基于人工神經(jīng)網(wǎng)絡(luò )的控制(ANN-based control), 簡(jiǎn)稱(chēng)神經(jīng)控制(neurocontrol) 或 NN 控制，是智能控制的一個(gè)新的研究方向，可能成為智能控制的“后起之秀”。

神經(jīng)控制是個(gè)很有希望的研究方向。這不但是由于神經(jīng)網(wǎng)絡(luò )技術(shù)和計算機技術(shù)的發(fā)展 為神經(jīng)控制提供了技術(shù)基礎，而且還由于神經(jīng)網(wǎng)絡(luò )具有一些適合于控制的特性和能力。這些特性和能力包括：

1)神經(jīng)網(wǎng)絡(luò )對信息的并行處理能力和快速性，適于實(shí)時(shí)控制和動(dòng)力學(xué)控制。

2)神經(jīng)網(wǎng)絡(luò )的本質(zhì)非線(xiàn)性特性，為非線(xiàn)性控制帶來(lái)新的希望。

3)神經(jīng)網(wǎng)絡(luò )可通過(guò)訓練獲得學(xué)習能力，能夠解決那些用數學(xué)模型或規則描述難以處理或無(wú)法處理的控制過(guò)程。

4)神經(jīng)網(wǎng)絡(luò )具有很強的自適應能力和信息綜合能力，因而能夠同時(shí)處理大量的不同 類(lèi)型的控制輸人，解決輸入信息之間的互補性和冗余性問(wèn)題，實(shí)現信息融合處理。這特別 適用于復雜系統、大系統和多變量系統的控制。

當然，神經(jīng)控制的研究還有大量的有待解決的問(wèn)題。神經(jīng)網(wǎng)絡(luò )自身存在的問(wèn)題，也必 然會(huì )影響到神經(jīng)控制器的性能�，F在，神經(jīng)控制的硬件實(shí)現問(wèn)題尚未真正解決；對實(shí)用神 經(jīng)控制系統的研究，也有待繼續開(kāi)展與加強。

由于分類(lèi)方法的不同，神經(jīng)控制器的結構很自然地有所不同。已經(jīng)提出的神經(jīng)控制的 結構方案很多，包括 NN 學(xué)習控制、 NN 直接逆控制、NN 自適應控制、NN 內�？刂�、 NN 預測控制、NN Z優(yōu)決策控制、 NN 強化控制、CMAC 控制、分J NN 控制和多層 NN 控制等。

當受控系統的動(dòng)力學(xué)特性是未知的或僅 部分已知時(shí)，需要設法摸索系統的規律性， 以便對系統進(jìn)行有效的控制�；�于規則的專(zhuān) 家系統或模糊控制能夠實(shí)現這種控制。監督 (即有導師)學(xué)習神經(jīng)網(wǎng)絡(luò )控制(Supervised Neural Control,SNC)為另一實(shí)現途徑。 圖5-25表示監督式神經(jīng)控制器的結構。 圖中，含有一個(gè)導師和一個(gè)可訓練控制器。 實(shí)現SNC 包括下列步驟：

1)通過(guò)傳感器及傳感信息處理獲取必要的和有用的控制信息。

2)構造神經(jīng)網(wǎng)絡(luò )，包括選擇合適的神經(jīng)網(wǎng)絡(luò )類(lèi)型、結構參數和學(xué)習算法等。

3)訓練SNC, 實(shí)現從輸入到輸出的映射，以產(chǎn)生正確的控制。在訓練過(guò)程中，作為 導師的可以是線(xiàn)性控制律，或是采用反饋線(xiàn)性化和解耦變換的非線(xiàn)性反饋，也可以是以人 作為導師對 SNC 進(jìn)行訓練。