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，能夠解決那些用數學模型或規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。現在，神經控制的硬件實現問題尚未真正解決；對實用神 經控制系統的研究，也有待繼續開展與加強。

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。

當受控系統的動力學特性是未知的或僅 部分已知時，需要設法摸索系統的規律性， 以便對系統進行有效的控制。基于規則的專 家系統或模糊控制能夠實現這種控制。監督 (即有導師)學習神經網絡控制(Supervised Neural Control,SNC)為另一實現途徑。 圖5-25表示監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、結構參數和學習算法等。

3)訓練SNC, 實現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。