S形函数sigmf（x，[ac]）由参数a和c决定，其中参数a的正负符号决定了S形隶属函数的开口朝左或朝右，用来表示“正大”或“负大”的概念。

判断题遗传操作包括选择运算、交叉运算及变异运算这三个基本遗传算子。

判断题理论上，神经网络能逼近任意非线性函数。

判断题利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预测模型，实现非线性系统的建模和辨识。

判断题误差反向传播的BP算法简称BP算法，其基本思想是梯度下降法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。

判断题神经元具有兴奋与抑制、学习与遗忘的功能。

判断题目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值，这也是BP网络的主要缺点之一。

判断题所谓专家控制，是将专家系统的理论和技术同控制理论、方法与技术相结合。

判断题确定隶属函数的方法除了神经网络法外还有模糊统计法和主观经验法。

判断题最大隶属度法不考虑输出隶属度函数的形状，只考虑最大隶属度处的输出值。因此，难免会丢失许多信息。它的突出优点是计算简单。在一些控制要求不高的场合，可采用最大隶属度法。

判断题遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。

判断题广义钟形隶属函数的Matlab表达式是gbellmf（x，[a，b，c]）。

判断题神经网络可以多输入、多输出。

判断题函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例。尤其是对非线性、多模型、多目标的函数优化问题，采用其他优化方法较难求解，而遗传算法却可以得到较好的结果。

判断题将神经网络作为被辨识系统的模型，可在已知常规模型结构的情况下，估计模型的参数。

判断题综合目前的各种分类方法，可将神经网络控制的结构归结为以下七类：神经网络监督控制、神经网络直接逆控制、神经网络自适应控制、神经网络内模控制、神经网络预测控制、神经网络自适应评判控制、神经网络混合控制。