1基于人工神经网络的控制简称神经控制。神经网络是由大量人工神经元广泛互联而成的网络，具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力。1.1生物神经元模型人脑大约包含1012个神经元，分成约1000种类型，每个神经元大约与102～104个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。1.神经网络的基本概念1.神经网络的基本概念1.2人工神经元模型人工神经元是对生物神经元的一种模拟与简化，是一个多输入、单输出的非线性元件。人工神经元输入、输出关系可描述为其中，是从其他神经元传来的输入信号；表示从神经元j到神经元i的连接权值；为阈值；称为激发函数或作用函数。为了方便起见，常把看成是恒等于1的输入的权值，则人工神经元的模型可以写为：其中输出激发函数又称为变换函数，它决定神经元（节点）的输出。该输出为1或0，取决于其输入之和大于或小于内部阈值,一般具有非线性特性。1.神经网络的基本概念1.3人工神经网络模型利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。前馈型神经网络，又称前向网络（FeedforwardNN）。神经元分层排列，有输入层、隐层（亦称中间层，可有若干层）和输出层，每一层的神经元只接受前一层神经元的输入。图3-4前馈型神经网络结构图3-5反馈型神经网络结构反馈神经网络是一种反馈动力学系统，它需要工作一段时间才能达到稳定。Hopfield神经网络是反馈网络中最简单且应用广泛的模型，它具有联想记忆的功能。1.神经网络的基本概念Hebb学习规则两个神经元同时处于激发状态时，它们之间的连接强度将得到加强，这一论述的数学描述被称为Hebb学习规则。Hebb学习规则是一种无教师的学习方法。Delta（）学习规则定义误差准则函数其中代表期望的输出（教师信号）；是网络的实际输出,连接权阵的更新规则为学习规则是一种有教师的学习方法。BP算法是在δ规则基础上发展起来的。概率式学习竞争式学习遗传算法，DE算法等等。2.1感知器（Perceptron）特点:单层神经元。主要用于模式分类。结构：输入向量，为网络输出。分类：当输入向量属于某一类时，该类对应的输出量yp=1，其余输出量yq(q=1…p-1，p+1…m)=-1分类是由单个神经元完成的，可以研究其中一个：学习算法随机给定一组初始权值，这里表示在k时刻连接第i个输入量的权值。给定一组输入样本和期望输出量d(当输入量属于某一类，其他类则)计算感知器实际输出修正权值学习速率太大易震荡，太小则学习太慢。继续重复学习过程，直到权值稳定为止。选取另外一组样本继续学习，直到对所有样本都稳定为止。为了方便起见，常把看成是恒等于1的输入的权值，则人工神经元的模型可以写为：其中输出激发函数又称为变换函数，它决定神经元（节点）的输出。该输出为1或0，取决于其输入之和大于或小于内部阈值,一般具有非线性特性。1.神经网络的基本概念1.3人工神经网络模型利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。前馈型神经网络，又称前向网络（FeedforwardNN）。神经元分层排列，有输入层、隐层（亦称中间层，可有若干层）和输出层，每一层的神经元只接受前一层神经元的输入。学习规则是一种有教师的学习方法。BP算法是在δ规则基础上发展起来的。概率式学习竞争式学习遗传算法，DE算法等等。学习算法随机给定一组初始权值，这里表示在k时刻连接第i个输入量的权值。给定一组输入样本和期望输出量d(当输入量属于某一类，其他类则)计算感知器实际输出