神经网络在控制中的应用
BP神经网络在PID控制器参数整定中的应用
Ｎｅ ｒ ｌＮ ｔ ｒ Ｉ ｏ ｔ ｌ ｒｈ ｓｓｒ ｎ ｅ ｄ ｐ ａ ｉ ｔ ｎ ｅ ｔｒｒ ｓ ｌｓ ｕ ａ ｅｗｏ ｋ Ｐ Ｄ ｃ ｎ ｒ ｌ ａ ｔ ｇ ｒａ ａ ｔ ｂ ｌ ｙ ａ ｄ ｂ ｔ ｅ ｕ ｔ． ｏｅ ｏ ｉ ｅ
Ｋ ＥＹＷ Ｏ ＲＤ Ｓ ：Ｎｅ ａ ｔ ｒ ＰＩ ； ｒ ｍｅｅ ｅｔｎｇ； ｉ ｕｒｌｎｅｗｏ ｋ； Ｄ Ｐａ ａ ｔｒ ｓ ｔｉ Ｓ ｍｕｌｔｏ ａｉ ｎ
仿真
中图 分 类 号 ：Ｐ ８ Ｔ １３ 文 献 标 识 码 ： Ｂ
Ｏｐｔｍ ｉ ａ ｉ ｎ Ｔｕｎ ｎｇ ｏ Ｄ ｒ ｍ ｅ ｅ ｓ ｉ ｚ ｔｏ ｉ ｆ ＰＩ Ｐａ ａ ｔｒ ａ ｕｔ ＰＩ Ｃｏ ｔ ｏ ｌ ｒ Ｂａ ｅ ｎ ＢＰ ｕ ａ ｔ ｒ ｂｏ Ｄ ｎ ｒ ｌ ｓ ｄ ｏ ｅ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ
线性 ， 给出系统所需 的控 制规律 ， 并 因此 由神 经 网络 构 成 的
１ 引 言
ＰＤ控制器 以其结构简单 ， Ｉ 对模型误 差具有 鲁棒性 及易
于操 作 等优 点被 广泛 应 用 于 冶 金 、 工 、 化 电力 、 工 和 机 械 等 轻
控制器具有很好 的调节能 力和鲁棒 性 。 目前 ， 采用 Ｂ Ｐ神
Ｂ Ｐ神经网络的 ＰＤ控制器参数整定方法。通过建立三层神经 网络模 型 ， Ｉ 在控制过程 中将神经网络 的隐含 层单元分别作 为
ＰＤ的 比例 （ 、 分 （ ） 微 分 （ 单元 ， 而构 造 参 数 自学 习 的 ＰＤ控 制 器 ， 控 制 过 程 中 动 态 调整 ＰＤ 的三 个 控 制 参 数 ， Ｉ Ｐ） 积 Ｉ、 Ｄ） 从 Ｉ 在 Ｉ 从 而 进 行 ＰＤ控 制 参 数 的在 线 整 定 。仿 真 结 果 表 明 ， 于 Ｂ Ｉ 基 Ｐ神 经 网络 的 ＰＤ控 制方 法 在 处 理 非 线 性 和 时 变 系 统 时 ， 高 了 Ｉ 提 实 时 性 能 ， 强 系 统 稳定 性 ， 获得 更 好 的控 制 效 果 。 增 并
模糊神经网络在钢坯出炉温度建模和控制中的应用的开题报告
模糊神经网络在钢坯出炉温度建模和控制中的应用的开题报告摘要：本文基于模糊神经网络，研究钢坯出炉温度建模和控制问题。
首先，介绍了钢坯出炉温度控制的背景和意义。
接着，简要介绍了模糊神经网络的基本原理和应用。
然后，详细阐述了钢坯出炉温度建模和控制的思路和方法，并给出了具体的数学模型和控制算法。
最后，通过仿真实验验证了本文所提出的方法的有效性和可行性。
关键词：模糊神经网络；钢坯出炉温度建模；钢坯出炉温度控制一、研究背景和意义钢铁工业是国民经济的重要组成部分，钢材作为基础原材料，广泛用于国民经济各个领域。
但是，钢铁生产中的温度控制一直是一个难题，特别是钢坯出炉温度的控制。
钢坯出炉温度是钢材生产中的关键参数之一，它直接影响到钢材的质量和产品性能。
因此，如何有效地控制钢坯出炉温度成为钢铁工业中的重要问题。
传统的温度控制方法主要是基于PID控制算法，但PID控制算法存在很多局限性，不能很好地解决复杂的非线性系统控制问题。
而由于钢坯出炉温度受到各种因素的影响，具有非线性、时变和耦合的特点，因此传统的PID控制算法难以满足其控制要求。
针对上述问题，本文提出了一种基于模糊神经网络的钢坯出炉温度建模和控制方法，这种方法不仅可以有效地解决非线性、时变和耦合的问题，而且具有良好的自适应性和鲁棒性。
二、模糊神经网络基本原理和应用模糊神经网络是一种基于模糊逻辑和神经网络思想相结合的智能控制方法。
