在CNKI上检索博硕士（论文）、无人机、神经网络等3个关键词的交集，检索出几篇用神经网络控制无人机飞行的博士和硕士论文。无人机飞行过程中，需要根据传感器传来的参数对飞行控制参数进行调整，以控制无人机的飞行。这种过程如同计算函数y=f(x)一样，输入一个自变量，也就是传感器参数x，输出一个因变量，也就是飞行控制参数y，自动控制系统根据y操作动力、机械系统控制飞行。当然，在一般情形下，这里的x是向量，是一组传感器的值，输出y也是向量，是一组控制参数。对于神经网络控制，函数f就是神经网络的转换矩阵，也就是所谓的神经元突触矩阵。如果输入和输出不计入神经网络，对于单层神经网络是1个转换矩阵，比如感知器，对于2层神经网络就是2个转换矩阵，比如BP神经网络。现在的问题是要确定转换矩阵中每个一元素的值。通常情况下是这样确定转换矩阵的，采集许多组传感器的值以及与这些值相对应的正确的控制参数，用这些采样的传感值和正确的控制参数训练神经网络，使网络的转换矩阵在输入采样传感值时能够计算出正确的控制参数。这个过程称为神经网络的学习。学习算法多种多样，其中一大类算法是优化问题，优化中的一个主要方法是用最小二乘求待定系数。解决最小二乘的方法是求偏导数为0的n元线性方程组，但在实际计算中，为了避免矩阵除法，一般都采用类似于牛顿法那样的近似计算。当神经网络的转换矩阵确定之后，无人机的飞行控制也就解决了。不过在无人机的飞行过程中，并不是让机载计算机实时计算传感器的传感值与转换矩阵的乘法运算，因为机载计算机的计算速度有限，更何况有的神经网络可能还要用到对数函数、三角函数、除法、开方等运算，这些运算都比较耗时。虽然矩阵运算可以用并行计算进行，但是机载计算机可能并不是并行计算机。比较可行的办法是把无人机可能遇到的情况，也就是传感器可能传进来的传感值列成表，然后计算出对应的控制参数表，把这个参数表存入机载计算机中，机载计算机所要做的是根据传感器传来值查控制参数表。

单从飞行的角度，空中的环境要比地面的环境简单，因而传感器采集的样品种类少，样品本身也不复杂，但是飞行是在三维空间中进行，因而飞行控制参数要比地面无人车行驶控制参数多。

从IBM介绍自己的神经形态芯片的情况看，它可以免编程通过对样品的学习，以设定参数的方法确定一个Baltzmann机网络。IBM说这种芯片可以实现多种神经网络，但没有给出这些神经网络的种类和名称，只给出了Baltzmann机这一个种类。2007年，IBM从美国国防高级研究项目局（Defense Advanced Research Projects Agency：DARPA）承接SyNAPSE(Systems of Neuromorphic Adaptive Plastic Scalable Electronics,神经性自适应弹性可伸缩电子系统)项目时，DARPA的目标就是要神经形态芯片能够控制无人载具和无人武器，能够辅助士兵对战场复杂环境快速做出判断。从神经形态芯片的发展态势来看，控制无人机这样的目标是可以实现的。不过目前还缺乏实例报导。