自组织模糊神经网络结构：一般的MIMO非线性系统可由模糊控制表或含S个规则的模糊推理系统表达：第l个规则：IFx1isAl1，…，xnisAlnTHENy1isBl1，…，ymisBlm（1），如果使用*小算子和加权平均的清晰化方法，上式所给出的模糊推理系统可转换为从x∈Rn到y∈Rm非线性映射关系yj=∑sl=1Pljminn{LAli（xi）}∑sl=1minn{LAli（xi）}，j=1，2…，m（2），其中：P表示规则匹配度；L代表隶属度函数。

　　提出一类7层前馈自组织模糊神经网络以实现式（1）所示的模糊推理系统，该模型相比于文献提出的模型在规则匹配层进行了简化，并在网络的输出端增加了以比例因子为权值的输出层，使得模型的输出值可直接作为工业现场的控制量。网络模型每层的输入输出函数关系分述如下：输入层Iaik=xik，Oaik=Iaik，i=1，2…，n（3），其中：k表示数据样本序列号。

　　模糊化层Obik=waiOaik=waixik，Obik=Ibiki=1，2…，n（4），成员函数层网络的结构Icijk=-（Obik-Cij）2/R2ij，Ocijk=eIcijk；i=1，2…，n；j=1，2…，mi（5），其中mi为第i个输入变量的模糊子集数；Cij，Rij分别为高斯型成员函数的中心与半径。

　　规则层Idik=min{Oc1jk，Oc2jk，…，Ocnjk}Odik=Idik；i=1，2…，s；其中s=∏ni=1mi（6），规则匹配层Iejk=Odjk，∑si=1OdikOejk=Iejk，j=1，2，…，s（7），除模糊层Ifik=∑sj=1weijOejk，Ofik=Ifik，i=1，2…，m（8），输出层Igik=wfiOfik，Ogik=Igik，i=1，2…，m（9），学习算法相对于式（1）所给的模糊规则的前件与后件，分别给出2种学习算法训练，即：远离极值点，利用梯度下降法调整前件中的高斯型成员函数的中心及半径，在极值点附近，利用近似牛顿法调整后件中的学习权值。梯度下降法也用来调整量化因子与比例因子。