基于神经网络的非线性自适应控制研究毕业设计论文
基于人工神经网络的非线性系统控制技术研究
基于人工神经网络的非线性系统控制技术研究随着人工智能领域的不断发展，人工神经网络（Artificial Neural Network，简称ANN）技术广泛应用于各个领域，特别是在非线性系统的控制中。
非线性系统是普遍存在于实际工程中的一种系统，其特点是系统的输出与输入之间不遵循线性关系，具有较强的不确定性和非稳定性。
因此，如何有效地控制非线性系统成为了一个极具挑战性的问题。
而基于ANN的非线性系统控制技术应运而生。
一、人工神经网络简介人工神经网络是一种模拟人脑神经元工作方式的计算模型，具有学习和记忆能力。
神经网络由一组相互连接的神经元（节点）构成，每个神经元接受一定数量的输入，并产生相应的输出信号。
神经元之间的连接权重可以根据训练数据自适应地调整，从而实现模型的学习和优化。
二、基于ANN的非线性系统控制技术基于ANN的非线性系统控制技术主要应用于模糊控制、自适应控制、神经网络控制等领域。
通常，基于ANN的非线性系统控制可以分为两个步骤：一是将非线性系统建模为神经网络模型，二是通过模型训练和反馈控制实现系统控制。
1. 将非线性系统建模为神经网络模型将非线性系统建模为神经网络模型是基于ANN的非线性系统控制技术的第一步。
通常，使用多层前馈神经网络（Multi-Layer Feedforward Neural Network，简称MLFFNN）或递归神经网络（Recurrent Neural Network，简称RNN）来建模非线性系统。
在神经网络模型中，输入层接受系统的状态变量作为输入，输出层输出系统的控制量，隐藏层用于提取特征和学习系统的动态规律。
通过调整神经元之间的连接权重和偏置项，神经网络模型可以逐渐接近（或逼近）非线性系统的真实动态。
2. 通过模型训练和反馈控制实现系统控制基于ANN的非线性系统控制技术的第二步是通过模型训练和反馈控制实现系统控制。
在模型训练过程中，利用已知的输入和输出数据来训练神经网络模型，并通过误差反向传播算法（Back-Propagation，简称BP）来调整神经元之间的连接权重和偏置项。
基于神经网络MIMO非仿射系统自适应控制
Ｂ ＝ ＝
其中 —ｆ ｙ ， 被称为伪控制 ， （ ，）＿ ｌ ， 并且 Ｙ ｙ Ｈ 是 （ ，）
， ， ） 最 优 估 计 。 ’ “的 （
， 一 （ ＋ … ＋ｌ ） ” Ｚ ，
Ｏ １ Ｏ
…
基 于此 ， 义伪控 制信 号为 定
（ ｌ ｇ ｆＡｕ ｏ ｔ ｎ ａ ｄ Ｅｌｃ ｒｎｉ Ｅｎ ｉｅ ｒｎ Ｃｏｌ ｅｏ ｔ ｍａｉ ｎ ｅ ｔｏ ｃ ｇｎ ｅｉｇ，Ｑｉｇ ａ ｎｖ ｒ ｉｙｏ ｃｅ ｃ ｎ ｃ ｎ ｌｇ ｅ ｏ ｎ ｄ ｏＵ ｉｅｓｔ ｆＳ ｉｎ ｅａ ｄ Ｔｅ ｈ ｏｏ ｙ，Ｑｉｇ ａ ６ ０ ２，Ｃｈｎ ） ｎ ｄ ｏ２ ６ ４ ｉａ
计 了鲁 棒 项 来 增 加 系统 的 抗 干 扰 能 力 。 仿 真 结 果 充 分 证 明 了该 方 案 的 有 效 性 和 可 行 性 。
关键 词 ： ＭＯ 非仿射 非 线性 系统 ； ＭＩ 自适 应控制 ； 经 网络 ； ｙ ｐ ｎ ｖ方法 神 Ｌ ａｕｏ
中 图 分 类 号 ：ＴＰ ３ １ ０ 文 献 标 志 码 ：Ａ
性和可行性。
３８ １
青 岛 科 技 大 学 学 报（ 自然 科 学 版 ）
第 ３ １卷
１ 系 统 描 述
多输 人 多输 出微分方 程表 述如 下 ：
一 Ａ计 （ ），
（） １
利用 引用 隐函数存在定理 ， 知道在 （ ｕ ， ＥＱ×Ｒ 的 ） 邻域 内＿ ， 在 一 个 连 续 的 理 想 控 制 ｌ 使 得 】 存 ｌ ，
鲁 棒控 制 项 时 ， 方 案 采 用 双 曲正 切 函 数 代 替 该 常 用 的符 号 函数 ， 取得 了 很 好 的效 果 。文 献 ［ － ４１
基于神经网络的复杂非线性系统建模与控制技术研究
基于神经网络的复杂非线性系统建模与控制技术研究复杂非线性系统建模与控制技术一直是控制理论领域研究的热点之一。
神经网络模型由于其强大的非线性拟合能力和广泛的应用场景，在非线性系统建模和控制方面也具有重要的地位。
本文主要讨论基于神经网络的复杂非线性系统建模与控制技术研究的现状和未来发展方向。
一、复杂非线性系统的建模1.传统方法传统的复杂非线性系统建模方法主要基于数理统计和系统辨识理论，例如ARMA模型、滑动平均模型、自回归移动平均模型等，这些方法要求系统的动力学方程必须是线性和参数可识别的。
