简述神经网络具备的特征,神经网络控制结构包括

现代控制理论的发展

1.智能控制(IntelligentControl)智能控制是人工智能和自动控制的结合物，是一类无需人的干预就能够独立地驱动智能机器，实现其目标的自动控制。

智能控制的注意力并不放在对数学公式的表达、计算和处理上，而放在对任务和模型的描述，符号和环境的识别以及知识库和推理机的设计开发上。

智能控制用于生产过程，让计算机系统模仿专家或熟练操作人员的经验，建立起以知识为基础的广义模型，采用符号信息处理、启发式程序设计、知识表示和自学习、推理与决策等智能化技术，对外界环境和系统过程进行理解、判断、预测和规划，使被控对象按一定要求达到预定的目的。

智能控制的理论基础是人工智能,控制论,运筹学和系统学等学科的交叉，它的主要特点是：⑴同时具有以知识表示的非数学广义模型和以数学模型表示的混合控制过程；⑵智能控制的核心在高层控制，即组织级，它的主要任务在于对实际环境或过程进行组织；⑶系统获取的信息不仅是数学信息，更重要的是文字符号、图像、图形、声音等各种信息。

智能控制正处于发展过程中，还存在许多有待研究的问题：⑴探讨新的智能控制理论；⑵采用语音控制；⑶提高系统的学习能力和自主能力；⑷利用现有的非线性技术分析闭环系统的特性；⑸智能控制的实现问题。

2.非线性控制(NonlinearControl)非线性控制是复杂控制理论中一个重要的基本问题，也是一个难点课题，它的发展几乎与线性系统平行。

非线性系统的发展，数学工具是一个相当困难的问题，泰勒级数展开对有些情况是不能适用的。古典理论中的“相平面”法只适用于二阶系统，适用于含有一个非线性元件的高阶系统的“描述函数”法也是一种近似方法。

由于非线性系统的研究缺乏系统的、一般性的理论及方法，于是综合方法得到较大的发展，主要有：⑴李雅普诺夫方法：它是迄今为止最完善、最一般的非线性方法，但是由于它的一般性，在用来分析稳定性或用来镇定综合时都欠缺构造性。

⑵变结构控制：由于其滑动模态具有对干扰与摄动的不变性，到80年代受到重视，是一种实用的非线性控制的综合方法。

⑶微分几何法：在过去的的20年中，微分几何法一直是非线性控制系统研究的主流，它对非线性系统的结构分析、分解以及与结构有关的控制设计带来极大方便.用微分几何法研究非线性系统是现代数学发展的必然产物，正如意大利教授Isidori指出：“用微分几何法研究非线性系统所取得的成绩，就象50年代用拉氏变换及复变函数理论对单输入单输出系统的研究，或用线性代数对多变量系统的研究。

”但这种方法也有它的缺点，体现在它的复杂性、无层次性、准线性控制以及空间测度被破坏等。因此近又有学者提出引入新的、更深刻的数学工具去开拓新的方向，例如：微分动力学、微分拓扑与代数拓扑、代数几何等。

3.自适应控制(AdaptiveControl)自适应控制系统通过不断地测量系统的输入、状态、输出或性能参数，逐渐了解和掌握对象，然后根据所得的信息按一定的设计方法，作出决策去更新控制器的结构和参数以适应环境的变化，达到所要求的控制性能指标。

自适应控制系统应具有三个基本功能：⑴辨识对象的结构和参数，以便精确地建立被控对象的数学模型;⑵给出一种控制律以使被控系统达到期望的性能指标；⑶自动修正控制器的参数。

因此自适应控制系统主要用于过程模型未知或过程模型结构已知但参数未知且随机的系统。自适应控制系统的类型主要有自校正控制系统，模型参考自适应控制系统，自寻最优控制系统，学习控制系统等。

