1、“.....误差跟踪曲线最终收敛于处，说明了网络的自调整无超最终为，控制效果比较理想。当我们运行稳定后得到组新的权值，如下用该组数据仿真得到和上面四个同类型的曲线，但控制效果明显不同，如图所示,图稳定权值下网络的阶跃跟踪曲线图稳定权值下网络的误差跟踪曲线图稳定权值下网络输出曲线图网络的参数自适应整定曲线图网络的参数自适应整定曲线图网络的参数自适应整定曲线仿真结果分析由上述两组图可以看出神经网络的各项指标效果均非常良好，特别是神经网络的自整定，自适应都非常好。从上面的仿真结果中，进行分析后，可以将响应结果列表，见表。表控制系统的性能参数性能指标神经网络控制系统最大超调量调整时间由上面的表可知，在以上情况下，神经网络控制系统的最大超调量小。同样，得出把神经网络控制系统的控制品质好。本章小结本章主要是用对神经网络自整定控制系统进行仿真对比，得出神经网络的控制效果明显比常规的要好......”。

2、“.....自适应功能。第章结论与展望人工神经网络理论是近十几年迅速发展起来的门新兴学科。由于其独特的特性，已应用于控制信号分析音处理等多个领域中。在控制领域中，神经网络由于其具有较强的非线性映射自学习适应能力联想记忆能力并行信息处理方式及其优良的容错性能，不同程度和层次上模仿人脑神经系统的信息处理存储和检索功能。这些特性使得神经网络非常适合于复杂系统的建模与控制。特别是当系统存在不确定性因素时，更能体现神经网络方法的优越性。这些都很适合于控制系统中的非线性系统的控制。本文针对在控制领域中应用最广泛的类控制，控制在现代控制越来越高的情况下，由于常规控制自身的缺陷，在许多场合已经不能再好的满足控制性能要求的情况下，研究了系列的改进型控制器，其中主要如下成果提出了基于算法的神经网络控制器。神经网络其具有逼近任意非线性函数的能力，而且结构和学习算法简单明确......”。

3、“.....利用建立了基于神经网络的控制系统，并对系统进行仿真得出仿真图。在仿真的基础上对两者进行了比较得出应用神经网络控制，系统的超调量要低，并且在控制品质参数的比较中，神经网络控制也表现出比常规控制更好的品质。尽管在应用软件对该系统进行仿真取得了成功，但是神经网络控制还是个比较新的研究领域，基于的控制理论还涉及到多个学科的关键技术，同时由于时间仓促加上笔者刚刚涉及这领域，许多重要的研究内容尚未涉及，有些虽进行了研究但深度不够。因此还存在局限性，需要进步的研究和完善。主要是在应用神经网络的算法对系统进行仿真时由于算法的收敛速度慢，在进行系统训练时所花的时间过长大概秒左右，这不利于系统的快速响应。展望今后的工作，在现有工作的基础上，还有很多的工作需要进步深入，笔者认为至少在以下几方面有进步研究的必要。主要有对算法的改进。例如为了使学习速率足够大，而且又不易产生振荡......”。

4、“.....这将提高学习算法的收敛速度，从而可以实现系统的快速响应。对神经网络学习算法的研究这将是神经网络领域的个具有可研究性的课题。对神经网络结构进行改进，应用其他性能更加优良的网络结构来实现神经网络学习过程，例如应用网络结构小脑模型网络等来进行神经网络学习，或者利用其他如连续型网络局部递归型神经网络等进行网络学习，从而改善利用网络进行网络学习时的缺点。这是在应用神经网络进行控制中具有挑战性的个研究方向。为了使被控系统的跟踪特性和抗干扰特性同时达到最优状态，二自由度甚至多自由度控制将是个具有应用前景的课题。参考文献刘金琨先进控制及其仿真北京电子工业出版社,易继锴，侯媛彬智能控制技术北京北京工业大学出版社，张德丰等神经网络应用设计北京机械工业出版社，张德丰等建模与仿真实例精讲北京机械工业出版社，姜长生等智能控制与应用北京科学出版社，周开利......”。