但是，在实际应用过程中，很多系统的动力学方程都是非线性的，而且系统的特性通常是不确定和时间变化的，这些传统方法的建模能力在面对这些问题时会受到很大的限制。
2.基于神经网络的方法基于神经网络的建模方法具有较强的非线性逼近能力、泛化能力和鲁棒性，能够更好地适应实际系统的的复杂性、不确定性和时变性。
神经网络模型可以通过无监督学习和有监督学习来实现建模过程。
其中，无监督学习主要包括自组织特征映射网络、高斯混合模型等，有监督学习主要包括前馈神经网络、复杂神经网络等。
这些方法在复杂非线性系统建模和识别方面得到了广泛应用和研究。
二、复杂非线性系统的控制复杂非线性系统的控制方法主要包括传统控制方法和基于神经网络的控制方法。
1.传统控制方法传统的控制方法依赖于已知的系统模型，通常包括PID控制、模型预测控制、自适应控制等。
但是，在实际应用中，由于系统的不确定性和复杂性，传统的控制方法很难有效控制复杂非线性系统。
2.基于神经网络的控制方法基于神经网络的控制方法相对传统控制方法更具优势。
通过学习过程对非线性系统进行自适应在线辨识和控制。
其中，反向传播神经网络、径向基函数网络、自适应神经控制等方法在复杂非线性系统控制方面表现出了较高的控制精度和鲁棒性。
三、未来研究方向在基于神经网络的复杂非线性系统建模和控制领域，仍然存在许多研究问题亟待解决。
神经网络逆模型自适应控制的研究
ｎｏｎｌｉｎｅａｒ ｓｙｓｔｅｍ ｃｏｎｔｒｏｌ ｉｓ ｓｏｌｖｅｄ ｂｙ ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ａｄａｐｔｉｖｅ ｃｏｎｔｒｏｌ ｍｅｔｈｏｄ．
忆在神经元之间的连续分布上，由此来完成函数逼近、特征提取、模式分类等工
作。 在人类大脑皮层中大约有１００亿个神经元，６０万亿个神经突触以及它们的联
接体。单个神经元处理一个事件需要１０．３秒，而在硅芯片中处理一事件只需１０。９
秒。但人脑是一个非常高效的结构，大脑中每秒钟每个动作的能量约为１０－１６焦
耳，而当今性能最好的计算机进行相应的操作需要ｌＯ－－ｅ焦耳ｕ１。
研究始于上个世纪四十年代，经过兴起、萧条、兴盛三个时期。神经网络作为一
种集数据分类、建模、预测和信号处理为一体的现代智能信息处理技术，近年来 发展迅速，并先后在人工智能、信号处理、生物工程、机器人等领域得到成功的
应用。神经网络是由大量处理单元神经元广泛互连而形成的网络系统，具有大规 模并行处理、连续时间动力学以及网络全局等特点，而且具有强自适应性和快速 自学习能力及容错能力，便于自调制。神经网络可以通过学习，把信息储存并记
第一章绪论
分别独立的发现ＴＢＰ算法。１９８６年自此之后，不同类型的神经网络纷纷出现。人 工神经网络的理论和应用研究，形成了世界性的热潮，这些都为神经计算机的研 究奠定了基础。
１．１．２神经网络的应用
人工神经网络作为一种非常重要的技术手段在许多科学领域中有着出色的 表现。现在，它作为一门新兴学科已为我们所熟悉，并已成为计算智能学的核心 内容。
基于神经网络的非线性系统控制技术研究
基于神经网络的非线性系统控制技术研究随着机器学习和人工智能技术的飞速发展，神经网络控制技术被广泛应用于非线性系统控制领域。
本文将重点介绍基于神经网络的非线性系统控制技术研究，探讨其在实际应用中的优势和挑战。
一、神经网络控制技术概述神经网络控制技术是一种将神经网络应用于非线性系统控制的方法，其核心思想是通过神经网络建模和预测实现系统控制。
与传统的控制方法相比，神经网络控制技术具有以下优势：1. 适用范围广神经网络可以对非线性系统进行建模和预测，而传统的控制方法往往只适用于线性系统。
2. 建模精度高神经网络可以根据系统在不同时间步的输入输出数据进行学习，从而得到更为准确的系统模型。
3. 控制效果好神经网络控制具有自适应性和鲁棒性，能够在复杂环境下实现精确控制。
二、基于神经网络的非线性系统建模方法神经网络控制技术的核心在于神经网络的建模和预测，下面介绍基于神经网络的非线性系统建模方法。
1. 前向神经网络建模方法前向神经网络是一种常用的人工神经网络类型，其具有简单明了的结构和较高的预测精度。
该方法通常将非线性系统输出作为神经网络的目标变量，将非线性系统的输入与输出作为神经网络的输入数据，通过神经网络模拟实现非线性系统的预测和控制。
2. 循环神经网络建模方法循环神经网络是一种带有时序信息的神经网络，其可以用于描述非线性系统的时序演化过程。