非线性系统的自适应控制，基于神经网络的自适应控制又得到重视，提出一些新的方法。

4.鲁棒控制(RobustControl)过程控制中面临的一个重要问题就是模型不确定性，鲁棒控制主要解决模型的不确定性问题，但在处理方法上与自适应控制有所不同。

自适应控制的基本思想是进行模型参数的辩识，进而设计控制器。控制器参数的调整依赖于模型参数的更新，不能预先把可能出现的不确定性考虑进去。

而鲁棒控制在设计控制器时尽量利用不确定性信息来设计一个控制器，使得不确定参数出现时仍能满足性能指标要求。

鲁棒控制认为系统的不确定性可用模型集来描述，系统的模型并不唯一，可以是模型集里的任一元素，但在所设计的控制器下，都能使模型集里的元素满足要求。

鲁棒控制的一个主要问题就是鲁棒稳定性，常用的有三种方法：⑴当被研究的系统用状态矩阵或特征多项式描述时一般采用代数方法，其中心问题是讨论多项式或矩阵组的稳定性问题；⑵李雅普诺夫方法，对不确定性以状态空间模式出现时是一种有利工具；⑶频域法从传递函数出发研究问题，有代表性的是Hoo控制，它用作鲁棒性分析的有效性体现在外部扰动不再假设为固定的，而只要求能量有界即可。

这种方法已被用于工程设计中，如Hoo最优灵敏度控制器设计。

5.模糊控制(FuzzyControl)模糊控制借助模糊数学模拟人的思维方法，将工艺操作人员的经验加以总结，运用语言变量和模糊逻辑理论进行推理和决策，对复杂对象进行控制。

模糊控制既不是指被控过程是模糊的，也不意味控制器是不确定的，它是表示知识和概念上的模糊性，它完成的工作是完全确定的。

1974年英国工程师E.H.Mamdam首次把Fuzzy集合理论用于锅炉和蒸气机的控制以来，开辟了Fuzzy控制的新领域，特别是对于大时滞、非线性等难以建立精确数学模型的复杂系统，通过计算机实现模糊控制往往能取得很好的结果。

模糊控制的类型有：⑴基本模糊控制器，一旦模糊控制表确定之后，控制规则就固定不变了；⑵自适应模糊控制器，在运行中自动修改、完善和调整规则，使被控过程的控制效果不断提高,达到预期的效果；⑶智能模糊控制器，它把人、人工智能和神经网络三者联系起来，实现综合信息处理，使系统既具有灵活的推理机制、启发性知识与产生式规则表示，又具有多种层次、多种类型的控制规律选择。

模糊控制的特点是不需要精确的数学模型，鲁棒性强，控制效果好，容易克服非线性因素的影响，控制方法易于掌握。有人提出神经——模糊Inter3融合控制模型，即把融合结构、融合算法及控制合为一体进行设计。

又有人提出利用同伦BP网络记忆模糊规则，以“联想方式”使用这些经验。

模糊控制有待进一步研究的问题：模糊控制系统的功能、稳定性、最优化问题的评价；非线性复杂系统的模糊建模，模糊规则的建立和模糊推理算法的研究；找出可遵循的一般设计原则。

6.神经网络控制(NeuralNetworkControl)神经网络是由所谓神经元的简单单元按并行结构经过可调的连接权构成的网络。

神经网络的种类很多，控制中常用的有多层前向BP网络，RBF网络，Hopfield网络以及自适应共振理论模型（ART）等。

神经网络控制就是利用神经网络这种工具从机理上对人脑进行简单结构模拟的新型控制和辨识方法。神经网络在控制系统中可充当对象的模型，还可充当控制器。

常见的神经网络控制结构有：⑴参数估计自适应控制系统;⑵内模控制系统；⑶预测控制系统；⑷模型参考自适应系统；⑸变结构控制系统。

神经网络控制的主要特点是：可以描述任意非线性系统；用于非线性系统的辨识和估计；对于复杂不确定性问题具有自适应能力；快速优化计算能力；具有分布式储存能力，可实现在线、离线学习。

有人提出以Hopfield网络实现一种多分辨率体视协同算法，该算法以逐级融合的方式自动完成由粗到细，直至全分辨率的匹配和建立。

又有人提出一种网络自组织控制器，采用变斜率的最速梯度下降学习算法，应用在非线性跟踪控制中。今后需进一步探讨的问题是提高网络的学习速度，提出新的网络结构，创造出更适用于控制的专用神经网络。

7.实时专家控制(RealTimeExpertControl)专家系统是一个具有大量专门知识和经验的程序系统，它应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。

专家系统和传统的计算机程序最本质的区别在于：专家系统所要解决的问题一般没有算法解，并且往往要在不完全、不精确或不确定的信息基础上作出结论。

实时专家系统应用模糊逻辑控制和神经网络理论，融进专家系统自适应地管理一个客体或过程的全面行为，自动采集生产过程变量，解释控制系统的当前状况，预测过程的未来行为,诊断可能发生的问题，不断修正和执行控制计划。

