美国南加利福尼亚大学电子工程系的Bart Kosko教授在1991年提出了著名的标准可加性模型(Standard Additive Model)。在1996年他出版的“模糊工程”一书中，Kosko教授详细讨论了这种把可加性模糊系统用一种简单的代数形式表示成为标准可加性模糊系统的方法。这种前向的标准可加性模糊系统是可加性系统中最重要的一种形式也是模糊系统的一个重要的新结构。在模糊工程一书中，Kosko把这个模型应用到许多工程领域并概括出模糊工程的核心问题是函数逼近问题。 由于模糊神经网络自身所具有的许多特点使它能够处理在工程应用中所能遇到的大量不确切信息。在本文中我们提出一种以标准可加性模型为基础，把模糊系统和神经网络相结合的新结构，并给出模糊集合学习和调整的新学习算法。因为隶属函数的选取会影响模糊系统逼近函数的效果，而高斯型隶属函数的钟形曲线只要简单的学习规则就可以表示丰富的模糊信息，我们选取高斯型隶属函数作为模糊集合函数。高斯型函数是由它的中心和宽度两个参数决定的，所以，我们给出新的有监督的梯度下降算法来调整如果部分高斯函数与则部分的高斯函数的中心和宽度。这种学习可以把模糊规则块在突起之间移动，以便得到更好的逼近效果。 在上述研究的基础上，我们在文章的最后给出一个逼近非线性函数的仿真实例。在这个仿真实例中，大家可以看出我们所给出得算法是正确和可行的。