它通过将输入、输出和中间变量进行模糊化处理、建立一个具有多输入多输出的模糊神经网络模型，通过神经网络的学习和优化，实现对复杂系统的控制。
模糊神经网络的应用非常广泛，例如图像识别、模式识别、控制系统等方面都有较好的表现。
在控制系统中，模糊神经网络可以应用于各种控制问题，如温度控制、流量控制、压力控制等。
三、钢坯出炉温度建模和控制思路和方法钢坯出炉温度的建模和控制可以分为两个部分进行研究，首先是钢坯出炉温度的建模，然后是钢坯出炉温度的控制。
基于神经网络的闭环控制学习算法
基于神经网络的闭环控制学习算法一、神经网络在闭环控制中的应用概述神经网络作为一种强大的机器学习模型，其在闭环控制系统中的应用日益广泛。
闭环控制系统，又称为反馈控制系统，是指系统输出与期望输出之间存在反馈回路的控制系统。
在这种系统中，控制算法根据系统输出与期望输出之间的误差来调整控制输入，以达到控制目标。
神经网络因其出色的非线性映射能力和自适应学习能力，在处理复杂系统和不确定性环境中显示出了巨大的潜力。
1.1 神经网络的基本原理神经网络是由大量简单的计算单元（称为神经元）组成的网络，这些神经元通过加权连接相互连接。
每个神经元接收输入信号，进行加权求和，并通过激活函数处理后输出。
通过调整神经元之间的连接权重，神经网络可以学习到输入与输出之间的复杂映射关系。
1.2 神经网络在闭环控制中的作用在闭环控制系统中，神经网络可以用于建模、预测、控制和优化等多个方面。
它可以学习系统的动态行为，预测系统的未来状态，或者直接作为控制器来调整控制输入。
此外，神经网络还可以用于处理系统的不确定性和非线性，提高系统的鲁棒性和适应性。
二、基于神经网络的闭环控制学习算法基于神经网络的闭环控制学习算法是一类利用神经网络来实现闭环控制的算法。
这些算法通过训练神经网络来学习控制策略，以实现对系统的精确控制。
以下是几种典型的基于神经网络的闭环控制学习算法：2.1 反向传播算法（Backpropagation）反向传播算法是神经网络中最常用的学习算法之一。
它通过计算网络输出与期望输出之间的误差，并将误差反向传播至网络的输入层，以此调整网络权重。
在闭环控制系统中，反向传播算法可以用来训练神经网络控制器，使其能够根据系统误差来调整控制输入。
2.2 强化学习算法（Reinforcement Learning）强化学习是一种无模型的学习算法，它通过与环境的交互来学习最优策略。
在闭环控制系统中，强化学习算法可以使神经网络控制器通过试错来学习如何控制系统，以达到最优性能。
模糊控制与神经网络控制
模糊控制与神经网络控制模糊控制和神经网络控制是现代控制领域中的两个重要研究方向，它们通过不同的方法和理论来解决复杂系统的控制问题。
本文将就这两种控制方法进行介绍和对比，并探讨它们在实际应用中的优劣势。
一、模糊控制模糊控制是一种基于模糊逻辑理论的控制方法，它通过将输入和输出之间的关系进行模糊化来实现系统的控制。
模糊控制器的设计通常包括模糊化、规则库的建立、推理机制以及解模糊化等步骤。
在模糊控制中，输入和输出以模糊集形式表示，通过一系列的模糊规则进行推理得到控制信号。
模糊规则库中存储了专家知识，根据实际问题的需求可以设计不同的规则。
推理机制使用模糊规则进行推理，最后通过解模糊化将模糊输出转化为具体的控制量。
模糊控制的优点之一是适用于非线性和不确定性系统，它能够通过模糊化处理来处理实际系统中的不确定性和模糊性。
此外，模糊控制能够利用专家经验进行控制器的设计，无需准确的系统数学模型。
然而，模糊控制也存在一些局限性。