该方法通常将非线性系统的输出序列作为循环神经网络的目标变量，将非线性系统的输入序列作为循环神经网络的输入数据，通过循环神经网络模拟实现非线性系统的预测和控制。
三、基于神经网络的非线性系统控制方法基于神经网络的非线性系统控制技术包括开环控制、闭环控制和模糊神经网络控制等方法。
下面将重点介绍闭环控制方法。
闭环控制是一种基于系统反馈调节的控制方法，其核心在于将神经网络控制器与系统的反馈环结合，实现系统控制。
该方法通常将被控系统的测量输出作为反馈信号，将神经网络输出作为控制信号，通过反馈作用实现系统的实时控制。
基于神经网络的自适应控制技术研究
基于神经网络的自适应控制技术研究神经网络作为一种模拟人脑神经元网络的计算模型，在多个领域得到了广泛的应用。
其中，自适应控制技术是神经网络研究的重要方向之一。
使用神经网络进行自适应控制，可以有效地解决各种非线性、时变和模型不确定的动态系统控制问题。
一、神经网络的基本原理神经网络模仿人类大脑组织，由若干个神经元构成。
每个神经元接受若干个输入信号，并将它们加权求和后传递到激活函数中进行处理，最终得到输出信号。
多个神经元可以组成网络，进行更加复杂的信息处理和控制。
神经网络的学习过程是通过对输入和输出数据的训练实现的。
通常采用的训练方法是反向传播算法。
该算法基于一种误差反向传播的思想，通过计算每个神经元的误差，根据误差大小对神经元的权重进行更新和调整，不断减小网络的误差，达到有效的学习效果。
二、自适应控制技术自适应控制技术是一种针对动态系统进行控制的技术。
动态系统具有非线性、时变性、模型不确定等特性，传统的线性控制方法往往难以达到理想的效果。
自适应控制技术基于神经网络模型，可以进行模型自适应、参数自适应和信号处理等多种操作，以适应各种复杂的动态系统。
常见的自适应控制方法有基于模型参考自适应控制、基于模型自适应控制、基于直接自适应控制等。
其中，基于模型参考自适应控制是一种应用广泛的方法。
该方法将实际输出与期望参考模型的输出进行比较，通过误差反馈，计算调整控制器参数的信号，最终实现对动态系统的控制。
三、神经网络自适应控制技术的研究进展神经网络自适应控制技术在航空、机械、电力、化工等行业中得到了广泛的应用。
在航空领域，神经网络自适应控制技术可以应用于飞机自动驾驶、导航、起降控制等方面。
在机械领域，神经网络自适应控制技术可以应用于机械臂、机器人控制、数控机床等领域。
在电力、化工领域，神经网络自适应控制技术可以应用于发电机组调节、化工装置控制等领域。
目前，神经网络自适应控制技术的研究主要集中在以下几个方面：1.神经网络自适应PID控制技术PID控制是一种基于比例、积分、微分三个控制器参数的控制方法。
基于多模型与神经网络的非线性自适应解耦控制共3篇
基于多模型与神经网络的非线性自适应解耦控制共3篇基于多模型与神经网络的非线性自适应解耦控制1基于多模型与神经网络的非线性自适应解耦控制随着现代控制理论的快速发展，越来越多的控制技术被应用于各个领域，其中包括非线性自适应控制。
然而，在实际应用中，多种因素会导致非线性控制系统出现不确定性，从而降低了控制效果。
因此，本文提出一种基于多模型与神经网络的非线性自适应解耦控制方法，以提高控制系统的稳定性和精度。
在传统的控制方法中，通常会假设控制系统是线性的，但是实际的控制系统几乎都是非线性的。
虽然可以通过线性化来处理非线性控制系统，但是这种方法的有效性通常局限于小幅度非线性情况。
而且，线性化方法通常需要通过对系统进行建模，然后得到各种参数值。
在实际操作中，模型参数通常会受到一些未知因素的干扰，从而导致参数估计的不准确，最终导致控制系统的效果较差。
为了解决这个问题，本文提出一种基于多模型与神经网络的非线性自适应解耦控制方法。
该方法可以通过多个线性模型来近似非线性系统，并通过神经网络来解耦控制系统。
具体来说，该方法利用了线性化和非线性差分方程的相结合，将非线性系统分解成多个线性子系统，并利用神经网络将它们进行解耦控制，从而实现非线性系统的控制。
在该方法中，首先需要对非线性系统进行线性化处理，得到多个线性子系统。
然后，通过神经网络对这些子系统进行解耦控制，并根据子系统之间的关系来设计整个控制系统。
值得注意的是，在该方法中，神经网络的作用被放大，同时也提高了控制系统的鲁棒性和适应性。
为了验证本文提出的方法的可行性和有效性，我们使用了MATLAB仿真实验。
在实验中，我们使用了三条不同的非线性系统，并将其与该方法进行比较。
