在过去的几十年中，神经网络（NN）已经看到成功的发展，由于工业和学术界的努力，具有广泛的应用。凭借NN的强大近似能力，已经发展成为许多有前途的领域，例如复杂和非线性系统的建模和识别以及优化和自动控制。

具体地，最先进的深度学习Nn，允许学习更丰富的中间表示，消除了特征工程的努力。对于不同的理论和应用，NN架构的设计理念可能是不同的。然而，通常NN可以表示为几个内核函数的加权和，其中可以调整权重以近似任意平滑或连续的非线性函数。但是，为了揭示NN作为复杂系统的基本表现和行为，而在应用于现实世界的控制应用中仍然是一个要探索的问题。了解这个问题不仅可以促进更好地理解NN的潜在机制，而且还提供了在各种现实应用中设计通用NN解决方案的可能性。

这一特殊问题的主要重点将是NN理论和分析以及复杂系统中的潜在工程应用。邀请作者介绍旨在提高NN的先进技术的理论，算法和框架，以进行复杂系统的建模，识别，控制和优化。我们还鼓励作者向复杂的心理系统合成NN的新结果，如过高的飞行船只，机器人和工业过程。

潜在主题包括但不限于以下内容：

• 神经网络的收敛性和稳定性分析
• 神经网络优化
• 基于神经网络的系统识别
• 基于神经网络的观察者设计
• 经常性神经网络的理论与应用
• 深度学习神经网络的理论与应用
• 感知，行动和认知的神经模型
• 用于移动机器人，飞行船只，自主水下车辆和其他机器人系统的神经网络控制
• 可持续能源厂的神经网络建模与控制