本文提出了一种新的基于自适应最小二乘（ALS）算法的模糊基函数网络（FBFN），并用磨削表面粗糙度模型来测试基于ALS 的FBFN 的性能，结果证明它在逼进复杂非线性磨削过程中有着很好的效果。关键词：ALS； FBFN；粗糙度Abstract：A novel adaptive Least-Squares Algorithm for FBFN is developed in this paper. A model of surface roughness using FBFN is applied in order to test the capabilities of FBFN trained by the ALS algorithm for approximating nonlinear grinding process. It proved that the novel algorithmperforms excellent in nonlinear approximation.Key words: ALS；FBFN；roughness磨削在当今加工制造业占据着重要地位。磨削过程建模因为其自身的高度复杂性和输入输出的非线性关系，而成为最富挑战性的难题之一。我们对磨削过程的认识主要集中前人所做的分析模型、实验数据和专家的经验知识，建模需要对上述各种信息加以整合。实践经验表明，磨削过程的主要参数修整导距、修整深度、工件转速和磨轮转速对磨削后工件的表面粗糙度都有影响，应建立一个四输入一输出的数学模型。但这四个因素作用规律复杂，且呈现非线性关系，采用常规的统计回归方法很难建立数学模型。模糊神经网络（NFS）是神经网络与模糊系统相结合的产物，它综合模糊逻辑和神经网络的优点,既能表示定性知识，又表示具有自学习和很强的非线性逼近能力，是处理非线性系统的有力工具。但是训练NFS需要大量的样本，在实际操作中因为条件的限制而不可行。本文提出了一种新的基于自适应最小二乘（ALS）算法的模糊基函数网络（FBFN），根据分析方程通过ALS算法来构建出粗略形式的模糊规则，然后用小样本的实验数据来调整构建好的FBFN的各个参数。经过实验的验证，取得了很好的效果。