Problemy modelowania i identyfikacji obiektów dynamicznych stanowią jeden z podstawowych problemów w wielu efektywnych metodach syntezy układów sterowania. Znajomość dokładnego opisu matematycznego obiektu lub budowa jego symulatora dowolnymi technikami daje możliwość opracowania układów sterowania, które w porównaniu z innymi układami opracowanymi bez takiej wiedzy o obiekcie są mniej efektywne. Uwzględniając ogromną ważność tych problemów w automatyce, dotychczasowe badania teoretyczne i aplikacyjne były prowadzone głównie w zakresie problemów modelowania matematycznego, a z technicznego punktu widzenia w zakresie metod identyfikacji parametrycznej różnych struktur modeli. Wynikiem intensywnych badań prowadzonych w tym kierunku od początku lat sześćdziesiątych jest opracowanie całego szeregu metod i technik. Opracowana teoria identyfikacji dotyczy przede wszystkim liniowych obiektów statycznych i dynamicznych, a problemy nieliniowe, z uwagi na ich ogromną różnorodność i złożoność, rozwiązywane są różnymi metodami i technikami przybliżonymi. Atrakcyjność stosowania sieci neuronowych w zagadnieniach modelowania i identyfikacji obiektów wynika przede wszystkim z ich możliwości aproksymacji dowolnych nieliniowości oraz dostrajania przyjętej struktury na podstawie danych eksperymentalnych lub innych obrazów uczących. Ogólna struktura układu realizującego zadanie syntezy modelu neuronowego Przedstawiona sytuacja odpowiada procesowi uczenia sieci neuronowej, tj. dostrajania wartości współczynników wag. Informacja o wartości błędu e będącego różnicą pomiędzy wyjściem procesu y, a wyjściem symulatora neuronowego ym, czyli stanowi informację wejściową w algorytmie uczenia. Ponieważ w układach sterowania procesy mają charakter dynamiczny, neuronowe modelowanie wymaga stosowania specjalnych rozwiązań. Jednym z nich może być użycie sieci rekurencyjnych typu Hopfielda lub prostszych sieci typu propagacji wstecznej. W ostatnim przypadku jest to typowa sieć statyczna, ale poprzez umowne rozszerzenie wektora wejściowego i wyjściowego modelowanego obiektu o wartości w chwilach poprzednich uzyskuje się efekt zachowania dynamicznego.