1.3.1　神經網絡控制

神經元學起源于19世紀末，是Caial于1889年創立的，他指出神經系統是由相對獨立的神經細胞構成的。所謂神經網絡，是指由大量與生物神經系統的神經細胞相類似的人工神經元互連而組成的網絡；或由大量像生物神經元的處理單元并聯而成的網絡，這種神經網絡具有某些智能和仿人控制功能。它可以同時接受大量信息，并且對他們進行處理，結果也是平行輸出的一批信息。在系統中硬件是模仿神經細胞網絡，軟件則是模仿神經細胞的工作方式，即每個神經元接收信號按“乘權值后相加”確定，輸出信號按閾值大小確定。這樣做的優點是可以快速地處理復雜事務，但是要求在處理某一事物之前對系統進行教學，以便使系統通過學習求出權值和閾值。教學內容來自專家的經驗（有教師學習）或系統期望的動態行為（無教師學習）。學習規則主要有無監督Hebb學習規則、Delta規則和有監督Hebb學習規則。

神經網絡具有以下基本特性。

①并行分布處理。神經網絡具有高度的并行結構和并行實現能力，因而有較好的耐故障能力和較快的總體處理能力。這特別適于實時控制和動態控制。

②非線性映射。神經網絡具有固有的非線性特性，這主要是由其能充分逼近任意非線性關系的優點決定的。這一特性給解決非線性控制問題帶來新的希望。

③通過訓練進行學習。神經網絡是通過研究系統過去的數據記錄進行訓練的，一個經過適當訓練的神經網絡具有歸納全部數據的能力。因此，神經網絡能夠解決那些由數學模型或描述規則難以處理的過程問題。

④適應與集成。神經網絡可以進行在線訓練，并能同時進行定量和定性操作。這種特性特別適于復雜、大規模和多變量系統的控制。

⑤硬件實現。神經網絡不僅能夠通過軟件而且可以借助硬件實現并行處理，這使得神經網絡的快速和大規模處理能力得以實現。

神經網絡具有并行機制、模式識別、記憶和自學習能力。它能夠很好地適應環境，自動學習修改過程參數，具有更高的智能性。這為智能控制系統解決復雜生產過程的自動控制問題提供了一條有效的途徑。

由于神經網絡在解決高度非線性和嚴重不確定性系統的控制問題方面具有優勢，而這些正是液壓氣動系統所迫切需要的，因此神經網絡控制在液壓氣動控制領域中得到了廣泛的應用，如處理系統的非線性和不確定性以及逼近系統的辨識函數等。

Matsukuma等利用PID控制與神經網絡進行結合，以消除系統的擾動。呂強采用了基于遞歸神經網絡的自適應PID控制研究了氣動PWM位置伺服系統。王崎對電-氣位置伺服控制系統的智能控制策略進行了研究，采用了多種神經網絡控制方法，取得了良好的效果。楊功軍對電-氣位置伺服控制系統的智能控制策略進行了研究，有效地改善了系統的靜動態特性。