机器人系统是一个十分复杂的多输入多输出系统,具有时变、强耦合和非线性动力学特性。在机器人解析建模过程中需要做大量的假设和近似处理,忽略一些不确定性因素和不确定的外界干扰,诸如机器人各关节之间的摩擦、高频特性、信号的检测误差等,无法得到其精确的数学模型。近年来,模糊建模已经成为非线性系统建模的研究热点,基于模糊理论的模糊辨识方法正被广泛应用于复杂系统的建模中。对于机器人系统而言,引进模糊建模方法将为实现机器人鲁棒自适应控制打下坚实基础。本文以不确定性机器人系统为研究对象,主要研究了两种机器人模糊建模方法,并将这两种方法用于仿生机器马的模糊模型建立当中,具体工作如下:首先给出一种基于自适应神经模糊推理系统(ANFIS)的方法对机器人系统进行建模。为了给ANFIS赋予一个合适的初始状态,选用减法聚类对输入数据进行处理。ANFIS网络的所有参数采用混合算法进行调节,即前提参数采用梯度下降法,结论参数采用最小二乘法。接着提出一种改进的模糊聚类方法对机器人系统进行建模。建模过程中首先采用减法聚类进行聚类分析,然后用模糊均值聚类来辨识机器人T-S模糊模型的前提结构和前件参数,利用递推最小二乘法推出结论参数。最后,将基于ANFIS和改进型模糊聚类算法应用在6自由度仿生机器马系统上分别进行建模。通过实验采集输入输出数据,来建立机器马的模糊模型。仿真结果表明两种方法辨识精度高,所建模型结构简单,并且能将外界干扰等诸多不确定性因素包含在模糊模型当中。