基于人工神經網絡的控制(ANN-based control), 簡稱神經控制(neurocontrol) 或 NN 控制，是智能控制的一個新的研究方向，可能成為智能控制的“后起之秀”。

神經控制是個很有希望的研究方向。這不但是由于神經網絡技術和計算機技術的發(fā)展 為神經控制提供了技術基礎，而且還由于神經網絡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)神經網絡對信息的并行處理能力和快速性，適于實時控制和動力學控制。

2)神經網絡的本質非線性特性，為非線性控制帶來新的希望。

3)神經網絡可通過訓練獲得學習能力，能夠解決那些用數(shù)學模型或規(guī)則描述難以處理或無法處理的控制過程。

4)神經網絡具有很強的自適應能力和信息綜合能力，因而能夠同時處理大量的不同 類型的控制輸人，解決輸入信息之間的互補性和冗余性問題，實現(xiàn)信息融合處理。這特別 適用于復雜系統(tǒng)、大系統(tǒng)和多變量系統(tǒng)的控制。

當然，神經控制的研究還有大量的有待解決的問題。神經網絡自身存在的問題，也必 然會影響到神經控制器的性能。現(xiàn)在，神經控制的硬件實現(xiàn)問題尚未真正解決；對實用神 經控制系統(tǒng)的研究，也有待繼續(xù)開展與加強。

由于分類方法的不同，神經控制器的結構很自然地有所不同。已經提出的神經控制的 結構方案很多，包括 NN 學習控制、 NN 直接逆控制、NN 自適應控制、NN 內模控制、 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(tǒng)的動力學特性是未知的或僅 部分已知時，需要設法摸索系統(tǒng)的規(guī)律性， 以便對系統(tǒng)進行有效的控制。基于規(guī)則的專 家系統(tǒng)或模糊控制能夠實現(xiàn)這種控制。監(jiān)督 (即有導師)學習神經網絡控制(Supervised Neural Control,SNC)為另一實現(xiàn)途徑。 圖5-25表示監(jiān)督式神經控制器的結構。 圖中，含有一個導師和一個可訓練控制器。 實現(xiàn)SNC 包括下列步驟：

1)通過傳感器及傳感信息處理獲取必要的和有用的控制信息。

2)構造神經網絡，包括選擇合適的神經網絡類型、結構參數(shù)和學習算法等。

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