環(huán)境試驗設備系統(tǒng)的辨識器是改進了的Elman 神經網絡，它用來動態(tài)的辨識被控對象的正向模型，為控制器提供誤差及其梯度信息。由于Elman 神經網絡屬于局部反饋網絡，其本質是動態(tài)的神經網絡，所以可以隨被控對象模型的變化而變化，最終收斂到穩(wěn)定點，而不是被控對象模型靜態(tài)關系的描述。
通過對被控對象動態(tài)辨識，我們可以根據辨識的結果構造一步預測控制器，使得系統(tǒng)得到更好的動態(tài)品質。系統(tǒng)的控制器是一個增強型的模糊神經網絡。因此，系統(tǒng)的本質仍然是模糊控制。不過，運用神經網絡來表達模糊推理從而構成的模糊神經網絡具有單純模糊控制不可比擬的優(yōu)勢。因為，模糊神經網絡所表達的模糊推理蘊涵在神經網絡權值中，網絡通過自學習不斷調整權值的同時也就達到了優(yōu)化模糊規(guī)則和專家控制經的目的，最終得到全局收斂控制信號，實現(xiàn)全局較優(yōu)控制。從系統(tǒng)辨識角度上看，由于有了神經網絡對未知結構的非線性系統(tǒng)參數進行辨識，放松了以往傳統(tǒng)辨識方法中要求系統(tǒng)線性、定常、結構已知的限制條件。

從控制角度上看，采用神經網絡在線實時辨識與另一個神經網絡控制器共同作用的方式，構成一種間接神經網絡控制結構這種結構相當于一種內?？刂?。從理論上說，如果存在一個收斂的神經網絡辨識權值ＷI 和神經網絡控制器權值WC，能夠保證系統(tǒng)均方差收斂或L2 收斂，那么當辨識網絡收斂到ＷI，控制器網絡收斂到WC 時，系統(tǒng)控制收斂。
但在實際工程中，這僅僅是控制系統(tǒng)收斂的一個充分條件而非必要條件。實際情況是，當系統(tǒng)控制收斂時，辨識網絡和控制網絡權值收斂，但并非惟一。因為收斂結果與網絡初始權值的選擇，控制信號的形式息息相關。這一點與傳統(tǒng)辨識意義上的參數惟一收斂不同。我們知道，控制的目的是保證系統(tǒng)輸出收斂，而非辨識網絡和控制網絡權值收斂。只是后者能夠保證控制系統(tǒng)收斂到一個較好的程度，且可能具有較強的泛化能力。
此外，實際控制系統(tǒng)輸出收斂的要求也好似因控制對象而異，只要滿足一定條件即可，一味追求零誤差既不現(xiàn)實也沒有必要。在工程上，神經網絡在線辨識由于受到采樣時間的限制，辨識網絡很難在一個采樣周期內產生收斂。通常解決辦法是選擇合適的網絡和學習算法，保證系統(tǒng)辨識沿時間軸收斂，即在每個采樣周期內，給定循環(huán)訓練次數，使網絡逐步向收斂狀態(tài)逼近。雖然此時根據可能還未收斂的辨識網絡求得的控制量不能保證系統(tǒng)“立即”達到期望軌跡，但理論上只要辨識最終收斂，控制也會最終收斂。http://www.dgzhenghang.cn