在各种控制系统中,由于控制对象存在某些不确定性和各种干扰,包括环境或参数改变的影响等复杂因素,致使系统的控制无法满足性能的要求。自适应控制通过自动调节控制器参数,来消除那些复杂因素和不确定性的影响,使控制器与控制对象和环境相适应,但这一般仅适用于参数变化不大的情况,因为在本质上,自适应控制是利用对系统性能有关的因素的估计,来补偿或克服不确定性和各种干扰。智能控制则针对系统复杂性,不确定性,从系统的整体性能优化的角度来分析和综合系统,以达到最佳的控制效果。智能控制可是模糊控制,也可是神经网络控制等等,智能控制既可作为复杂不确定系统的补偿环节,又可用于非线性系统的辩识和控制,还能对控制进行优化计算,因此智能控制在自适应控制中有广泛的应用,本文便提出一类自适应结合智能控制的方法。神经网络具有自学习功能,可以逼近任意非线性函数,所以神经网络既可作为复杂不确定系统的补偿环节,又可用于非线性系统的辩识和控制,还能对控制进行优化计算。因此基于神经网络的自适应控制有着重要的研究意义。模糊控制是处理推理系统和控制系统中不精确和不确定性的一种有效方法。对于那些时变的、非线性不确定的复杂系统采用模糊控制时,为了获得良好的控制效果,必须要求模糊控制具有较完善的控制规则,这些控制规则是人们对被控过程模糊信息的归纳和操作经验的总结。由于被控过程的非线性、高阶次、时变性以及随机干扰等因素,造成模糊控制规则或者粗糙或者不够完善,都会不同程度地影响控制效果。为了弥补这个不足,模糊控制向自适应、自组织、自学习方向发展,使得模糊控制规则在控制过程中自动地调整、修改和完善,从而使系统的控制性能不断改善,达到最佳的控制效果。因此基于模糊逻辑的自适应控制有着重要的研究意义。最后,对上述两种研究方法进行实例仿真,仿真效果良好,表明自适应控制与智能控制的结合是可行的,而且是理想的。