人工智能控制器
不同的人工智能控制通常用完全不同的方法去讨论。但AI控制器例如：神经、模糊、模糊神经，以及遗传算法都可看成一类非线性函数近似器。这样的分类就能得到较好的总体理解，也有利于控制策略的统一开发。这些AI函数近似器比常规的函数估计器具有更多的优势，它们的设计不需要控制对象的模型（在许多场合，很难得到实际控制对象的动态方程，实际控制对象的模型在控制器设计时往往有
智能决策机报价
人工智能控制器
不同的人工智能控制通常用完全不同的方法去讨论。但AI控制器例如：神经、模糊、模糊神经，以及遗传算法都可看成一类非线性函数近似器。这样的分类就能得到较好的总体理解，也有利于控制策略的统一开发。这些AI函数近似器比常规的函数估计器具有更多的优势，它们的设计不需要控制对象的模型（在许多场合，很难得到实际控制对象的动态方程，实际控制对象的模型在控制器设计时往往有很多不确实性因素，例如：参数变化，非线性时，往往不知道）。
与驱动器的特性无关。现在没有使用人工智能的控制算法对特定对象控制效果十分好，但对其他控制对象效果就不会一致性地好，因此对必须具体对象具体设计。它们对新数据或新信息具有很好的适应性。它们能解决常规方法不能解决的问题。它们具有很好的抗噪声干扰能力。它们的实现十分便宜，特别是使用小配置时。 它们很容易扩展和修改。
误差反向传播技术是多层前聩ANN常用的学习技术。如果网络有足够多的隐藏层和隐藏结点以及适宜的激励函数，多层ANN只能实现需要的映射，没有直接的技术选择优隐藏层、结点数和激励函数，通常用尝试法解决这个问题，反向传播训练算法是基本的快下降法，输出结点的误差反馈回网络，用于权重调整，搜索优。
有很多方法来实现这个过程，但主要的目标是使用系统技术实现稳定的解，并且找到的拓朴结构配置，自学习迅速，收敛，知识库由数据库和语言控制规则库组成。开发规则库的主要方法是：把的知识和经历用于应用和控制目标；建模操作器的控制行动；建模过程；使用自适应模糊控制器和人工神经网络推理机制。推理机是模糊控制器的核心
（作者： 来源：）
