想象一个黑盒子，你给它输入（样本），然后复制它给你输出（实际输出），但是输出与你想要的结果有偏差，所以你提前告诉它你想要的结果（预期输出） ，并进行一些调整（调整内部权重和阈值）以满足您的期望。重复此操作，黑盒将找出样本的模式，因此它可以通过获取一些没有预期输出的样本来预测输出。但这些样本必定属于一类问题。如果更改类型，则必须重新训练它。这个黑匣子是一个神经网络，它由许多分层且相互连接的神经元组成。
神经网络控制是20世纪80年代末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分支，为解决复杂非线性、不确定性和不确定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，是一门不断发展的学科。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、方法和研究成果。在控制领域，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。神经控制具有学习能力，属于学习控制，是智能控制的一个分支。虽然神经控制的发展只有十几年的历史，但已经出现了多种控制结构。如神经预测控制、神经逆权系统控制等。
1.它是什么：人工神经网络由于其独特的模型结构和固有的非线性仿真能力，以及高度适应性和容错性等突出特点，在控制系统中得到了广泛的应用。在各类控制器框架结构的基础上，增加了非线性自适应学习机制，使控制器具有更好的性能。 2. 为什么：人工神经网络是一种非编程的、自适应的、大脑式的信息处理。其本质是通过网络的变换和动态行为来获得并行的分布式信息处理功能，并在不同程度上和高水平上模仿人脑神经系统的信息处理功能。 3、怎么做：基本的控制结构有监督控制、直接逆模型控制、模型参考控制、内模型控制、预测控制、最优决策控制等。
隐含层节点数在BP网络中，隐含层节点数的选择非常重要。它不仅对建立的神经网络模型的性能影响很大，也是训练时出现“过拟合”的直接原因。但目前理论上尚无科学、通用的测定方法。目前文献中提出的确定隐含层节点数的计算公式大多是针对有任意数量训练样本的情况，且大多是针对最不利的情况，在计算中很难满足。一般工程实践，不应使用。事实上，各种计算公式得到的隐藏层节点数有时相差数倍甚至数百倍。为了尽可能避免训练过程中的“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐含层节点数的最基本原则是：在获得尽可能紧凑的结构的同时，满足精度要求。即，采用尽可能少的隐藏层节点。研究表明，隐含层节点数不仅与输入/输出层的节点数有关，还与待解决问题的复杂程度、转换函数的类型、样本数据的特征。确定隐含层节点数时必须满足以下条件： (1)隐含层节点数必须小于N-1（其中N为训练样本数）。否则，网络模型的系统误差与训练样本的特征无关，趋于零。即建立的网络模型没有泛化能力，没有实用价值。同理可以推论，输入层的节点数（变量数）一定小于N-1。 (2)训练样本数量必须大于网络模型的连接权值，一般为210倍。否则，必须将样本分成几部分，并采用“轮流训练”的方法才能获得可靠的神经网络模型。总之，如果隐藏层节点数太少，网络可能根本训练不出来或者网络性能很差；如果隐藏层节点数量过多，虽然可以降低网络的系统误差，但一方面会延长网络训练时间，另一方面会降低网络的系统误差。另一方面，训练很容易陷入局部极小点而得不到最优点，这也是训练时“过拟合”的内在原因。因此，应采用节点删除法和扩展法来确定合理的隐层节点数，同时考虑网络结构的复杂程度和误差的大小。
