适应控制相结合，就构成了神经网络模型参考自适应控制，其系统的结构形式和线性系统的模型参考自适应控制系统是相同的，只是通过神经网络给出被控对象的辨识模型。 根据结构的不同可分为直自校正控制器被控对象神经辨识器控制器设计控制器被控对象神经网络接与间接神经网络模型参考自适应控制两种类型，分别如图中和所示。 间接方式比直接方式中多采用个神经网络辨识器，其余部分完全相同。 图神经模型参考自适应控制结构图神经控制器的权重修正目标是使过程输出最后以零误差跟踪参数模型输出。 对于直接方式，由于未知的非线性对象处于误差和神经控制器的中间位置，给参数修正造成困难。 为了避免这问题，增加神经辨识器，变为间接方式。 神经网络内模控制神经网络内模控制系统如下图所示。 图中的神经辨识器用于充分逼近被控对象的动态模型，相当于正向模型。 神经网络控制器不是直接学习被控对象的逆模型，而是间接地学习被控对象的逆动态特性。 参考模型对象神经控制器参考模型对象神经控制器神经辨识器图神经内膜控制结构图在神经网络内模控制系统中，神经辨识器作为被控对象的近似模型与实际对象并行设置，它们的差值用于反馈，同期望的给定值之差经线性滤波器处理后，送给神经网络控制器，经过多次训练，它将间接地学习对象的逆动态特性。 此时，系统误差将趋于零。 神经网络预测控制由于神经网络可以精确描述非线性动态过程，因此，可用神经网络设计预测控制系统。 预测控制是近年来发展起来的类新型计算机控制算法，它利用内部模型预测被控对象未来输出及其与给定值之差，然后据而其中的其中的表示节点的第个输入。 所以将代入式，可以得到令式中为第个节点的状态对的灵敏度。 由式和式可以得到具有不确定性或高度非线性的控制对象,并具有较强的适应和学习功能,它是智能控制的个重要分支。 对于自动控制来说,神经网络有具有自适应功能，泛化功能，非线性映射功，高度并行处理功能等几方面优势，这使得神经网络成为当今个非常热门的交叉学科,广泛应用在电力，化工，机械等各行各业，并取得了比较好的控制效果。 国内外研究现状随着现代工业过程的日益复杂，经典现代控制理论面临严峻挑战，例如被控系统越来越巨大，存在多种不确定因素，存在难以确定描述的非线性特性，而控制的要求越来越高如控制精度稳定性容错实时性等，因此人们直在探索如何使控制系统具有更高的智能，使之能够适应各种控制环境。 而神经网络源于对人脑神经功能的模拟，它的些类似人的智能特性有可能被用于解决现代控制面临的些难题。 因此，从世纪年代起，人们就开始研究神经网络在控制中的应用了，取得了定效果。 目前，随着神经理论的发展和新算法的相继提出，神经网络的应用越来越广泛。 从神经网络的基本模式看,主要有前馈型反馈型自组织型及随机型神经网络。 这四种类型各自具有不同的网络模型前馈网络中主要有网络及网络反馈网络主要有网络自组织网络主要有网。 当前，已经比较成熟的神经网络控制模型主要有神经自校正控制，神经控制，神经模型参考自适应控制，神经内膜控制等等神经网络自校正控制神经自校正控制结构如图，它由两个回路组成自校正控制器与被控对象构成的反馈回路神经网络辨识器与控制器设计，以得到控制器的参数。 这种方案的设计思想是利用神经网络辨识器的计算估计能力对常规控制器参数进行约束优化求解,从而实现对常规控制器的参数或结构进行调整。 方框图如下图神经自校正控制结构图可见，辨识器与自校正控制器的在线设计是自校正控制实现的关键。 神经网络控制。 控制要取得好的控制效果，就必须通过调整好比例积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不定是简单的线性组合，从变化无穷的非线性组合中可以找出最佳的关系。 神经网络所具有的任意非线性表示能