实时专家系统具有启发性、透明性、灵活性等特点，已经在航天试验指挥、工业炉窑的控制、高炉炉热诊断中得到广泛应用。

需要进一步研究的问题是如何用简洁语言来描述人类长期积累的经验知识，提高联想化记忆和自学习能力。

8.定性控制(QualitativeControl)定性控制是指系统的状态变量为定性量时（其值不是某一精确值而只知其处于某一范围内），应用定性推理对系统施加控制变量使系统在某一期望范围。

定性控制方法主要有三类：⑴基于定量模型的定性控制，其特点是系统的定量模型假定已知，以定量模型为基础推导定性模型；⑵基于规则的定性控制，其特点是构成定性模型的规则凭人们经验的定性推理即可得到，或通过状态的穷举得到；⑶基于定性模型的定性控制，其特点是直接通过对定性模型的研究来导出定性控制。

定性控制与模糊控制的区别：模糊控制不需建模，其控制律凭经验或算法调整，而定性控制基于定性模型，控制规则基于对系统的定性分析；模糊控制是基于状态的精确测量值，而定性控制基于状态的定性测量值。

定性控制面临的问题：发展定性数学理论，改进定性推理方法，注重定性和定量知识的结合；研究定性建模方法，定性控制方法；加强定性控制应用领域的研究。

9.预测控制(PredictiveControl)预测控制是在工业实践过程中独立发展起来的一种新型控制方法，它不仅适用于工业过程这种“慢过程”的控制，也能适用于快速跟踪的伺服系统这种“快过程”控制。

实用的预测控制方法有动态矩阵控制（DMC），模型算法控制（MAC），广义预测控制（GPC），模型预测启发控制（MPHC）以及预测函数控制（PFC）等。

这些方法具有以下特征：⑴以计算机为实现手段，采取在线实现方式；⑵建模方便，不需深入了解过程的内部机理，对模型精度要求不高；⑶采用滚动优化策略，在线反复进行优化计算，使模型失配、外界环境的变化引起的不确定性及时得到弥补，提高控制质量。

最有人提出一种新的基于主导内模概念的预测控制方法：结构对外来激励的响应主要由其本身的模态所决定，即结构只对激励信息中与其起主导作用的几个主要自振频率相接近的频率成分有较大的响应。

利用神经网络对被控对象进行在线辨识，然后用广义预测控制规律进行控制得到较多重视。

预测控制存在的问题是预测精度不高；反馈校正方法单调；滚动优化策略少；对任意的一般系统，其稳定性和鲁棒性分析较难进行；参数调整的总体规则虽然比较明确，但对不同类型的系统的具体调整方法仍有待进一步总结。

10.分布式控制系统(DistributedControlSystem)分布式控制系统又称集散控制系统,是70年代中期发展起来的新型计算机控制系统，它融合了控制技术（Control），计算机技术（Computer），通信技术（Communication），图像显示技术（CRT）的“4C”技术，形成了以微处理器为核心的系统，实现对生产过程的监视、控制和管理。

既打破了常规控制仪表功能的局限，又较好地解决了早期计算机系统对于信息、管理过于集中带来的危险，而且还有大规模数据采集、处理的功能以及较强的数据通信能力。

分布式控制系统既有计算机控制系统控制算法灵活，精度高的优点，又有仪表控制系统安全可靠，维护方便的优点。

它的主要特点是：真正实现了分散控制；具有高度的灵活性和可扩展性；较强的数据通信能力；友好而丰富的人机联系以及极高的可靠性。

谷歌人工智能写作项目：小发猫

什么是NNC?