结果表明，该方法具有较好的控制效果和鲁棒性，并且可以有效地解决非线性控制系统中存在的不确定性问题。
因此，我们可以得出结论，该方法是一种可行且有效的解决非线性控制问题的方法。
综上所述，基于多模型与神经网络的非线性自适应解耦控制方法可以有效地解决非线性控制系统中存在的不确定性问题，并提高了控制系统的稳定性和精度。
基于神经网络的非线性自适应控制研究毕业设计论文
毕业论文声明本人郑重声明：1．此毕业论文是本人在指导教师指导下独立进行研究取得的成果。
除了特别加以标注地方外，本文不包含他人或其它机构已经发表或撰写过的研究成果。
对本文研究做出重要贡献的个人与集体均已在文中作了明确标明。
本人完全意识到本声明的法律结果由本人承担。
2．本人完全了解学校、学院有关保留、使用学位论文的规定，同意学校与学院保留并向国家有关部门或机构送交此论文的复印件和电子版，允许此文被查阅和借阅。
本人授权大学学院可以将此文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本文。
3．若在大学学院毕业论文审查小组复审中，发现本文有抄袭，一切后果均由本人承担，与毕业论文指导老师无关。
4.本人所呈交的毕业论文，是在指导老师的指导下独立进行研究所取得的成果。
论文中凡引用他人已经发布或未发表的成果、数据、观点等，均已明确注明出处。
论文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的研究成果。
对本文的研究成果做出重要贡献的个人和集体，均已在论文中已明确的方式标明。
学位论文作者（签名）：年月青岛科技大学本科毕业设计（论文）关于毕业论文使用授权的声明本人在指导老师的指导下所完成的论文及相关的资料（包括图纸、实验记录、原始数据、实物照片、图片、录音带、设计手稿等），知识产权归属华北电力大学。
本人完全了解大学有关保存，使用毕业论文的规定。
同意学校保存或向国家有关部门或机构送交论文的纸质版或电子版，允许论文被查阅或借阅。
本人授权大学可以将本毕业论文的全部或部分内容编入有关数据库进行检索，可以采用任何复制手段保存或编汇本毕业论文。
如果发表相关成果，一定征得指导教师同意，且第一署名单位为大学。
本人毕业后使用毕业论文或与该论文直接相关的学术论文或成果时，第一署名单位仍然为大学。
本人完全了解大学关于收集、保存、使用学位论文的规定，同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、扫描、数字化或其它手段保存或汇编本学位论文；学校有权提供目录检索以及提供本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有关部门或者机构送交论文的复印件和电子版，允许论文被查阅和借阅。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要神经网络自适应控制是基于自适应的基本原理，利用神经网络的特点设计而成的。
它发挥了自适应与神经网络的各自长处，为非线性控制的研究提供了一种新方法。
本文基于Lyapunov稳定性理论，采用神经网络直接自适应控制的思想设计控制器，研究了一类带干扰的不确定非线性系统的控制问题。
控制器主要是针对不确定非线性系统中存在的两类未知项——未知函数和未知外界干扰而设计，其中未知函数利用径向基函数神经网络来近似，外界干扰利用非线性阻尼项来抑制，这样可以充分利用神经网络的逼近特性，克服复杂系统难以建模等困难，并且系统稳定性和收敛性在给出的假设的条件下均能得到保证。
最后设计程序进行仿真验证，在程序设计中，以高斯函数作为基函数，仿真结果表明在权值和控制的有界性方面取得了一定的效果。
本文第一章到第三章详细介绍了人工神经网络及神经网络控制的发展和研究现状；第四章主要介绍了径向基函数神经网络，并对其逼近能力进行仿真；在结束语中展望了神经网络控制的发展前景，提出以后的研究方向。
