模糊控制技术广泛应用于工业过程控制。模糊规则库的构建是模糊控制器设计的核心问题。模糊规则库的构建要基于对被控系统的理解,而这些信息主要来源于专家经验和样本数据。对于复杂系统,基于专家经验获取的模糊规则往往比较粗糙。因此,研究基于样本数据的模糊规则提取方法十分重要。本文提出了一种新的从样本数据中提取模糊规则的方法。该方法首先采用可能性模糊C-均值算法划分输入空间,得到模糊规则的前件部分,然后采用固定尺度最小二乘支持向量机确定规则的后件函数,结合输入变量的隶属度值,将各后件函数加权求和即可得到模糊控制器的输出。本文的主要工作内容和创新点如下：(1)针对构建模糊规则前件时通常所使用的模糊聚类算法容易受到噪声影响的问题,本文提出了一种采用可能性模糊C-均值聚类算法划分输入空间的方法。该算法根据隶属度值和典型值共同完成对数据的划分,可以降低噪声数据对聚类结果的影响,得到最佳聚类中心。(2)本文提出了一种采用固定尺度最小二乘支持向量机来获取后件函数的方法。该算法可从样本数据中学习得到任意后件函数,它比支持向量机拥有更快的计算速度。基于该方法所得的模型拥有良好的稀疏性和较强的泛化能力。(3)本文以某轧钢厂加热炉为研究对象,采用该对象的实际样本数据集进行实验分析与方法验证。实验结果表明,本文提出的方法能够有效地提取炉温模糊控制器的模糊规则。