A8U神经网络。

1.NationalNewsCouncil(美国)全国新闻理事会2.NationalNuclearCorporation国家核公司3.核工业无损检测中心核工业无损检测中心（NUCLEARNDTCENTRE简称NNC）创立于1989年，是隶属于中国核工业集团公司的科研事业单位，业务归口集团公司核电部，行政管理纳入上海核工程研究设计院。

NNC作为国家核能发展配套项目而组建成立，主要负责核工业无损检测行业管理、人员培训和无损检测技术研究、开发和服务。

4.non-negotiationablecopy,外贸用语,不可议付的提单副本.全套（清洁已装船）提单+一份不可议付的提单副本，提单要做成以xxxxx背书，并通知申请人.consignee一栏就填“TOTHEORDEROFXXX”,notifyparty一栏填“THEAPPLICANT“的地址.5.NeuralNetControl神经网络控制.神经网络控制是20世纪80年代末期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的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。神经网络控制是（人工）圣经网络理论与控制理论相结合的产物，是发展中的学科。

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、方法及研究成果。在控制领域，将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。

神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。神经控制发展至今，虽仅有十余年的历史，已有了多种控制结构。如神经预测控制、神经逆系统控制等。

6.NagaNationalCouncil那加民族委员会.印度东北地区分离主义运动的主体是一些土著部族。

在该地区，部族人口占当地总人口的30％，除了阿萨姆邦和特里普拉邦，其余几个邦的部族人口都超过了各自邦总人口的60％。

印度东北地区的部族主要有那加人(Naga),属于蒙古人种，其语言属于藏缅语族，其宗教信仰以基督教和泛灵信仰为主。

早在英国殖民统治时期，那加人就要求建立自治的“大那加兰”(包括现在的那加兰德邦、曼尼普尔邦、阿萨姆邦和“阿鲁纳查尔邦”的一部分)。

二战后，那加人要求建立自己的国家，以作为他们在战争中积极支持英军的奖赏。

那加人曾于1947年8月14日宣布“独立”，其主要政治组织“那加民族委员会”(NagaNationalCouncil，简称“NNC”)在1951年5月就“独立”问题举行了非法的公民投票，99％的人支持独立。

7.networknodecorrelation网络节点关联.如果一个攻击者在成功入侵网络节点A之后,利用A上的某部件CAi对节点B上某部件CBj的访问关系,从而继续攻击节点B,那么,我们就把这种可被利用的访问关系称为部件CAi到CBj的NNC,书写为NNCAi:Bj,在不混淆的情况下,亦可简写为节点A到B的一个NNCAB.8.neuronalnicotinicreceptor神经元尼古丁受体.神经元尼古丁受体系统中包含17种基因，这17种基因载入17种蛋白质，该部分蛋白质聚合成5种受体亚型。

这些神经细胞“就像神经系统中的音量调节旋钮”，它们在人体体内对神经介质乙酰胆碱起自然反应，从而调节神经活动。

9.NationalNetworkCongestionsignal全国网络拥塞信号10.NationalNetworkCongestion全国网络拥塞11.商标中文名.注册号:1091948.申请人:中色资产管理有限公司.使用商品：[3701——建筑信息;房屋建筑监督;建筑结构监督;][3702——建筑;工厂建设;][3703——采矿业;][3704——室内装潢修理;][3706——电器设备的安装与修理;][3707——汽车保养;车辆修理;]。

什么是神经网络控制

神经网络控制技术是一项复杂的系统控制技术，一般应用在变频器的控制中，它是通过对系统的辨识、运算后对变频器进行控制的一种新技术。

而且神经网络控制可以同时控制多个变频器，所以应用在多个变频器级联控制中比较合适。

什么是神经网络控制技术

神经网络控制技术是一项复杂的系统控制技术，一般应用在变频器的控制中，它是通过对系统的辨识、运算后对变频器进行控制的一种新技术。

而且神经网络控制可以同时控制多个变频器，所以应用在多个变频器级联控制中比较合适。

神经网络原理及应用

神经网络原理及应用1.什么是神经网络？神经网络是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法。

这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

人类的神经网络2.神经网络基础知识构成：大量简单的基础元件——神经元相互连接工作原理：模拟生物的神经处理信息的方式功能：进行信息的并行处理和非线性转化特点：比较轻松地实现非线性映射过程，具有大规模的计算能力神经网络的本质：神经网络的本质就是利用计算机语言模拟人类大脑做决定的过程。

3.生物神经元结构4.神经元结构模型xj为输入信号，θi为阈值，wij表示与神经元连接的权值，yi表示输出值判断xjwij是否大于阈值θi5.什么是阈值？

临界值。神经网络是模仿大脑的神经元，当外界刺激达到一定的阈值时，神经元才会受刺激，影响下一个神经元。

6.几种代表性的网络模型单层前向神经网络——线性网络阶跃网络多层前向神经网络（反推学习规则即BP神经网络）Elman网络、Hopfield网络、双向联想记忆网络、自组织竞争网络等等7.神经网络能干什么？