关键词：RBF神经网络，自适应控制，不确定非线性系统AbstractNeural network adaptive control is proposed combining adaptive control'sadvantages with neural network's characters and provides a new method for nonlinear control.Based on Lyapunov stability theorem and neural network direct adaptive control idea the control problem of a class of uncertain nonlinear system with disturbance is researched. The controller is designed arming at two kinds of uncertainties existing in nonlinear system--the unknown functions and the uncertain disturbance. In controller. the radial basis function neural network is used as approximation model for the unknown functions. and nonlinear damping term is used to counteract the disturbances. so neural network's better approximation capabilities can be utilized richly and the modeling difficulties can be avoided. Meanwhile. the controlled system's stability and convergence can be guaranteed under some assumptions. At last the program is designed to verify the effectiveness of the controller. In presented programs. Guassian function is used as basis function. Simulation results show thatthe bound ness effects of weighs and control input are better.The rough framework of this thesis is as following: the artificial neural network and neural network control are introduced in detail from the first chapter to the third chapter; the radial basis function neural network is described and its approximation performance is simulated in the fourth chapter; the development of neural network control is expected and the further research prospect is proposed in the end words.Keywords: Radial Basis Function neural network adaptive control, uncertain nonlinear system1 绪论非线性现象是工程、自然界以及人类社会话动的各个领域普遍存在的问题，非线性控制在控制科学中也一直占有重要地位。
通常工业过程中都存在着不确定性和时变性等非线性现象，当受控对象或环境发生变化时，为保证良好的控制性能，可采取自适应控制策略。
日前，自适应控制器结构的选取和参数调整规则，都是建立在线性系统理论的基础上，对于非线性系统的自适应控制问题人们一直在寻求新的有效解决方法。
因此，寻找新的工具和方法来研究非线性系统的自适应控制问题就成了控制理论中研究的热点，神经网络由于其本质上高度的非线性、信息处理的并行性、信息处理单元的互连性、良好的容错性、计算的非精确性及自学习、自组织和自适应性等特点，为解决复杂的非线性、不确定、不确知系统在不确定、不确知环境中的控制问题提供了一个很好的工具和模型，从而可以使控制系统稳定性、鲁棒性好，达到要求的动态与静态（或称稳态）性能。
对于神经网络来说，描述非线性映射、建立非线性系统模型等都变得非常容易，这在控制器的设计中极为重要，所以神经网络在非线性控制中得到了广泛的应用。