首先，模糊控制的规则库和参数通常需要由专家进行手动设计，这对专家的经验和知识有一定的要求。
其次，模糊控制的性能也会受到模糊规则的数量和质量的影响，如果规则库设计不当，控制性能可能无法满足要求。
二、神经网络控制神经网络控制是一种基于人工神经网络的控制方法，它通过将系统模型表示为神经网络结构来实现控制。
神经网络是一种模仿生物神经系统结构和功能的计算模型，具有自适应学习和适应性处理的能力。
在神经网络控制中，神经网络被用作控制器来学习系统的映射关系。
通过输入和输出的样本数据，神经网络根据误差信号不断调整权重和阈值，使得输出逼近于期望输出。
神经网络控制通常包括网络的结构设计、学习算法的选择和参数调整等步骤。
与模糊控制相比，神经网络控制具有更好的自适应性和学习能力。
它能够通过学习过程来建立系统的非线性映射关系，并且对于未知系统具有较好的鲁棒性。
此外，神经网络控制不需要准确的系统模型，对系统的数学模型要求相对较低。
电力系统中的神经网络建模与优化控制
电力系统中的神经网络建模与优化控制概述：电力系统在现代社会发展中扮演着至关重要的角色。
为了保证电力系统的稳定运行和高效利用能源资源，需要有效的建模和控制方法。
随着神经网络技术的快速发展，其在电力系统中的应用得到了广泛关注。
本文将探讨电力系统中神经网络的建模与优化控制方法，以提高电力系统的运行效率和性能。
一、神经网络在电力系统中的应用神经网络是一种模拟大脑神经元运作方式的计算模型，通过学习和模式识别能够实现复杂的信息处理。
在电力系统中，神经网络可以应用于以下方面：1. 预测与监测：神经网络可以通过学习历史数据，预测电力负荷、电价和电量等相关参数。
同时，神经网络还可以监测电力系统中的异常情况，如故障和短路等，提前进行预警。
2. 优化调度：神经网络可以根据电力系统的实时状态和各种约束条件，进行电力资源的优化调度。
通过建立合适的模型，神经网络可以实现电力系统的最优运行，提高能源利用效率。
3. 智能控制：神经网络可以应用于电力系统中的智能控制，如频率和电压控制。
通过监测电力系统的状态变化，神经网络可以实时调整控制策略，保持电力系统的稳定性。
二、神经网络在电力系统中的建模方法1. 前馈神经网络：前馈神经网络是最常见的神经网络模型之一，其输入层、隐藏层和输出层均为前向连接。
在电力系统中，前馈神经网络可以用于电力负荷预测和电力系统的优化调度。
2. 循环神经网络：循环神经网络具有循环连接，可以对于序列数据进行建模。
在电力系统中，循环神经网络可以用于时间序列数据的预测和动态控制。
3. 卷积神经网络：卷积神经网络主要用于图像处理和模式识别，但在电力系统中也有应用前景。
例如，可以将电力系统中的空间数据转换为图像，然后利用卷积神经网络实现电力系统状态的判别和识别。
三、神经网络在电力系统优化控制中的挑战尽管神经网络在电力系统中的应用前景广阔，但其在优化控制方面还面临一些挑战：1. 数据不确定性：电力系统中的数据往往具有不确定性和随机性，这给神经网络的建模和控制带来一定困难。
神经网络PID在PLC系统控制中的应用研究
１ 引 言
可编程控制器 …称 作可 编程逻辑 控制 器 （ ｒｇａ ｍ ｂｅ Ｐｏｒｍ ａｌ ＬｇｃＣ ｎｒ ｌ ） 它 主 要 用 来 代 替 继 电 器 实 现 逻 辑 控 制。 ｏｉ ｏｔ ｌ ｒ ， ｏｅ Ｐ Ｃ是一种 以微处 理器 为基 础 的通 用工 业 自动 控制 装 置。 Ｌ
最 后 本 文将 该 算 法 应 用 到 Ｐ Ｃ系 统 控 制 中 ， 真 结 果 表 明 了 Ｌ 仿
Ｐ Ｃ在设计 、 Ｌ 结构方面具有许多其它控制器所无法 比拟 的优