运用这些网络模型可实现函数逼近、数据聚类、模式分类、优化计算等功能。因此，神经网络广泛应用于人工智能、自动控制、机器人、统计学等领域的信息处理中。

虽然神经网络的应用很广，但是在具体的使用过程中到底应当选择哪种网络结构比较合适是值得考虑的。这就需要我们对各种神经网络结构有一个较全面的认识。8.神经网络应用。

如何选取一种神经网络结构来求解某一应用问题

神经网络包括BP网络、径向基网络，反馈神经网络以及基于模拟退火算法的随机神经网络等。目前对它们的改进有一百多种变型。不过最常用的是BP网络，这一点你用在中国知网检索文献就会发现。

朋友我不知道你打算做哪一方面的，如果是做预测模型可以考虑BP网络，径向基也可以；做聚类问题可以考虑自组织竞争网络；做优化可以用随机神经网络；做联想记忆可以考虑反馈神经网络。不懂还可以问，望采纳。

Hopfield神经网络

。

Hopfield神经网络(HopfieldNeuralNetwork，简称HNN)，是美国加州理工学院物理学家Hopfield教授1982年提出的一种反馈型神经网络，信号不但能向前，还能向后传递(输出信号又反馈回来变成输入信号。

而前面所介绍的BP网络是一种前馈网络，信号只能向前传递)。他在Hopfield神经网络中引入了“能量函数”概念，使网络的运行稳定性的判断有了可靠依据。

Hopfield神经网络的权值不是经过反复学习获得的，而是按照一定规则计算出来的，一经确定就不再改变，而Hopfield神经网络的状态(输入、输出信号)会在运行过程中不断更新，网络演变到稳态时各神经元的状态便是问题的解。

1985年，Hopfield和Tank研制了电子线路来模拟Hopfield网络，较好地解决了优化组合问题中著名的TSP(旅行商)问题，找到了最佳解的近似解，为神经网络的复兴建立了不可磨灭的功劳。

对于地球物理反演这种最优化问题，可以很方便地用Hopfield网络来实现。

反演的目标函数等于Hopfield网络的“能量函数”，网络的状态(输入、输出信号)就是模型的参数，网络演变到稳态时各神经元的输入输出值便是反演问题的解。

Hopfield神经网络分为离散型和连续型两种网络模型，分别记为DHNN(DiscreteHopfieldNeuralNetwork)和CHNN(ContinuesHopfieldNeuralNetwork)。

在前馈型网络中无论是离散的还是连续的，一般均不考虑输入与输出之间在时间上的滞后性，而只表达两者之间的映射关系。

但在连续Hopfield神经网络中，考虑了输出与输入之间的延迟因素，因此需要用微分方程或差分方程来描述网络的动态数学模型。

8.5.4.1离散Hopfield神经网络离散Hopfield神经网络的拓扑结构如图8.12所示。这是一种单层全反馈网络，共有n个神经元。

图8.12的特点是任意一个神经元的输出xi只能是0或1，均通过连接权wij反馈至所有神经元j作为它的输入xj。

也就是说，每个神经元都通过连接权接收所有其他神经元输出反馈的信息，这样每一个神经元的输出都受其他所有神经元输出的控制，从而每个神经元的输出相互制约。每个神经元均设一个阀值Ti，以反映对输入噪声的控制。

图8.12离散Hopfield神经网络的拓扑结构[8]8.5.4.1.1网络的状态离散Hopfield神经网络任意一个神经元的输出xj称为网络的状态，它只能是0或1。

变化规律由下式规定:xj=f(netj)j=1，2，…，n(8.33)f()为转移函数，离散Hopfield神经网络的转移函数常用符号函数表示:地球物理反演教程其中netj为净输入:地球物理反演教程对离散Hopfield神经网络，一般有wij=0，wij=wji(8.36)这说明神经元没有自反馈，两个神经元的相互控制权值相同。

离散Hopfield神经网络稳定时，每个神经元的状态都不再改变。

此时的稳定状态就是网络的输出，记为地球物理反演教程8.5.4.1.2网络的异步工作方式它是一种串行方式，网络运行时每次只改变一个神经元的状态，其他神经元的状态保持不变。