神经网络研究的兴起与神经网络控制的发展为解决非线性系统的自适应控制问题带来了生机。
神经网络自适应控制是基于自适应的基本原理，利用神经网络的特点和理论设计而成的，发挥了自适应与神经网络的各自长处，为非线性控制的研究提供了一种新方法。
经过20余年的努力，神经网络自适应控制在连续和离散非线性系统中的研究都己取得丰硕的成果，当前的研究有以下几个方面：在不确定非仿射线线性系统的直接自适应状态反馈控制器设计中，所用的神经网络具有弹性结构，也就是说神经元的数量是一个变量，神经网络逼近且自适应地取代了非线性系统巾的不确定性，整个闭环系统在Lyapunov意义下稳定：采用没有反馈的神经网络自适应控制器对带有死区非线性的系统进行了控制研究，该自适应控制器能对这类非线性系统实现有效的控制：基于多层神经网络提出了一种直接自适应控制方案，首先应用多层神经网络自适应模型逼近逆解中的未知部分，然后应用逆设计和自适应反演设计出虚拟控制量，最后应用反馈线性化方法和神经网络设计了直接自适应控制律，并利用Lyapunov稳定性定理推导了神经网络的参数调节律，保证了闭环系统的所有信号均最终一致有界：文献[4]针对NARMA模型提出直接自适应神经网络控制方案。
用前馈神经网络作为系统模型，控制信号直接通过最小化在设定点和模型输出之间的瞬时差分或累积差分获得，采用广义预测理论和梯度下降法加快学习速率和收敛性能：文献[5]针对不稳定的无人驾驶飞行器提出直接自适应神经网络控制器设计方案，控制规律来跟踪俯仰角速率指令，神经网络线性滤波器和BP学习算法用来逼近控制律。
设计神经控制器需要的有界信号可通过一种离线有限时间的训练方案获得，以提供必需的稳定性和跟踪性能，空气动力系数带来的不确定性由在线学习方案来补偿。
文献[6]针对一类不确定非线性系统，利用神经网络可逼近任意非线性函数的能力和误差滤波理论，提出了一种基于径向基函数神经网络的自适应控制器设计方案，以使非线性系统在存在不确定项或受到未知干扰时，其输出为期望输出，根据Lyapunov理论，给出了系统稳定的充分条件：文献[7]针对连续时间和离散时间的输入一状态稳定的内部动力学的非线性不确定动态系统，基于Lyapunov定理提出了神经元自适应控制方案，该神经元自适应控制器的构建对系统的动力学知识没有要求，而只假设系统是连续可微的和不确定线性系统的逼近误差存在一个极小的增益类型范数有界的圆锥形扇区内，这样就可以将鲁棒控制和神经网络自适应控制结合起来，从而保证了闭环系统郎分渐近稳定。
同时人们开始将神经网络和其它新兴理论结合起来研究新型神经网络，如量子神经网和二阶模糊神经网络等。
文献[8]提出了基于扬氏双缝实验思想的叠加态量子神经网络：文献[9]提出了基于模期前馈神经网络思想的韫子神经网络：文献[10]提出了基于量子力学本体表示的非叠加态量子神经网络。
神经网络自适应控制这一领域呈现出欣欣向荣的景象。
1.1选题的背景和意义人类当前所面临的重大科学技术研究任务之一是要揭示大脑的工作机制和人类智能的本质，开发智能应用技术，制造具有完成人类智能活动能力的帮能机器。
在过去几十年里，无数先驱们不懈探索，在神经生理学、心理学等一大批基础学科的研究成果基础上，研究脑和机器的智能取得了许多可喜的进展，这些智能研究成果的取得不仅对智能机器研究本身具有重要的意义，而且推动了一大批相关学科的发展。
智能研究的历史至少可以追溯到50年代人工智能的初创期，更早些可咀追溯到图灵自动机理论。
冯·诺伊曼曾多次谈到计算机和大脑在结构和功能上的异同，对它们从元件特性到系统结构进行了详尽比较。
McCulloch和Pitts提出的形式神经元模型导致了有限自动机理论的发腥。
维纳的《Cybernetics》一书专门讨论了动物和机器的控制和通信问题。
信息论的奠基人香农也曾探索过人的智力放大问题。
我国著名学者钱学森在他的《工程控制论》一书中专门论述了生物体的调节控制和神经网络问题。
因此，早在四、五十年代神经系统的功能就已经引起这些现代科学理论开拓者的兴趣，并对他们各自理论的创立做出了贡献。
建立在认知过程信息处理的徽结构理论之上的神经网络作为人的认知过程的一种定量描述，为神经科学家提供了一个良好的机会来发展和验证大脑的T 作原理。
神经网络理论的发展，在神经科学中推动了理论神经科学的产生和发展，为计算神经科学提供了必要的理论和模型，神经时络姓在许多学科的基础上发展起来的，它的研究的深入也必然会带动其他相关学科的发展。