点， 然而其故障诊 断能力 却非 常弱 ， 了 自诊 断功 能外 ，它 除 没有专门的用于故障诊 断的软件和硬件 。 目前虽 然传统的 Ｐ Ｃ控 制系统都有 一定 的较 成熟 的控 Ｌ 制方案 ， 采用常系数的 ＰＤ算法控制器可 以取得较 为满意 的 Ｉ
ＫＥ ＹＷＯＲ ：ｒｇ ｍｍ ｂｅｌ ｉ ｃｎ ｏ ｅ （ Ｌ ； ｅｒｌｎｔｏｋ Ｆ ｚｙｃｎｒ ； Ｉ ｌ ｒｈ ＤＳ Ｐｏｒ ａｌ ｏ ｃ ｏｔ ｌ ｒቤተ መጻሕፍቲ ባይዱＰ Ｃ） Ｎ ｕａ ｅ ｒ ； ｕｚ ｏｔ ｌＰＤ ａ ｏｉ ｍ；Ｌｖｌｃｓａｅ ａ ｇ ｒｌ ｗ ｏ ｇ ｔ ｅｅ ａｃｄ
但是 由于传统的 ＰＤ算法该算 法在 系统 中难 以确定精 Ｉ 确的数学模 型 ， 使得系统参数设 定困难 ， 对该缺 陷， 针 本文提 出了改进 的 ＰＤ算法 ， ＰＤ算法 、 Ｉ 将 Ｉ 模糊 控制算法 以及神 经 网络算法相结 合 ， 形成 了一种 智能 控制算 法 ． 实现神 经 网络 与 ＰＤ控制 规律 的本 质结 合 ，共 同完 成 ＰＤ 自适 应 调节 。 Ｉ Ｉ
摘要 ： 针对传统的 ＰＤ算法 由于难以给出精确 的数学模型 ， Ｉ 使得系统参数设定 困难 ， 同时系统控制效果上存 在一定 的缺 陷 ， 造成系统安全性和可靠性降低 ， 系统控制质量不高 。为 了解决传统的 ＰＤ算法所带 来的问题 ， Ｉ 提出 了基于模 糊神经 网络 的 ＰＤ算法 ， ＰＤ算 法 、 Ｉ 将 Ｉ 模糊控制算法以及神经 网络算 法相结合 ， 成了一种智 能控制算法 。将算 法应用 在 Ｐ Ｃ控制 系统 形 Ｌ 中， 实验表明算法有效的实现 了 ＰＤ参数的 自整定 ， Ｉ 并且提高 ｒ控制质量 ， 具有一定的实际应 用推广价值。 关键词 ： 可编程逻辑 控制器 ； 神经网络 ； 模糊控制
神经网络控制
从而使神经网络控制器逐渐在控制作用中占据主
导地位，最终取消反馈控制器的作用；
✓
一旦系统出现干扰，反馈控制器重新起作用。
✓
可确保控制系统的稳定性和鲁棒性，有效提高系
统的精度和自适应能力。
神经网络
控制器
期望输出
()
−1
()
+
-
()
传统控
网络实现；可进行离线辨识，也可进行在线辨识。
+
-
逆向建模
一般而言，建立逆模型对神经网络控制意义重大。
直接逆建模简化结构图：
可用于离线辨识，也可
用于在线辨识。
对 象
+
神经网络
逆模型
缺点：不是目标导向的，系统输入也不可能预先定义。
实际常采用正-逆建模结构。
正-逆建模
神经网络
逆模型
对 象
第3章 神经网络控制
第2部分 控制基础
3.5 神经网络控制基础
3.5.1 神经网络控制的优越性
神经网络可以处理那些难以用模型或规则描述的过
程或系统。
神经网络采用并行分布式信息处理，具有很强的容
错性。
神经网络是本质非线性系统，可实现任意非线性映
射。
神经网络具有很强的信息综合能力，能同时处理大
期望输出
()
稳定的参
考模型
参考模
型输入
()
+
()
()
+
-
神经网络
控制器
()
对象
()
CMAC神经网络与PID复合控制在温度控制中的应用
CMAC神经网络与PID复合控制在温度控制中的应用
本文旨在讨论CMAC神经网络和PID复合控制在温度控制中的应用，讨论如何利用现有的CMAC神经网络与PID复合控制技术，实现更高效的温度控制。
CMAC神经网络是一种被广泛应用在自动控制应用中的神经网络技术，其能够以比传统神经网络更快的速度和更低的误差较好地实现对控制参数的学习。
