摘 要 中国在80年代末开始对神经网络研究，主要开展了一些基础性的应用工作领域。人工神经网络的可塑性，自适应性和自组织性使得其具有很强的自学习能力与并行处理能力，保证了其能够快速处理问题。为了满足实时分布式存储的需求，它具有更好的鲁棒性和容错性。因此，人工神经网络已被广泛应用于模式识别，系统识别，图像处理，自动控制等领域。
　　关键词 神经网络 控制系统 控制科学 模型 机器人
　　中图分类号：TP183 文献标识码：A
　　1神经网络控制的发展现状
　　神经网络控制是模仿人类感觉器官和脑细胞工作原理的控制方法，它是由一些简单的阈值逻辑单元根据平行结构的重量可调节的连接在一起，可以接受大量的信息，处理结果和并行输出信息。系统的硬件仿照神经细胞网络，而软件模拟神经细胞的工作，即每个神经元接收信号，根据相应的规律输出信号。它的优点是能快速处理复杂的控制任务。如图1所示是一种三层的神经网络模型
　　美国的科学家从大脑中的信息处理的角度来研究一些基本的生理特性方法，利用数学模型来研究大脑细胞的运动与结构和生物神经元，提出了第一个神经网络模型（MP模型），开辟了神经科学研究的时代。心理学家赫布通过大脑在学习后形成的条件反射来对神经细胞进行研究，提出了Hebb规则的神经元连接强度的变化规律。人工智能神经网络系统的研究是从第二十世纪50年代和60年代初开始进行的。计算机科学家提出了感知器模型，模拟动物和人类的认知能力和学习能力，提出了三层感知器隐藏层处理单元的新概念。科学家们还提出了自适应线性神经元模型，这是一个学习研究规律的有效方法。这些新的科研创举使神经网络从理论研究进入实施阶段，从而在人工神经网络的研究领域中引发了第一个高潮。
　　人工智能起初是一个基于感知器作为函数的数学研究学科，深入分析后开发出了具有局限性的简单网络系统，并有科学家指出：感知器只有单一的求解线性问题，解决简单的非线性问题，就必须采用多层神经网络的隐单元。在当时的条件下，用有效的学习算法来找到一个多层神经网络是非常困难的，从而使许多神经网络研究人员都失去了信心，使神经网络理论进入了停滞阶段。之后，科学家们提出了新的神经网络模型，神经网络的研究取得了突破性的进展。科学家们提出了能量函数的概念以及神经网络的稳定性判据。他们在非线性动力学的几种神经网络模型中的优化问题的解决方案是成功的，对神经网络理论的发展产生了深远的影响。这使得神经网络的研究的重新点燃了复兴之火。不久之后，就有其他科学家提出了用BP算法来代替多层前馈反向传播算法来训练神经网络，从实践上证明了神经网络具有很强的操作能力，其应用已经渗透到各个领域，并取得了令人鼓舞的进展，如在智能控制，模式识别，自适应滤波和信号处理，非线性优化，传感和机器人，生物医学工程等领域都取得了令人瞩目的伟大成就。这些成果深化了人们对神经网络的了解。
　　2神经网络控制的应用背景
　　具有自学习能力的人工神经网络非线性映射能力，联想记忆能力，并行信息处理能力和容错性能都很优异，在科学和技术领域都引起了广泛的关注。相比于复杂系统的控制模型，特别是在系统不确定性的情况下，神经网络控制体现出了无与伦比的优势。
　　上世纪60年代，科学家们首先正式介绍了神经网络控制系统。第二十世纪60年代初，在美国“阿波罗登月计划中，科学家们还提出了根据在脊椎动物神经系统的网状结构中研究出的一种渐进模型的工作原理，使月球车在复杂的环境中能够具备一定的自控能力。在美国空军技术研究领域，神经网络滤波已经得到了广泛的应用。概率神经网络也被成功地用于解决两个单独电子发射器的相关问题。对神经网络控制的研究主要集中在自适应控制与智能机器人，以及后来的专家系统和模糊神经系统，在这些学术领域中都取得了大量的成果。
　　神经网络处理非线性和不确定性系统有着巨大的发展空间。可以说，在各种实际问题中，凡是可以采用传统的控制理论来解决的问题，几乎都可以利用神经网络技术来解决问题，而传统的控制技术无法解决的也可以用神经网络来解决。神经网络控制的许多成功案例让人们看到了智能控制时代的到来。当然，由于目前的神经网络硬件的发展，神经网络控制的大规模应用时代尚未到来，具有简单功能的神经元芯片的成功研制却使人对其发展前景信心倍增。
　　参考文献
　　[1] 韦巍，蒋静坪.基于多神经网络的机器人轨迹学习控制研究[J].浙江大学学报（工学版），1997（04）.
　　[2] 张健欣，郭宁.基于神经网络的非线性系统自适应控制综述[J].内蒙古电大学刊，2007（12）.