針對倒立擺系統，提出了在結構上可生長的神經網絡控制方案。網絡利用細胞生長結構算法，在工作域中實現對狀態變量的模式分類，并通過新神經元的插入實現網絡規模的生長演化。在輸出域中針對倒立擺控制任務采用強化Hebb 學習機制，實現不同的神經元以最佳方式響應不同性質的信號刺激。仿真表明，通過神經網絡自身的發育，該方案有效控制了倒立擺系統。
神經網絡具有分布信息存儲、自適應和自學習功能強等優點，被廣泛應用于非線性控制
領域，倒立擺系統是智能控制中的一個典型問題，它是一個自然不穩定體，倒立擺的神經網絡控制研究取得了很大進展。1998 年，蔣國飛等[1]通過訓練BP 網絡來逼近Q 值函數，并利用BP 網絡的泛化能力，實現了基于Q 學習算法的狀態未離散化的確定和隨機倒立擺的無模型學習控制。2000 年，Si 等[2]將神經網絡理論與增強學習相結合，提出了一種在線學習系統，通過自身偏差不斷學習，系統狀態被學習過程所儲存。
但是現有的控制方案中所采用的多為事先規定結構和規模神經網絡，其本身在處理映射
問題上就會存在很多局限。B. Fritzke (1994) 提出一種細胞生長結構 (Growing Cell Structure)[3]，以自組織特征映射算法為基礎，但比它優越在可以自動找到合適的網絡規模，這種結構是通過節點增長的方式來實現的.
本文結合細胞生長結構的這一顯著優勢，針對倒立擺這樣的典型控制問題，提出了在結
構上可生長的神經網絡控制方案。網絡利用細胞生長結構算法，在工作域中實現對狀態變量的模式分類，并通過新神經元的插入實現網絡規模的生長演化。在輸出域中針對倒立擺控制任務采用強化Hebb學習機制，實現不同的神經元以最佳方式響應不同性質的信號刺激。仿真表明，通過神經網絡自身的發育，該方案有效控制了倒立擺系統。