传统的PID控制方式无法较好地处理复杂的非线性系统，而CMAC神经网络可以快速准确的完成复杂的控制，并且可以根据运行条件的变化而调整参数，因此，CMAC神经网络在温度控制中受到了越来越多的应用。
在温度控制的应用中，CMAC与PID相结合的控制方法具有较高的效率。
在采用CMAC-PID复合控制时，PID算法先计算出系统当前温度误差以及温度变化率，然后通过CMAC网络调节PID系统的参数，实现对复杂非线性系统温度的精确控制；CMAC算法通过实时调节PID系统参数，使PID系统容易控制复杂非线性系统，最大限度提高效率。
因此，采用CMAC-PID复合控制的技术能够更好地实现温度的控制，提高控制效果。
最后，虽然CMAC神经网络与PID复合控制在温度控制中取得了良好的效果，不过这种技术还需要进一步的研究来提高精度、稳定性及功率的利用效率。
为了进一步提高CMAC-PID 复合控制的效率，我们可以对控制系统进行系统建模，提高控
制系统的性能，进行有效可靠的温度控制，从而达到更好的控制效果。
- 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)。
5.1 神经网络辨识
与传统辨识方法不同，神经网络辨识具有以下五个特点
1. 2. 不要求建立实际系统的辨识格式。因为神经网络本质上已作 为一种辨识模型，其可调参数反映在网络内部的权值上。 可以对本质非线性系统进行辨识，而且辨识是通过在网络外 部拟合系统的输入输出，网络内部隐含着系统的特性。因此 这种辨识是由神经网络本身实现的，是非算法式的。 辨识的收敛速度不依赖于待辨识系统的维数，只与神经网络 本身及其所采用的学习算法有关，传统的辨识方法随模型参 数维数的增大而变得很复杂。 由于神经网络具有大量的连接，这些连接之间的权值在辨识 中对应于模型参数，通过调节这些权值使网络输出逼近系统 输出。 神经网络作为实际系统的辨识模型，实际上也是系统的一个 物理实现，可以用于在线控制。
对象
u
y
e
辨识模型
系统辨识的原理
ˆ y
在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状 态u、y看作神经网络的训练样本数据，以J=e2/2作为网络训练的目标， 则通过用一定的训练算法来训练网络，使J足够小，就可以达到辨识对 象模型的目的。
11
5.1 神经网络辨识
与传统基于算法的系统辨识方法一样，神经网络辨识 同样也需首先考虑以下三大因素。
7
5.1 神经网络辨识 神经网络辨识基础
所谓系统辨识，就是根据系统的输入和输出 数据，在指定的一类系统中选择一个系统，这 个系统和所研究的实际系统等价。 由于实际上不可能找到一个与实际系统完全等 价的模型。因此，从实用角度看，辨识就是从 一组模型中选择一个模型，按照某种准则，使 之能最好的拟合所关心) 神经网络与其他算法相结合：神经网络与专家系统、模糊 逻辑、遗传算法等相结合可构成新型控制器； 4
(4) 优化计算：在常规控制系统的设计中，常遇到求解 约束优化问题，神经网络为这类问题提供了有效的途
径；
(5) 控制系统的故障诊断：利用神经网络的逼近特性，
可对控制系统的各种故障进行模式识别，从而实现控
13
5.1 神经网络辨识
3. 误差准则的选择
误差准则是用来衡量模型接近实际系统的标准。它 通常表示为一个误差的泛函，记作
E (W ) f (e(k ))
k
其中 f () 是误差适量e(k)的函数，用得最多的是平方函数， 即 2
f [e(k )] e (k )
这里的误差e(k)是广义误差，即既可以表示输出误差又可以 表示输入误差甚至是两种误差函数的合成。 14
制系统的故障诊断。
5
神经网络控制在理论和实践上，以下问题