人工神经网络算法的工作机制还是比较难理解的。现在我们举个例子来说明一下它的原理。这个例子是关于人类识别技术的。在门禁系统、逃犯识别、各种验证码破译、银行预留印章签名比对、机器人设计等领域具有良好的应用前景。当然，也可以供客户使用。数据挖掘工作，例如建立一个模型，可以过滤满足某些要求的客户群体。机器识别的机制与人类识别的机制大致相似。在看到一个人作为识别对象后，我们首先提取其关键的外部特征，如身高、体型、面部特征、声音等。根据这些信息，大脑在内部快速搜索相关的记忆区间。如果有关于这个人的信息，那么这个人就是熟人，否则就是陌生人。人工神经网络就是这种机制。假设上图中的X(1)代表我们输入给计算机的人的面部特征，X(2)代表人的身高特征，W(2)W(3)W(4)分别代表链接权重的四个特征中。这个权重非常重要，也是人工神经网络的核心变量。
现在我们随机找到一个人，阿毛，站在电脑前。计算机根据预设变量提取有关此人的信息。阿毛的脸长什么样，身高多少，体型怎么样，声音有什么特点。链接权重的初始值是随机的。假设每个W为0.25。这时计算机自动按照这个公式计算，Y=X(1)*W(1) X(2)*W(2) X(3)*W(3) X(4) *W(4 ）得到结果Y。这个Y需要与一个阈值（设置为Q）进行比较。如果YGT；计算机没有这次计算的经验，所以结果是随机的。一般来说，我们的设置是正确的，因为我们输入的是阿毛的身体数据。现在阿毛还站在电脑前，但是阿毛害怕被电脑认出来。所以如果你换了一件衣服，这个行为就会影响阿毛的体型，即X(3)发生变化，那么最终计算出来的Y值也会发生变化，与Q比较的结果也会立即发生变化。这时，计算机判断出现了错误，断定这个人不是阿毛。但当我们告诉它这个人是阿毛时，计算机就会回溯它的判断过程，看看它在哪一步出错了。结果阿毛的体型是X（3）。体征的变化导致了其判断的错误。显然，身材相信吧，现在我降低信任值，我相信你0.10。修改这个权重意味着计算机了解到在判断一个人是否是它认识的人时，体型并不是那么重要。这是机器学习Loop的方面之一。我们可以让阿毛再穿一双高跟皮鞋，改变身高的属性，让计算机重新学习。通过改变所有可能的外部特征，并旋转它，让计算机学习和记忆，它就会记住阿毛。更关键的特征是没有被修改的特征。也就是说，计算机会通过学习总结出识别阿毛甚至任何人所依赖的关键特征。经过阿毛训练电脑后，电脑已经很聪明了。这时你让阿毛换件衣服或者换双鞋站在电脑前时，电脑就能很快判断出这个人就是阿毛。因为计算机不再主要根据这些特征来识别人，改变衣服和身高无法欺骗它。当然，有时如果计算机所依赖的阿毛的关键特征发生变化，就会出现判断错误。我们不要要求那么高。别说电脑了，就连人类也无能为力。你的一个好朋友已经经历过很多次了。你一定认识石吉，但他整容了，你在街上遇见了他。你可能会觉得这个人的声音很熟悉，他的身形很熟悉，而且看起来像你的朋友，但他的脸不一样。你不敢贸然搭讪（负面判断）。因为我们判断一个人是否是我们朋友的关键特征是面部特征，而他刚刚改变了这个特征。当然，也有一些情况，我们把一个人与有足够多具有相似特征的朋友进行比较，从而判断为我们的朋友，这就是认错的现象。这些问题在计算机上也会出现。但该算法还是具有比较积极的意义，实现了一定程度的智能化。
这两个概念实际上是相互交叉的。例如，卷积神经网络（简称CNNs）是深度监督学习下的机器学习模型，深度置信网络（Deep Belief Nets简称DBNs）是无监督学习下的机器学习模型。深度学习4102的概念起源于人工神经网络的研究。具有多个隐藏层的多层感知器是一种深度学习结构。深度学习通过组合低层特征来发现数据的分布式特征表示，形成更抽象的高层表示属性类别或特征。深度学习的概念是由Hinton 等人提出的。 2006年，基于深度置信网络（DBN）提出了一种无监督贪婪逐层训练算法，为解决与深层结构相关的困难优化课题带来了希望，进而提出了多层自编码器深层结构。此外，Lecun等人提出的卷积神经网络。是第一个真正的多层结构学习算法，它利用空间相对关系来减少参数数量以提高训练性能。
