神经网络和模糊逻辑可以解决传统系统无可奈何的问题。这里，我们将要介绍它们是如何工作，并且使诸如高速图形处理这类的应用受益。

　　当控制领域的工程师们忙于从传统的电机和模拟控制转向融合了计算分析和决策算法的数字机电一体化控制系统的时候，全新的计算机技术出现了，它将引起更多的改变。神经网络和模糊逻辑已经开始应用，而且也许很快就会给机器控制系统的设计的变成带来革命。
　　传统的计算机采用冯·诺依曼架构，是基于串行的处理以及执行清晰的指令。人工神经网络（ANNs），则与之不同，采用非冯·诺依曼的架构，由组合在庞大并行系统内部的非常简单的单元构成，可以执行那些处理外界数据的认知模式所产生的不太清晰的指令。
　　类似的，模糊逻辑也颠覆了传统的模式。信息不再要求被定义的精确可以量化和测量（比如，温度是23℃），模糊信息代表了对于那些定义的不太清楚而且有重叠的数集的隶属度（比如，比温暖还要冷一点）。　　

　　在这个人工神经网络的例子里，变量包括：三维矢量h，是输入变量x的因变量；二维矢变量g，是h的因变量；
最后的输出变量%%%f,则是g的因变量。

　　定义
　　使用这些概念的计算机（或者，更准

确的应该叫“推理机”），被证明可以解决传统系统无可奈何的问题。
　　根据维基百科的定义，人工神经网络（ANN）是“一组相互关联的人工‘神经元’，可以基于关联方法，使用数学和计算模型进行信息处理”。
　　在大多数情况下，ANN就是一个可以根据流入网络的内部和外部信息进行改变的自适应系统。通常，ANN构建了输入和输出之间复杂关系的模型CONTROL ENGINEERING China版权所有，或者找到某种处理数据的模式，而不是基于数值输入得到一个数值结果。
　　简单的节点（可以叫做“神经元”、“神经节点”、“处理元素”或者“单元”）连接在一起，形成一个节点网络。它们的价值在于CONTROL ENGINEERING China版权所有，可以使改变网络连接强度和权重的推导函数具体化www.cechina.cn，以得到理想的信号流。
　　最有意思的是学习的可能，在实际中也就是优化一些数据，这些数据通常被称为“成本”，它们代表了在给定问题环境下结果的适应度。
　　举个例子，经典的旅行者问题的成本就是旅行者在每一个指定地点停留、最后回到起始点完成整个行程的时间。一个更短的行程就意味着一个更好的解。
　　为了解决这个问题，冯·诺依曼架构的计算机必须要找出所有的可能路径，然后一步一步的计算，把时间累加起来得到一个路径的所需的总时间。在计算了所有可能路径需要的时间之后，计算机才能挑选出所需最短的时间。
　　ANN则有所不同，它并行的看待所有的路径，去寻找所需时间最少的模式。应用这样的模式，再去最小化结果路径。学习则是指，确定那些经验显示可以产生最优路径的模式。　　

　　在这张图中，冷、暖和热是覆盖了整个温度范围的集。范围上的每个点有三个“真值”－分别对于三
个集－数值表明了对于这个%%%集的相对“耦合度”。对于每个显示出来的温度，
三个值（0.8, 0.2CONTROL ENGINEERING China版权所有, 0.0）可以描述为“相当冷”、“有点暖和”和“一点也不热”。

　　模糊逻辑（也是根据维基百科的描述）来自模糊集理论，用以处理大概而不是精确的问题。模糊的信息实际上是对于那些未精确定义的数集的隶属度。模糊逻辑可以基于没有精确定义但是仍然十分重要的属性，进行决策。模糊逻辑允许隶属度的值在0到1的闭区间内变化，用于解释诸如“有一点”、“十分”、“非常”这样的概念。同时，它也允许数集的部分隶属。
　　一个基本的应用在于描述连续变量的子域。举例来说控制工程网版权所有， 一个防锁闸的温度测量可能包括多个隶属度函数，用以定义合适闸控制的温度域。每一个函数都匹配相同的温度，并且对应于0到1之间的一个真值，这些真值可以用来确定闸应该如何进行控制。

　　图像处理
　　基于模糊逻辑使用ANN进行决策可以构造一个强大的控制系统。很显然这两个概念可以合作的很好：一个基于三个模糊状态（比如冷、暖、热）的推导算法，可以使用真值（0.8，0.2，0）应用在实际当中，并且作为输入分配给三个神经元，每个又代表了三个集的其中之一。每个神经元可以施加给输入值一个函数，然后得到一个输出值，这个输出值还可以作为第二层神经元的输入，依此类推。
　　举例来说控制工程网版权所有，虽然视频获取、光线和硬件设置都带来了大量的约束，但是神经网络图形处理器仍然可以自由应用。因为神经网络允许你通过学习过往的例子来构建机器，自由是可能的。因此，可以训练网络来识别明暗光、散射以及其他条件下好的和坏的部分。推理机开始于“评估”光线情况（换句话说，就是把耦合值分配给不同的光线条件，这些条件系统知道如何处理），然后基于这些光线条件应用准则来对图像内容做出判断。因为系统将光线条件当作模糊概念，推理机很容易的就可以从已知条件中得到插值以应对新的情况。
　　系统学习的例子越多，推理机的专家性就越强。它可以很轻松的通过预先将零件分类并注明相似和区别（出于学习目的），来实现学习过程自动