模糊神经网络是智能控制理论中一个十分活跃的分支,是一种能处理抽象信息的网络结构,具有强大的自学习和自整定功能。一方面弥补了纯模糊逻辑在学习方面的缺陷,另一方面使得神经网络这一“黑箱”问题走向透明化。小波神经网络结合了小波变换良好的时频局域化性质及神经网络的自学习功能,具有较强的逼近能力和容错能力,在处理复杂非线性、不确定、不确知系统等问题上表现出优于传统前向神经网络的收敛速度、容错能力、预报效果。因此,模糊神经网络和小波神经网络的发展对智能控制发展具有非常重要的意义。将聚类算法引入模糊神经网络,利用聚类算法来提取系统特征,优化输入输出空间,从而生成初始的、粗略的模糊规则库。在分析了模糊C均值(FCM)聚类算法缺陷的基础上,针对类别数的确定和聚类中心初始化这两方面的问题对FCM聚类算法进行了改进。依照改进算法的聚类结果生成规则数目和初始参数,并由此确定模糊神经网络的初始结构。在模糊神经网络的学习过程中,除了利用误差反向传播学习算法对参数进行修正外,还利用灵敏度剪枝算法对网络的结构进行进一步的优化,达到自适应调整网络结构和参数的目的,获得最优的模糊控制规则库。最后以函数逼近为例,验证了所提算法的有效性,说明了它在自适应能力、逼近精度等方面的优势,从而可将其有效地用于模糊建模和控制问题的求解。结合小波函数的特性及RBF神经网络结构的特点,构造了一种自适应小波神经网络,并提出了多级自适应小波神经网络模型,一定程度上解决了维数灾难问题,为小波神经网络的实际应用提供了一种有效的方法。将遗传算法与小波神经网络有效的结合起来,充分发挥各自的优势,为小波神经网络的初始参数的确定提供了一种较为有效的办法,并对遗传算法易出现“早熟”和寻优效率不高问题,对算法进行了改进,改进的遗传算法不仅提高了搜索效率,而且增强了算法的全局收敛性。针对小波神经网络常用的误差反传算法存在着易陷入局部极小点和对初值参数要求较高的缺点,结合遗传算法自适应全局优化搜索能力与小波神经网络良好的时频局部特性,提出了一种有效的学习训练途径。首先采用改进的遗传算法确定小波神经网络的初始参数,提高了搜索效率,增强了网络的全局收敛性,然后转入纯小波神经网络进行训练,网络训练时采用改进的共轭梯度学习算法,有效地克服了梯度学习算法容易陷入局部极小的缺点并加快了网络的收敛速度,最后,通过二阶倒立摆系统的控制仿真和实物控制,验证了自适应小波神经网络控制器的有效性。