提出了一种基于神经网络理论的微位移工作台控制方案。该工作台以压电陶瓷作为微位移驱动元件，对伺服电机大位移进行位移补偿。分析了压电陶瓷微位移驱动器的原理，建立了工作台的数学模型。神经网络PID控制器对工作台进行闭环控制，利用BP网络的自学习和自适应能力，实时调整网络加权值，改变PID控制器的控制系数．减小工作台的位移误差。采用专用的压电陶瓷驱动电源对工作台的位移进行了实验，相对于常规PID控制器，微位移为11．41μm时的响应时间从1．5s缩短到1s，稳态位移误差从3．13％减小到1．05％，工作台的稳定性和定位精度得以提高．改善了扫描隧道显微镜的工作性能。

针对目前扫描隧道显微镜超高精度位移的要求，提出了一种基于神经网络的精密工作台控制方案。在分析微位移机构工作原理的基础上，建立了工作台的数学模型。神经网络辨识器在线辨识工作台的机械参数，神经网络自学习PID控制器代替传统PID控制器，实现了样本的在线采集，有效克服了神经网络控制器需要离线训练的缺点。利用BP网络的自学习和自适应能力，实时调整网络加权值，改变控制器的控制系数，增强了系统的实时控制性能。实验结果表明，相对于传统PID控制算法，参考位移量为10Fm时，达到稳态值的时间从3．8S缩短到1．8S，稳态误差从4．29／6减小到1．99／6。

为了提高扫描隧道显微镜微位移工作台的定位精度,提出了一种基于遗传算法的神经网络PID控制方案.微位移工作台以压电陶瓷为驱动器、柔性铰链为导向机构,在分析工作原理的基础上,建立了工作台的数学模型.神经网络PID控制器对工作台进行闭环控制,能够在线调整网络加权值,实时改变PID控制器的系数,减小工作台的位移误差.利用遗传算法的全局搜索能力对BP网络的初始权值进行学习优化,有效消除了神经网络对初始权值敏感和容易局部收敛的缺陷,改善了控制器的控制效果.性能测试表明,12μm阶跃参考输入下的稳态误差从3.24%减小到2.55%,稳态时间从1.7 s缩短到1.1 s.