图1-46即为一多门冰箱的神经一模糊控制技术框图。由图可见，模糊控制主要是根据温度传感器测得的各室温度值和算出的温度变化，运用模糊推理确定食物温度，控制压缩机运转和风门，达到最佳的运行状态和最佳保鲜效果。神经网络主要用于学习和记忆门开启等运行状态和确定最佳化霜时间等。
现以用于冰箱化霜的智能控制为例。以前，冰箱的定时化霜与冰箱门的开闭之间没有直接关系。现在，运用模拟神经智能控制技术将冰箱门开闭次数、开闭频率和最佳化霜时间加以统计和分析，预置于控制程序中，让其记忆，而后，根据冰箱的实际运行选择在冰箱门开闭最少的时间段内进行自动化霜，使冰箱内温度波动最小，对食品质量影响最小。
根据大量统计分析，建立了冰箱的开闭情况和化霜时间对应关系。一天24 h段，以开闭频率来表征冰箱门的开闭状态。不同的开闭频率的分布，有不同的最佳化霜时间。以大量统计得到的这样对应关系，作为输入输出的样本，经学习存于神经网络中，这就是控制的基本经验和知识，是开发单位赋予冰箱的智能。
为了记忆冰箱门的开闭次数，将1天分割为12 h间段，对每个时间段中冰箱门的开闭次数计数，作为1天的数据记忆(一般平均而言1个时间段内冰箱门开闭约为4次)。再将8天冰箱门开闭次数的累计数据作为记忆的依据。以后平均隔24 h记忆更新一次，即经过24 h的设定点，从8天的累计数中减去1/8，再把新的1天的数据加进去，成为新一轮的累计数。
将12个时间段的门开闭次数按次数多少为序，由小到大依次转换成门开闭频率。门开闭次数相同的，其频率顺序也相同。上述学习方法中，学习样本的输入就是按此方法作成的。表I一29为一举例。
同样，对于压缩机运转特性的学习和记忆方法也是一样，对每个时间段压缩机构的运转时间的数据和8天的累计数据加以记忆，以后每隔24 h更新记忆1次。
关于化霜运转的神经网络模型如图1-47所示，分为输入层((I,---I2)，中间层(M1 ~M12)和输出层(O1 -O12 )。层间神经元各用12条神经连结成，用于权系数的模拟。开发中获得的最佳化霜时间的经验作成数据样本，对网络进行训练，经过学习得到权系数等参数从而转化成数据库。
用以上记忆方法得到的实际运行的情况作成12段门开闭频率，以此为输入进行计算，得到相应的输出，就可确定最佳化霜时间。.中间层的输出(M1'M12)是用公式由输入层的输入I(门开闭频率)和各权系数W,(1,1)-W,(12,12)计算得到。权系数作成表格方式，由所使用的微机运算指令，进行实际运算。
其他如预冷、低噪音运转、除臭、速冻等等，都可按上述步骤设定权系数，进行模拟神经网络的智能模拟运算，以获得最佳的运算模式。
模拟冰箱压缩机的运转特性和使用特性，在冰箱门开闭频率低，并且蒸发器的化霜放在必要的时间段范围内进行，则对箱内食品温度影响最小，食品的温度上升约改善2.2℃。
模拟冰箱使用特性，在I天中门开闭频率最高的时间段之前，强制冷却冰箱内部，并进行除臭，提高食品的保存性及除臭能力.
模拟冰箱使用特性，在1天中开闭频率低的时间段后，降低风扇电机转速，噪音降低约1 dB。
当箱内放入大量食品或制冰时或门开闭频繁时，自动转换状态，不致因门的开闭频繁而导致影响箱内食品温度上升。
防止冷藏室内食品的部分冻结或过冷。
当冬季不用冷藏箱时，抑制冷量，转入节能运行，当环境温度<11℃时，可以节电5%。
