经过60多年的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功。

1．2  神经网络的模型结构及功能简介

   神经生理学和神经解剖学证明了人的思维是由大脑完成的。神经元是组成人脑的最基本单元，能够接受并处理信息。人脑大约由1011-1012个神经元组成，其中每个神经元又与其他的约104-105个神经元相连接，如此构成一个庞大而复杂的神经元网络[7]。神经元是大脑处理信息的基本单元。

人工神经元是对生物神经元信息处理功能的机器仿真，人工神经元是人工神经网络的最小组成单位，人工神经元的结构如图 1.1 所示：人工神经元的主要参数是输入 ，i=1,2,…,n、输出yi、权值 ，i=1,2,…,n,j=1,2,…,m、阈值 和激励函数f(x)。左侧输入端的作用类似于神经细胞的感受端，它感受、收集并导入外部信息；中间的权值、阈值和激励函数的作用类似神经元细胞体，完成对信息的加工处理，并形成输出。

    右侧输出端的作用类似于神经元细胞的轴突（输出机制），它将神经元的输出传导出去。神经元的数学算法为：

    多年来，学者们建立了多种神经网络模型。神经网络的数理模型有多种，但基本运算可归结为四种：积与和、权值学习、阈值处理和非线性函数处理。

    人工神经网络的信息处理功能是依靠计算机的强大处理能力来实现的，但它又不同于一般的计算机系统。它没有预先确定的、串行的运算操作，也没有确定的存储器。它由许多互连的简单处理单元组成，学习达到平衡后，由各个神经元的权值所组成的整个网络的分布状态，就是所求的结果。网络学习的过程也就是各神经元权值的调整过程。神经网络的特性及能力主要取决于网络的拓扑结构及学习算法。人工神经网络连接的几种基本形式有：前向网络、带反馈的前向网络、层内互联前向网络和互联网络。网络的学习算法更是多种多样，总体来讲可分为有导师学习和无导师学习。

    神经网络是人脑的某种抽象、简化和模拟，反映了人脑功能的若干基本特征：

网络的信息处理，是由处理单元之间的相互作用来实现，并具有并行处理的特点[27；知识与信息的存储，表现为处理单元之间分布式的物理联系；网络的学习和识别，决定于处理单元连接权系的动态演化过程；具有联想记忆的特性[13]。

    神经网络是具有高度非线性的系统，具有一般非线性系统的特性。虽然单个神经元的组成和功能极其有限，但大量神经元构成的网络系统，所能实现的功能却是极其丰富多彩的。

    神经网络的基本思想是从仿生学的角度对人脑的神经系统进行模拟，使机器具有人脑那样的感知、学习和推理等智能。神经网络的吸引力在于[37]：

   （1） 能够充分逼近任意复杂的非线性关系;

   （2） 能够学习适应不确定性系统的动态特性;

   （3） 所有定量或定性的信息都分布储存于网络内的各个神经元，所以有         很强的鲁棒性和容错性:

   （4） 采用并行分布处理方法，使得快速进行大量运算成为可能。

这些特点显示了神经网络在求解非线性和不确定性系统控制方面的巨大潜力，将神经网络引入辨识和控制系统是控制学科发展的必然趋势。它的引入不仅给这一领域的发展带来了生机，也带来了许多急待解决的新课题。 Matlab神经网络参数自适应辨识仿真算法设计与实现(3):http://www.youerw.com/zidonghua/lunwen_72779.html