Este estudio utilizó matrices de compuertas programables en campo (FPGAs) de Xilinx para implementar una red neurodifusa funcional (FNFN) para resolver problemas de control no lineales. Una red neuronal de enlace funcional (FLNN) se utilizó como parte consecuente del modelo FNFN propuesto. Este estudio adoptó funciones lineales independientes y polinomios ortogonales en una expansión funcional del FLNN. Por lo tanto, el diseño del modelo FNFN podría mejorar la precisión del control. El algoritmo de aprendizaje del modelo FNFN se dividió en aprendizaje de estructura y aprendizaje de parámetros. La medición de entropía se adoptó en el aprendizaje de estructura para determinar la nueva regla difusa generada, mientras que el método de descenso de gradiente en el aprendizaje de parámetros se utilizó para ajustar los parámetros de las funciones de membresía y los pesos del FLNN. Para obtener una operación de alta velocidad y una aplicación en tiempo real, se utilizó un lenguaje de descripción de hardware de circuito integrado de muy alta velocidad (VHDL) para diseñar el controlador FNFN y se implementó en FPGA. Finalmente, los resultados experimentales demostraron que la implementación hardware propuesta del modelo FNFN confirmó la viabilidad en el control de temperatura de un baño de agua y el control de respaldo de un automóvil.