PI或PID控制策略引入Fuzzy控制器,构成Fuzzy-PI或Fuzzy-PID复合控制;适应高阶系统模糊控制需要的三文模糊控制器;将精确控制和模糊控制结合起来的精确—模糊混合控制;将预测控制与模糊控制相结合,利用预测模型对控制结果进行预报,并根据目标误差和操作者的经验应用模糊决策方法在线修正控制策略的模糊预测控制等。
模糊控制的发展过程中,提出了多种自组织、自学习、自适应模糊控制器。它们根据被控过程的特性和系统参数的变化,自动生成或调整模糊控制器的规则和参数,达到控制目的。这类模糊控制器在实现人的控制策略基础上,又进一步将人的学习和适应能力引入控制器,使模糊控制具有更高的智能性。自校正模糊控制器、参数自调整模糊控制等控制方法也都较大地增强了对环境变化的适应能力。
模糊控制与其他智能控制方法的结合组成的模糊控制,如专家模糊控制能够表达和利用控制复杂过程和对象所需的启发式知识,重视知识的多层次和分类的需要,弥补了模糊控制器结构过于简单、规则比较单一的缺陷,赋予了模糊控制更高的智能。 基于模糊控制的锅炉温度史密斯预估器的改进(6):http://www.youerw.com/zidonghua/lunwen_5320.html