神经网络控制作为一种全新的智能控制方法,为解决高度不确定性和严重非线性的复杂动态系统的控制问题开辟了一条新的途径。神经网络与现有的控制方法结合,提高控制精度的同时也为神经网络的实现创造了条件。本文着重研究前向神经网络的学习算法,以及多模型自适应控制中的神经网络的应用问题。本文的主要工作如下:1.研究BP算法中激励函数f对收敛速度的影响,并对其进行了修正。2.针对BP网络在运算过程中陷入局部最小区、收敛速度慢的问题,从BP算法的原理出发,讨论了权值初始值对网络训练速度的强烈影响(仿真结果证明了这一点),并提出了解决方法。3.在网络的训练过程中采用了惯性校正法,加入前面历次校正量的影响,既加快了训练速度,又可能避免局部极小。4.利用多模型自适应控制的思想,将神经网络与自适应结合起来,建立两个模型,即线性自适应控制模型和神经网络模型,用加权的形式获得控制输入,以达到提高控制品质的目的。