شناسایی سیستم ها به معنی تخمین پارامترهای آن ها با اعمال ورودی های مشخص و بررسی پاسخ سیستم ها به این ورودی ها از جمله مسائل مربوط به مهندسی سیستم است که از دیرباز مورد توجه قرار گرفته است. روش های تحلیلی پیچیده و دارای محاسبات فراوان برای این امر ارائه و توسعه یافته اند. عیب عمده ی این روش ها پیچیدگی زیاد و در نتیجه حجم محاسباتی بالا و زمان بر بودن انجام محاسبات است که باعث می شود که نتوان از این روش ها در کاربردهای on-line بهره گرفت. بنا به دلایل ذکر شده، جستجو به دنبال یافتن روش هایی با پیچیدگی کمتر و حجم محاسباتی پایین تر به منظور شناسایی سیستم ها شروع شده و تا به امروز ادامه دارد. از جمله ی روش های مورد استفاده، استفاده از شبکه های عصبی مصنوعی برای مدل سازی و تخمین پارامترهای سیستم های دینامیکی با استفاده از اطلاعات خروجی سیستم ها است.شبکه های عصبی مصنوعی جزو سیستم های تطبیقی هستند که توانایی حیرت انگیزی در مدل سازی سیستم های پیچیده، از جمله سیستم های غیرخطی و تغییر پذیر با زمان دارند که عملاً شناسایی چنین سیستم هایی توسط روش های تحلیلی غیرممکن است. شبکه های عصبی مصنوعی دارای انواع مختلف هستند و هرکدام کاربردهای متفاوتی دارند. تلاش های زیادی برای استفاده از انواع مختلف شبکه های عصبی مصنوعی و همین طور دیگر ساختارهای هوشمند به منظور شناسایی سیستم های پیچیده انجام گرفته است. در این پروژه، سعی بر این بوده است که با استفاده از دو نوع متداول شبکه های عصبی مصنوعی، موسوم به شبکه های mlp و rbf و همین طور ترکیب منطق فازی با شبکه های عصبی که منجر به ارائه ی شبکه های جدیدی به نام شبکه های anfis شده است، تخمین قابل قبولی از پارامترهای یک سیستم دینامیکی نمونه به دست آید.