3.4 模糊解耦控制器的研究
__ 徐承伟[11]首先提出模糊系统的串联解耦补偿，引入一个解耦补偿器。随后又提出模糊系统的反馈解耦，引入一个反馈解耦控制器。杨辉[12]对多变量模糊控制算法进行研究，引进模糊子集的交叉系数，借助多变量系统解耦设计原理，用多个单变量模糊控制器来表示一个解耦多变量模糊控制器，获得良好的控制效果，但是模糊解耦控制系统的研究尚处于发展阶段，有许多问题还有待解决。
3.5 其他模糊复合控制器的研究
___ 张化光[13]提出过一种基于模糊基函数的多变量鲁棒自适应控制器，将模糊控制与鲁棒控制相结合，可充分保证闭环非线性控制系统的鲁棒性和跟踪误差的渐进收敛性。类似的研究还有模糊变结构控制、模型参考自适应控制、最优模糊控制器、模糊预测控制等。
3.6 神经网络PID控制器的研究
___ 神经网络具有学习能力和逼近任意非线性映射能力，因而在解决不确定性复杂系统的控制方面有非常大的应用前景。近年来国内外学者在将神经网络与传统技术相结合，应用于非线性系统控制方面进行了许多有益的尝试，取得一些可喜的成果。如何玉彬[18]从经典PID控制思想出发提出具有PID权值形式的网络结构，构成神经网络PID复合控制器，同时作者为避免神经网络可能陷入局部极小，建立了一种混合神经直接自适应控制结构和相应的学习算法，取得了很好的控制效果。
3.7 神经网络鲁棒自适应控制器的研究
何玉彬[16,17]针对模型未知系统，提出一种复合控制结构——神经网络并行自学习鲁棒自适应跟踪控制结构，它可以利用神经网络的学习能力和非线性映射能力，解决传统自适应控制中模型的在线辩识和控制器的在线设计问题，以达到对不确定非线性系统的高精度输出跟踪控制；通过引入运行监控器，克服神经网络控制方法通常存在的时实性差的问题；利用一个鲁棒反馈控制器来保证神经网络模型学习初期闭环系统的稳定性。3.6,3.7提出的两种方法都是通过一个常规反馈控制器来保证系统的稳定性。因此设计神经网络控制器时自由度较大，这类智能复合控制器就比纯智能控制有更好的控制性能。
3.8 神经网络最优控制器的研究
___ 王耀南[19]将线性最优控制技术与非线性神经网络的学习方法相结合，提出一种新的非线性最优复合控制器。这种控制方法将人工神经网络所具有的并行性、自适应、自学习等能力应用于现在的最优控制，作为控制系统补偿环节，完成更精确建模和稳定的控制，使控制系统具有更高级的智能，是一种非常有效的结合方法。
3.9 其它类型神经网络复合控制的研究
王振雷[21]将智能控制策略中的模糊神经网络与H
最优控制策略相结合，构造智能H复合控制器，成功的完成对包含不确定模型和未知有界扰动的非线性多变量系统的控制；将模糊神经网络与滑模变结构控制结合设计出模糊变结构复合控制器，可以改善滑模变结构控制器的性能，对一类不确定系统进行有效控制。
4_ 智能复合控制系统的发展前景
___ 智能复合控制器在非线性多变量系统中的应用已经成为当前控制领域的一个研究热点，取得了许多研究成果。但是目前在复合控制器的设计和应用方面仍存在一定的问题：智能控制技术和传统控制理论的结合形式比较单一，不能充分利用当前智能控制技术和传统控制理论各自的研究成果；控制器中智能模块结构的确定没有理论依据，多是凭借设计者的经验选定，通常选定的结构比较复杂，学习周期长，不利于实时运行；控制器的智能逼近模块的逼近精度难以确定，不能获得精确的控制效果。这些问题都有待于进一步研究。
总之，将智能控制策略和传统控制方法相结合构造智能型复合控制器，取其在控制中的优势和特点，已成为当今控制领域的一个研究热点，也成为解决各类复杂系统控制问题的重要工具，在理论和实际应用中都有十分重要的意义。
参考文献
[1]韦魏. 智能控制技术. 北京：机械工业出版社.
[2] Abdelnour GM. Design of a fuzzy controller using input and output mapping factors [J]. IEEETrans .on systems, Man, and Cybemetics,1997,27(5):884-889.
[3] Ying H. The Takagi-sugeno fuzzy controllers using the simplified linear control rules are nonlinear variable gain controllers [J]. Automatica,1998,34(2):157-167.