神經網絡控制是模仿人類感覺器官和腦細胞工作原理的控制方法，它是由一些簡單的閾值邏輯單元根據平行結構的重量可調節的連接在一起，可以接受大量的信息，處理結果和并行輸出信息。系統的硬件仿照神經細胞網絡，而軟件模擬神經細胞的工作，即每個神經元接收信號，根據相應的規律輸出信號。它的優點是能快速處理復雜的控制任務。

　　摘 要 中國在80年代末開始對神經網絡研究，主要開展了一些基礎性的應用工作領域。人工神經網絡的可塑性，自適應性和自組織性使得其具有很強的自學習能力與并行處理能力，保證了其能夠快速處理問題。為了滿足實時分布式存儲的需求，它具有更好的魯棒性和容錯性。因此，人工神經網絡已被廣泛應用于模式識別，系統識別，圖像處理，自動控制等領域。

　　關鍵詞 《建設者》,神經網絡,控制系統,控制科學,模型,機器人

　　1神經網絡控制的發展現狀

　　美國的科學家從大腦中的信息處理的角度來研究一些基本的生理特性方法，利用數學模型來研究大腦細胞的運動與結構和生物神經元，提出了第一個神經網絡模型(MP模型)，開辟了神經科學研究的時代。心理學家赫布通過大腦在學習后形成的條件反射來對神經細胞進行研究，提出了Hebb規則的神經元連接強度的變化規律。人工智能神經網絡系統的研究是從第二十世紀50年代和60年代初開始進行的。計算機科學家提出了感知器模型，模擬動物和人類的認知能力和學習能力，提出了三層感知器隱藏層處理單元的新概念。科學家們還提出了自適應線性神經元模型，這是一個學習研究規律的有效方法。這些新的科研創舉使神經網絡從理論研究進入實施階段，從而在人工神經網絡的研究領域中引發了第一個高潮。

　　人工智能起初是一個基于感知器作為函數的數學研究學科，深入分析后開發出了具有局限性的簡單網絡系統，并有科學家指出：感知器只有單一的求解線性問題，解決簡單的非線性問題，就必須采用多層神經網絡的隱單元。在當時的條件下，用有效的學習算法來找到一個多層神經網絡是非常困難的，從而使許多神經網絡研究人員都失去了信心，使神經網絡理論進入了停滯階段。之后，科學家們提出了新的神經網絡模型，神經網絡的研究取得了突破性的進展。科學家們提出了能量函數的概念以及神經網絡的穩定性判據。他們在非線性動力學的幾種神經網絡模型中的優化問題的解決方案是成功的，對神經網絡理論的發展產生了深遠的影響。這使得神經網絡的研究的重新點燃了復興之火。不久之后，就有其他科學家提出了用BP算法來代替多層前饋反向傳播算法來訓練神經網絡，從實踐上證明了神經網絡具有很強的操作能力，其應用已經滲透到各個領域，并取得了令人鼓舞的進展，如在智能控制，模式識別，自適應濾波和信號處理，非線性優化，傳感和機器人，生物醫學工程等領域都取得了令人矚目的偉大成就。這些成果深化了人們對神經網絡的了解。

　　2神經網絡控制的應用背景

　　具有自學習能力的人工神經網絡非線性映射能力，聯想記憶能力，并行信息處理能力和容錯性能都很優異，在科學和技術領域都引起了廣泛的關注。相比于復雜系統的控制模型，特別是在系統不確定性的情況下，神經網絡控制體現出了無與倫比的優勢。

　　上世紀60年代，科學家們首先正式介紹了神經網絡控制系統。第二十世紀60年代初，在美國“阿波羅登月計劃中，科學家們還提出了根據在脊椎動物神經系統的網狀結構中研究出的一種漸進模型的工作原理，使月球車在復雜的環境中能夠具備一定的自控能力。在美國空軍技術研究領域，神經網絡濾波已經得到了廣泛的應用。概率神經網絡也被成功地用于解決兩個單獨電子發射器的相關問題。對神經網絡控制的研究主要集中在自適應控制與智能機器人，以及后來的專家系統和模糊神經系統，在這些學術領域中都取得了大量的成果。

　　神經網絡處理非線性和不確定性系統有著巨大的發展空間。可以說，在各種實際問題中，凡是可以采用傳統的控制理論來解決的問題，幾乎都可以利用神經網絡技術來解決問題，而傳統的控制技術無法解決的也可以用神經網絡來解決。神經網絡控制的許多成功案例讓人們看到了智能控制時代的到來。當然，由于目前的神經網絡硬件的發展，神經網絡控制的大規模應用時代尚未到來，具有簡單功能的神經元芯片的成功研制卻使人對其發展前景信心倍增。

　　參考文獻

　　[1] 韋巍，蔣靜坪.基于多神經網絡的機器人軌跡學習控制研究[J].浙江大學學報(工學版)，1997(04).

　　[2] 張健欣，郭寧.基于神經網絡的非線性系統自適應控制綜述[J].內蒙古電大學刊，2007(12).