这两个概念实际上是相互交叉的。例如，卷积神经网络（简称CNN）是监督学习下的深度机器学习模型，深度置信网络（简称DBN）是无监督学习下的机器学习模型。深度学习的概念源于人工神经网络的研究。具有多个隐藏层的多层感知器是一种深度学习结构。深度学习通过组合低层特征来发现数据的分布式特征表示，形成更抽象的高层表示属性类别或特征。深度学习的概念是由Hinton 等人提出的。 2006年，基于深度置信网络（DBN）提出了无监督贪婪逐层训练算法，为解决深层结构相关的优化问题带来了希望，进而提出了多层自编码器深层结构。此外，Lecun等人提出的卷积神经网络。是第一个真正的多层结构学习算法，它利用空间相对关系来减少参数数量以提高训练性能。
神经网络可以分为两种，一种是生物神经网络，另一种是人工神经网络。生物神经网络：一般是指生物大脑中的神经元、细胞、触点等组成的网络，用于产生生物意识，帮助生物思考和行动。人工神经网络（ANN），也称为神经网络（NN）或连接模型，是一种模仿动物神经网络的行为特征，对分布式并行信息进行处理的算法数学模型。这种网络依靠系统的复杂性，通过调整大量内部节点之间的互连关系来达到处理信息的目的。人工神经网络：是一种数学模型，应该使用类似于大脑突触连接的结构来进行信息处理。在工程界和学术界，通常简称为“神经网络”或类神经网络网络。
其实静下心去百度一下还是很快的。人们的说法还是存在不少漏洞的。神经网络可以被认为是机器人的大脑。简单来说，神经网络的初衷就是人们希望计算机能够模拟人类思维来解决这些问题：识别对象，识别数据类型，然后预测对象的发展和数据的变化。比如预测股票、电影票房等等。那个人的思维方式是什么？它是一个多维网络。比如，识别一个杯子只需要一瞬间的时间，但是你判断的过程是基于杯子的各种特征的综合反映来判断它是一个杯子。这种各种特性的综合反映就是神经网络的基本特性。更抽象一点，你输入一组可以代表杯子的特征，经过神经网络处理后，它可以告诉你这是一个杯子。这就是神经网络的情况。其中，你输入的特征集合就是输入向量；神经网络是你自己设计的，包括层数和节点数，所有这些都模拟了人脑的复杂性。使用适当的复杂程度来解决任何问题。处理是指各种功能。最后，如果我能告诉你，它是一个杯子，那它就被认为是输出。当然，神经网络并不是一个非常精确的网络，因为它与人们自己对大脑的研究成正比。但由于其兼容性强、建模方便等特点，神经网络的使用范围仍然相当广泛。希望我没有误导你。
神经网络（Artificial Neural Networks，简称ANN），也称为神经网络（NN）或连接模型（Connection Model），是一种模仿动物神经网络的行为特征，进行分布式并行信息处理的算法。数学模型。这种网络依赖于系统的复杂性，通过调整大量内部节点之间的互连关系来达到处理信息的目的。神经网络可用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论和相关技术的不断发展，神经网络的应用必将变得更加广泛。更深入。
神经网络利用现有的数据找到输入和输出之间的（近似）权重关系，然后利用这个权重关系进行模拟。例如，输入一组数据来模拟输出结果。当然，你的输入必须与训练中使用的数据集属于同一类别。例如天气预报：以温度、湿度、气压等作为输入天气条件作为输出，利用历史输入输出关系训练一个神经网络，然后利用这个神经网络输入今天的温度、湿度、气压等以获得即将到来的天气状况。当然，这个例子还不够精确，但它是神经网络的典型应用。
神经网络是一种计算方法，就是给它一些数据，然后通过它自己的学习和计算来达到目标。主要优点是它可以自我学习。至于分类的话，大概就是小脑网络，一个经典的，还有一些其他的。我不明白你后面在说什么。
神经网络控制技术是一种复杂系统控制技术，一般应用于变频器的控制。它是一种通过系统辨识和计算来控制变频器的新技术。而且神经网络控制可以同时控制多台变频器，因此更适合用于多台变频器的串级控制。
