倒立摆是一种复杂、时变、非线性、强耦合、自然不稳定的高阶系统，许多抽象的控制理论概念都可以通过倒立摆实验直观的表现出来。基于人工神经网络BP算法的倒立摆小车实验仿真训练模型，其倒立摆BP网络为4输入3层结构。输入层分别为小车的位移和速度、摆杆偏离铅垂线的角度和角速度。隐含层单元数16个。输出层设置为1个输出单元。输入层采用Tansig函数，隐含层采用Logsig函数，输出层采用Purelin函数。用Matlab 6.5数值计算软件对模型进行学习训练，并与线性反馈控制逻辑算法对比，表明倒立摆控制B

为了提高三级倒立摆系统控制的响应速度和稳定性,在设计Mamdani 型模糊推理规则控制器控制倒立摆系统稳定的基础上, 设计了一种更有效率的基于Sugeno 型模糊推理规则的模糊神经网络控制器。该控制器使用BP 神经网络和最小二乘法的混 合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani 型控制器的仿真对比, 表明该Sugeno 型模糊神经网络控制器对三级倒立摆系统的控制具有良好的稳定性和快速性,以及较高的控制精度。-In order to