8.5.4.1.3网络的同步工作方式它是一种并行同步工作方式，所有神经元同时调整状态。8.5.4.1.4网络的吸引子网络达到稳定状态时的输出X，称为网络的吸引子。

8.5.4.1.5网络的能量函数网络的能量函数定义为地球物理反演教程以上是矩阵形式，考虑无自反馈的具体展开形式为地球物理反演教程当网络收敛到稳定状态时，有ΔE(t)=E(t+1)-E(t)=0(8.40)或者说:地球物理反演教程理论证明了如下两个定理[8]:定理1.对于DHNN，若按异步方式调整网络状态，且连接权矩阵W为对称阵，则对任意初始状态，网络都能最终收敛到一个吸引子。

定理2.对于DHNN，若按同步方式调整网络状态，且连接权矩阵W为非负定对称阵，则对任意初始状态，网络都能最终收敛到一个吸引子。

8.5.4.1.6利用离散Hopfield神经网络进行反演在地球物理线性反演中，设有如下目标函数:地球物理反演教程对比式(8.38)和式(8.42)发现它们在形式上有很多相似之处。

王家映的《地球物理反演理论》一书中，直接用式(8.42)和式(8.38)类比，公式显得复杂。

本书设立一个新的目标函数ϕ，公式将会变得简洁得多:地球物理反演教程再对比式(8.38)和式(8.43)，发现它们完全一样，只要设:X(t)=m，W=GTG，T=GTd(8.44)注意:式(8.43)的目标函数ϕ的极大值解就是原来目标函数φ极小值的解，它们是同解的。

如果待反演的模型参数是离散的0或1值，那么可以直接应用离散Hopfield神经网络进行反演。

但是一般它们都是连续的数值，所以还要将模型参数表示为二进制[1]:地球物理反演教程其中:Bij=0或1为二进制数;D和U为整数，取决于模型参数的大小和精度。

这样第i个模型参数就用Bij表示为了二进制数。将式(8.45)代入目标函数式(8.43)后再与离散Hopfield神经网络的能量函数进行对比，确立新的等价关系后，就可以进行反演了。

这个新的等价关系式可以参见王家映的《地球物理反演理论》[1]一书。反演的过程大致如下:(1)根据模型参数的大小范围和精度确定D和U，将初始输入模型参数变为二进制数。

设立一个拟合精度标准，如相对均方差ε，设定一个最大迭代次数N(所有神经元的输出都修改一次称为一次迭代)。(2)利用数据方程的G矩阵(在一般情况下需用偏导数矩阵获得)计算网络的权值和阀值。

(3)将二进制初始模型参数输入网络并运行网络。(4)把每次迭代网络输出值变为十进制模型参数，进行正演计算。如果拟合满足精度ε，则停止网络运行并输出反演结果。

否则重复(2)~(4)步直到满足精度或达到最多迭代次数N为止。

在一般情况下，地球物理数据方程的G矩阵是无法用解析式写出的，需要用偏导数矩阵获得，它是依赖于输入参数的，因此网络的每次迭代都要重新计算偏导数矩阵。这个计算量是很大的。因此他的反演过程和最小二乘法相似。

此外，用Hopfield神经网络进行反演同样有可能陷入局部极值点(吸引子)。因此同样受初始模型的影响，需要尽量让初始模型接近真实模型。

8.5.4.2连续Hopfield神经网络(CHNN)[8]1984年，Hopfield把离散Hopfield神经网络发展为连续Hopfield神经网络。

但所有神经元都同步工作，各输入输出量为随时间变化的连续的模拟量，这就使得CHNN比DHNN在信息处理的并行性、实时性方面更接近实际的生物神经网络工作机理。因此利用CHNN进行地球物理反演更加方便。

CHNN可以用常系数微分方程来描述，但用模拟电子线路来描述，则更加形象直观，易于理解。图8.13为连续Hopfield神经网络的拓扑结构[8]。

图8.13连续Hopfield神经网络的拓扑结构[8]图8.13中每个神经元用一个运算放大器模拟，神经元的输入输出用放大器的输入输出电压表示，连接权用电导表示。

每个放大器有一个正向输出和一个反向输出，分别表示兴奋和抑制。每个神经元还有一个用于设置激活电平的外界输入偏置电流作为阀值。这里由于篇幅关系不再累述。感兴趣的读者可以参考其他文献。