5、“.....李国勇智能控制及其实现北京电子工业出版社，龚菲,王永骥基于神经网络的参数自整定与实时控制华中科技大学学报自然科学版赵望达,鲁五,徐志胜,刘子建控制器及其智能化方法探讨化工自动化及仪表,谷传纲，阎防，王彤采用改进的神经网络预测离心通风机性能的研究西安交通大学学报郭艳兵，齐古庆，王雪光种改进的网络学习算法自动化技术与应用徐丽娜神经网络控制北京电子工业出版社，李少远，王景成智能控制北京机械工业出版社，韩力神经网络理论设计及应用北京化学仁业出版社,夏玮，李朝晖，常春藤控制系统仿真与实例讲解北京人民邮电出版社，李国勇智能控制及其仿真北京电子工业出版社，黄友锐，曲立国控制器参数整定与实现北京科学出版社，尔桂花，窦曰轩动控制系统北京清华大学出版社，胡寿松自动控制原理北京科学出版社，金以慧过程控制北京清华大学出版社......”。

6、“.....其基本思想是如果两个神经元同时被激活，则它们之间的联接强度的增强与它们激励的乘积成正比，以表示神经元的激活值，表示神经元的激活值，表示神经元和神经元的连接权值，则学习规则可表示式中为学习速率。有监督的学习规则在学习规则中，引入教师信号，即将换成希望输出与实际输出之差，就构成有监督学习的学习规则有监督的学习规则将无监督的学习规则和有监督的学习两者结合起来就构成有监督的学习规则人工神经元模型年，美国心理学家和数学家共同提出模拟生物神经元，被称为的人工神经元，人工神经网络是由大量的处理单元即人工神经元广泛互连组成的网络，网络的信息处理功能由神经元间相互作用来实现，知识与信息的存储表现为网络元件间分布式的物理联系，网络的学习和识别取决于各种神经元件连接权系数的动态演化过程......”。

7、“.....的人工神经元般是个多输入多输出的非线性部件，其基本结构如图所示。图神经元模型结构其中，神经元的输出，它可以与其他多个神经元通过权连接。神经元的输入。神经元的连接权值。神经元的阈值。神经元的非线性作用函数，又称为激发函数。神经元的输出，可用下式描述设则激发函数般有以下几种形式。阶跃函数函数表达式为分段线性函数函数表达式为型函数最常用的型函数为式中，参数可控制其斜率。型函数也称为型函数，上式表示的是种非对称型函数。另种常用的型函数为双曲正切对称型函数，即算法原理年，和提出了种利用误差反向传播训练算法的神经网络，简称网络，是种隐含层的多层前馈网络，系统地解决了多层中隐含单元连接权的学习问题。如果网络的输入节点数为输出节点数为，则此神经网络可看成是从维欧式空点到维欧式空间的映射。这种映射是高度非线性的......”。

8、“.....医学特征的分类和诊断等。函数逼近用于非线性控制系统的建模机器人的轨迹控制及其其他工业控制等。数据压缩用于编码压缩和恢复图像数据的压缩和存储以及图像特征的抽取等。学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。也就是采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。网络的学习过程是种误差边向后传播边修正权系数的过程。多层网络运用学习算法时，实际上包含了正向和反向传播两个阶段。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每层神经元的状态只影响下层神经元的状态。如果在输出层不能得到期望输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使误差信号最小。将上层节点的输出传送到下层时，通过调整连接权系数来达到增强或削弱这些输出的作用。除了输入层的节点外......”。

9、“.....每个节点的激活程度由它的输入信号激活函数和节点的偏置来决定。但对于输入层输入模式送到输入层节点上，这节点的输出即等于输入。注意这种网络没有反馈存在，实际运行仍是单向的，所以不能将其看成是非线性动力学系统，而只是种非线性映射关系。图神经网络结构图具有神经网络的结构如图，图中设有个输入节点，中间为隐含层个，输出为个。网络的前馈计算假设有个输入节点，个输出节点，网络的隐含层含有个神经元。在训练网络的学习阶段，设有个训练样本，先假定用其中的个样本的输入输出模式对和对网络进行训练，隐含层的第个神经元在样本作用下输入为,网络隐含层含有个神经元，式中和分别为输入节点在样本作用时的输入和输出，对输入节点而言两者相当为输入层神经元与隐含层神经元之间的连接权值为隐含层神经元的阈值为输入层的节点数，即输入的个数。隐含层第个神经元的输出为......”。