مطالعه شبکه های عصبی مصنوعی تا حد زیادی ملهم از سیستم های یادگیر طبیعی است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل در کار یادگیری دخیل هستند.گمان میرود که مغز انسان از تعداد 10 11 نرون تشکیل شده باشد که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.سرعت سوئیچنگ نرونها در حدود 10-3 ثانیه است که در مقایسه با کامپیوترها 10 -10 ) ثانیه ( بسیار ناچیز مینماید. با این وجود آدمی قادر است در 0.1 ثانیه تصویر یک انسان را بازشناسائی نماید. این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها حاصل شده باشد. شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده است. این روش در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد. در این پروژه ابتدا به بررسی کنترل دور موتور القایی به صورت تثبیت ولتاژ و فرکانس، کنترل دور با داخل کردن مقاومت در مدار روتور و ... اشاره شده است و سپس برمبنای توانایی شبکه عصبی در تقریب و کنترل توابع غیر خطی و با توجه به اینکه موتور القایی خود ساختار غیر خطی دارد ، یک مدل شبکه عصبی برای موتور القایی ساخته می شود . برای ایجاد این مدل ولتاژ و جریان موتور به عنوان ورودی و گشتاور و سرعت موتور به عنوان خروجی فرض می شود . و شبکه عصبی به ازای تعدادی از داده های ورودی - خروجی آموزش داده خواهد شد . مدل بدست آمده تقریب خوبی نسبت به مقادیر واقعی موتور بدست می دهد .