神经网络控制技术是一项复杂的系统控制技术，一般应用在变频器的控制中，它是通过对系统的辨识、运算后对变频器进行控制的一种新技术。
而且神经网络控制可以同时控制多个变频器，所以应用在多个变频器级联控制中比较合适。
谷歌人工智能写作项目：小发猫
神经网络控制技术是一项复杂的系统控制技术，一般应用在变频器的控制中，它是通过对系统的辨识、运算后对变频器进行控制的一种新技术python神经网络分析，Python神经网络算法。
而且神经网络控制可以同时控制多个变频器，所以应用在多个变频器级联控制中比较合适。
最本质的区别是解决问题的思路不一样。
经典控制与现代控制虽然看起来完全不同，但是本质上都一样，就是建立控制对象的数学模型，然后设计一个数学模型形式的控制器达到控制目的，区别只是前者建立的是微分方程或者叫做pid控制，后者建立的是状态方程，类似于数学当中的线性微分方程组。
而最优控制，鲁棒控制等问题不论是基于经典控制理论还是基于现代控制理论，都脱离不了本质——必须建立被控对象的数学模型，也包括02年提出的foc控制。智能控制则采取的是全新的思路。
它采取了人的思维方式，建立逻辑模型，使用类似人脑的控制方法来进行控制。我正好在做这个作业，就拿我的作业为例子进行说明吧。
控制一个热水器的水温，传统的控制方法当中，不论你要建立一个微分方程还是建立一个状态方程，总归要把加热功率和水温，加热功率的变化率和水温的变化率之间建立出来数学模型，不论是寻求最优控制方法还是提取变量敏感度进行鲁棒控制，总归要有数学模型才能做。
智能控制则采取截然不同的方法。
例如使用模糊控制器，我们首先把所有的变量模糊化，通过一定的算法把水温，水温的变化率，加热功率，加热功率的变化率等变成语言变量，比如形容为非常大，比较大，稍微大，正好，稍微小，比较小，非常小。
然后像人那样制定规则库，if水温水温的变化率加热功率......。然后通过一些算法把规则库和模糊关系制定成表输入到运算芯片的flash即可工作。
再例如使用人工神经网络，我们仿照人脑建立计算机神经网络模型，每个人工神经元都含有很多带权重的轴突，一个带激发判定的细胞体和若干带输出函数的树突，然后很多人工神经元按照一定逻辑分成进行连接，然后把热水器采集到的大量信息拿过来，分别加到输入端和输出端，通过一定算法改变人工神经元之间的连接权重和激发因子，最终使得所有已知的训练量都能满足这个人工神经网络，在足够训练量的情况下，控制精确度能达到很高。
综合起来说，普通控制是完全基于数学的控制，而智能控制则是基于逻辑规则，使用人类思维的模型或者经验模型甚至是仿照人类神经网络来进行训练学习的模型。
优缺点的话就很明显了，经典控制和现代控制都有一个明显的好处——稳定点非常精确，即使是超调量，最快响应时间等各有缺陷，但是总归在平衡位置上是异常精确的。
而智能控制不论是采用扎德还是麦克丹尼的理论，都不可避免的有不精确的成分，但是无疑的很多控制对象都不是那么容易建立方程的，而且很多控制对象即使能建立方程，也是现在的数学理论还不能探讨的。
例如一个烧锅炉的师傅往往会根据火候和炉壁摸着烫不烫作为输入量来决定加多少煤，让他总结经验是很容易的，但是如果要求这个烧锅炉的师傅建立一个方程那显然是不可能的。
实际工程上用的时候往往是智能控制和普通控制综合使用。
例如一个控制模型，先做一个判决算法判定是否到达平衡位置，如果未到达则采用智能控制器使其快速响应，在超调量等参数到达一定范围以后，切换才经典控制器或者现代控制器进行运算。
以上仅为工程和研究经验的总结，有可能作为材料成文，未经允许谢绝转载。
神经网络控制技术是一项复杂的系统控制技术，一般应用在变频器的控制中，它是通过对系统的辨识、运算后对变频器进行控制的一种新技术。
而且神经网络控制可以同时控制多个变频器，所以应用在多个变频器级联控制中比较合适。
神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。
神经网络控制是（人工）神经网络理论与控制理论相结合的产物，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。
在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。神经控制发展至今，虽仅有十余年的历史，已有了多种控制结构。
如神经预测控制、神经逆系统控制等。
(2)由工业过程的定性认识出发，比较容易建立语言控制规则，因而模糊控制对那些数学模型难以获取，动态特性不易掌握或变化非常显著的对象非常适用。
(3)基于模型的控制算法及系统设计方法，由于出发点和性能指标的不同，容易导致较大差异；但一个系统语言控制规则却具有相对的独立性，利用这些控制规律间的模糊连接，容易找到折中的选择，使控制效果优于常规控制器。
(4)模糊控制是基于启发性的知识及语言决策规则设计的，这有利于模拟人工控制的过程和方法，增强控制系统的适应能力，使之具有一定的智能水平。
(5)模糊控制系统的鲁棒性强，干扰和参数变化对控制效果的影响被大大减弱，尤其适合于非线性、时变及纯滞后系统的控制。|||什么是模糊控制？与传统控制理论相比有什么优点？
模糊控制是近代控制理论中建立在模糊集合轮上基础上的一种基于语言规则与模糊推理的控制理论，它是智能控制的一个重要分支。
与传统控制理论相比，模糊控制有两大不可比拟的优点：第一，模糊控制在许多应用中可以有效且便捷的实现人的控制策略和经验，这一优点自从模糊控制诞生以来就一直受到人们密切的关注；第二，模糊控制不需要被控对象的数学模型即可实现较好的控制，这是因为被控对象的动态特性已隐含在模糊控制器输入、输出模糊集及模糊规则中。
所以模糊控制被越来越多的应用于各个领域，尤其是被广泛应用于家电系列中，基于模糊控制的洗衣机就是其中的一个典型实例。|||模糊控制实质上是一种非线性控制，从属于智能控制的范畴。
模糊控制的一大特点是既具有系统化的理论，又有着大量实际应用背景。|||优点：对于难于建立模型的控制对象不失为一种良好的控制方法。
神经学习控制有监督控制、直接逆模控制、模型参考控制、内模控制、预测控制、最优决策控制等。
神经学习控制设计方法：神经控制器的设计大致可以分为两种类型，一类是与传统设计手法相结合；一类是完全脱离传统手法，另行一套。无论是哪一类，都未有固定的模式，很多问题都还在探讨之中。
究其原因是因为神经控制还是一门新学科。
在社会上并不普及，为数众多的人甚至连“神经控制”都还没有听说过，神经系统的研究还处于摸索探讨阶段，神经网络虽然有了一些所谓的“理论”，但并不成熟，甚至连隐层节点的作用机理这一类简单的理论问题都没有搞清楚。
神经学习控制特点：神经控制器与古典控制器和现代控制器相比，有优点也有缺点。优点是神经控制器的设计与被控制对象的数学模型无关，这是神经控制器的最大优点，也是神经网络能够在自动控制中立足的根本原因。
缺点是神经网络需要在线或离线开展学习训练，并利用训练结果进行系统设计。这种训练在很大程度上依赖训练样本的准确性，而训练样本的选取依旧带有人为的因素。
