神经网络控制系统（Neural Network Control System, NNCS）是一种利用人工神经网络模型模拟人类神经系统的学习与自适应能力，以实现对复杂、非线性系统的精确控制。其工作原理主要包括以下几个步骤：

1. 输入数据预处理：将传感器或其他输入设备获取的数据进行预处理，如归一化、滤波等，以适应神经网络的输入需求。
2. 前向传播：将预处理后的输入数据通过神经网络各层传递，直到输出层，生成控制指令。
3. 反向传播：将实际系统的输出与期望输出之间的误差通过神经网络反向传播，调整各层的权重，实现网络的学习与自适应。
4. 控制指令执行：将神经网络输出的控制指令转换为实际的控制动作，如电机的转速调整、阀门的开闭等，以改变被控对象的状态。
5. 反馈与迭代：通过持续的输入数据反馈，不断优化神经网络的权重，提高控制精度和稳定性。

与传统控制系统的比较：

1. 学习与自适应能力：NNCS通过反向传播算法能够自动学习系统的非线性特性，适应系统参数的变化，具有较强的自适应性和鲁棒性。而传统控制系统（如PID控制）通常基于线性模型设计，对非线性系统的适应性和鲁棒性较差。
2. 建模复杂度：传统控制系统需要精确的数学模型来描述被控对象，对于复杂的非线性系统，建模难度大。NNCS则通过数据驱动的方式，无需详细的数学模型，能够处理复杂的、未知的非线性系统。
3. 控制精度：在处理非线性、多变量、时变的复杂系统时，NNCS往往能实现更高的控制精度。传统控制系统在面对此类系统时，可能需要复杂的调参过程，且控制效果有限。
4. 应用范围：NNCS适合用于控制系统具有高度非线性、不确定性或动态变化的应用场景，如自动驾驶、机器人控制等。传统控制系统适用于系统特性相对稳定、线性度较高的场景，如温度控制、速度控制等。
5. 计算资源需求：NNCS由于需要进行大量复杂的计算，如权重调整、前向传播等，对计算资源的需求较高。传统控制系统算法简单，计算量小，适用于资源有限的嵌入式系统。

综上所述，神经网络控制系统与传统控制系统各有优势，选择时需根据具体应用场景的需求进行评估。