是研究的重点：
(1) 神经网络的稳定性与收敛性问题；
(2) 神经网络控制系统的稳定性与收敛性问题； (3) 神经网络学习算法的实时性；
(4) 神经网络控制器和辨识器的模型和结构；
6
神经网络在控制中的应用
神经网络辨识技术 神经网络控制技术
9
5.1 神经网络辨识
逼近理论是一种经典的数学方法。多项式函数和其它逼 近方法都可以逼近任意的非线性函数。但由于其学习能 力和并行处理能力不及神经网络，从而使得神经网络的 逼近理论研究得到迅速发展。
10
5.1 神经网络辨识
神经网络系统辨识的原理
系统辨识的原理：给对象 和辨识模型施加相同的输 入，得到对象的输出 y和模 型的输出 y ，通过调整辨 识模型的结构来使对象的 输出y和模型的输出 y 之 间的误差最小。
解决输入信息之间的互补性和冗余性问题；
（5）神经网络的硬件实现愈趋方便。大规模集
成电路技术的发展为神经网络的硬件实现提供
了技术手段，为神经网络在控制中的应用开辟 了广阔的前景。
3
神经网络控制所取得的进展为：
(1) 基于神经网络的系统辨识：可在已知常规模型结构的情况
下，估计模型的参数；或利用神经网络的线性、非线性特性， 建立线性、非线性系统的静态、动态、逆动态及预测模型； (2) 神经网络控制器：神经网络作为控制器，可实现对不确定 系统或未知系统进行有效的控制，使控制系统达到所要求的
（1）神经网络可以处理那些难以用模型或规则描述的对象；
（2）神经网络采用并行分布式信息处理方式，具有很强的容
错性；
（3）神经网络在本质上是非线性系统，可以实现任意非线性
映射。神经网络在非线性控制系统中具有很大的发展前途；
2
（4）神经网络具有很强的信息综合能力，它能 够同时处理大量不同类型的输入，能够很好地
8
5.1 神经网络辨识
神经网络系统辨识实质上是从神经网络模型中选择一个 适当的模型来逼近实际系统的数学模型。
神经网络系统通过直接学习输入输出数据，使所要求的 误差函数达到最小，来归纳出隐含在系统的输入输出数 据中的关系。 神经网络对非线性函数具有任意逼近和自学习能力，为系 统的辨识，尤其是非线性动态系统的辨识提供了一条十分 有效的途径。
1. 模型的选择
模型只是在某种意义下实际系统的一种近似描述，它的确定 要兼顾其精确性和复杂性。因为如要求模型越精确，模型就会 变的越复杂，相反如果适当降低模型精度要求，只考虑主要因 素而忽略次要因素，模型就可以简单些。所以在建立实际系统 模型时，存在着精确性和复杂性这一对矛盾。在神经网络辨识 这一问题上主要表现为网络隐含层数的选择和隐含层内节点数 的选择。由于神经网络隐含节点的最佳选择目前还缺乏理论上 的指导，因此实现这一折中方案的唯一途径是通过多次仿真实 验来达到。
12
5.1 神经网络辨识 2. 输入信号的选择
为了能够精确有效的对未知系统进行辨识，输入信 号必须满足一定的条件。从时域上来看，要求系统的 动态过程在辨识时间内必须被输入信号持续激励，即 输入信号必须充分激励系统的所有模态；从频域来 看，要求输入信号的频谱必须足以覆盖系统的频谱。 通常在神经网络辨识中可选用白噪声或伪随机信号作 为系统的输入信号。对于实际运行系统而言，选择测 试信号需考虑对系统安全运行的影响。
神经网络是一种具有高度非线性的连续时
间动力系统，它有着很强的自学习功能和
对非线性系统的强大映射能力，已广泛应
用于复杂对象的控制中。神经网络所具有
的大规模并行性、冗余性、容错性、本质
的非线性及自组织、自学习、自适应能力，
给不断面临挑战的控制理论带来生机。
1
从控制角度来看，神经网络用于控制的优越性主 要表现为：