در سالهای اخیر، یکپارچه سازی و ترکیب سیستم های فازی، تئور ی ویولت با شبکه های عصبی به یک روش محبوب در زمینه مهندسی کنترل سیستم های دینامیک غیرخطی تبدیل شده و در این راستا تحقیقات بسیار زیادی جهت شناسایی و کنترل اینگونه سیستم ها با استفاده از مدلسازی سیستم های مبتنی بر منطق فازی نوع 1 انجام شده است . از آنجا که اصولاً ساختارهای فازی نوع 1 قادر به بررسی دقیق موارد عدم قطعیت در قوانین فازی نمیباشد، در این پژوهش، توسعه ساختار شبکه های فازی نوع 2- ویولت شکل یافته بر اساس ساختار شبکه های عصبی در جهت کنترل سیستم های دینامیک غیرخطی با استناد به برخی از مزیت های ویژه توابع ویولت از قبیل قابلیت های سازگاری با فرایندهای دینامیکی و فشرده سازی مدنظر قرار گرفته است و بعلاوه از قابلیت های سودمند یادگیری شبکه های عصبی به صورت خاص بهره گرفته شده است. در اینجا شبکه پیشنهادی بر اساس مجموعه ای طراحی و در آن از توابع ویولت در قسمت نتیجه قوانین بهره گرفته شده tsk از قواعد فازی است. این ترفند ابزار مناسبی را درجهت انطباق سیگنال خروجی سیستم کنترل طراحی شده با سیگنال مرجع اعمال شده فراهم آورده و از سوی دیگر خاصیت مواجه شدن با عدم قطعیتهادر سیستم های فازی نوع 2 با کمک استفاده از توابع ویولت به جوابهای بهینه منجر شده است. نتایج بدست آمده از شبیه سازی های انجام شده حاکی از آنست که نوع روش یادگیری شبکه و مقادیر اولیه پارامترهای سیستم شناسایی و کنترل ب صورت چشمگیری بر روی پایداری سیستم مورد نظر و همچنین در دستیابی به پاسخ های مطلوب و با دقت بالا ی سیستم کنترلی بسیار تاثیرگذار می باشند. ولذا در اینجا، برای آموزش شبکه و تنظیم پارامترهای ناشناخته آن از استراتژی گرادیان نزولی تطبیقی استفاده گردید تا بهترین جوابهای ممکن در هر لحظه قابل دستیابی باشند. بعلاوه، دقت و عملکرد شبکه شناساگر و کنترلی ارائه شده در این تحقیق با سایر شبکه های طراحی شده، ضمن مدنظر قرار دادن تعداد پارامترهای مربوط به هر ساختار مقایسه گردیده است. نتایج بدست آمده نشان می دهد که این روش بطور قابل توجهی در افزایش سطح دقت سیستم شناساگر و کنترلی و بالا بردن آن با بکارگیری تعداد مناسبی از پارامترها موثر می باشد. در نهایت، کارآیی س اختار پیشنهادی با استفاده از نتایج شبیه سازی ارائه می گردد.