Bir noro-fuzzy karma kontrol stratejisi ve ona uygun kural iiretme yakla~lml onerildi. Bu yakla~lma gore fuzzy giri~leri yoluyla fuzzy kontrol kurallan otomatik olarak liretilebilir ve daha soma basitle~irilmi~ fuzzy sonul( I(lkarma makinasmdan uygun kontrol i~lemi., verimli bir sonul( I(lkanlabilir. Bir artan PI algoritmasl ve bir pozisyon PD a1goritmasmm birle~irilerek kullarulmasl ile bir PID fuzzy kontrol stratejisi iki giri~ degi~keni ile basitye g6sterilebilir. Bu, kontrol performanslru azaltmadan kontrol kurallan saYlSlnda onemli azaitrna sagiar. Kontrol pararnetreleri , bir tek noronla birlikte modifiye edilrni~ geri ya)'lhm a1goritrnasl ortaya koyarak kendi kendine ayarJmabilir. Simiilasyon sonuylan bize gosterdi ki onerilen fuzzy denetleyici bilinmeyen i~lemleri kontrol edebilmeyi saglar ve iyi bir performans saglar. Geleneksel kendinden yapIlanmail ve fuzzy denetleyici tabanh yapay sinir aglanyla kar~!la~tmldlgmda bu metod daha basit kontrol a1goritmasl ve daha az hesap agrrhgI iyerir.
A hybrid neuro-fuzzy control strategy and its corresponding rule generating approach is proposed. According to this approach, the fuzzy control rules can be generated automatically via fuzzy inputs, and then the appropriate control action can be deduced efficiently by a simplified fuzzy inference engine. By combining the use of an incremental PI algorithm and a positional PD algorithm, a PID fuzzy control strategy can be implemented simply from two input variables. It results in the number of control rules being significiantly reduced without decreasing the control performance. The control parameters can be self-tuned by introducing a single neuron together with a modified back-propagation learning algorithm. Simulation results show that the proposed fuzzy controller is able to control unknown processes and provide good performance. Compared traditional self-organising and neuralnetwork-based fuzzy controllers, this method has simpler control algorithms and less computational burden.