Zahvaljujući napretku tehnologije i minijaturizaciji komponenata, u današnje vrijemeu industrijskoj proizvodnji se sve više predaje pažnja i važnost metodama ultra-preciznog pozicioniranja. Sustavi za ultra-precizno pozicioniranje se koriste za izradu raznovrsnih mikroelektromehaničkih dijelova, kao što su optički prekidači, MEMS žiroskopi, akcelerometri, ali se koriste i u sustavima kao što su radari, sateliti (sustavi za satelitsko pozicioniranje), medicinski sustavi, obradni sustavi i mikroskopi atomskih sila. Stoga se sve više pažnja pridaje adaptacijskim metodama regulacije koje bi se mogle primijeniti na takve sustave, kao što su neuronske mreže i fuzzy sustavi, a da bi se dostigle razine preciznosti koje nisu moguće s klasičnim metodama kalibracije i konfiguracije takvih konstrukcija. U velikoj većini slučajeva, sustavi za pozicioniranje koriste proporcionalno-integralnoderivacijski (PID) regulator za regulaciju sustava. Ovaj sustav, makar konceptualno dosta star, ipak se pokazao kao optimalan kompromis između dobivene preciznosti i jednostavnosti izvođenja. PID regulatori se ugađaju empirijskim metodama koje izliskuju puno pokušaja od strane operatera i puno vremena da se dođe do optimalnih vrijednosti, stoga se znanost sve više okreće prilagodljivim algoritmima kao što su neuronske mreže i fuzzy algoritmi koje imaju evidentne prednosti pred poznatim metodama. Ovim algoritmima ide u prilog činjenica da su u mogućnosti prilagoditi vrijednosti regulatora na osnovu podataka dobivenih u realnom vremenu i da stoga uzimaju u obzir čimbenike u dinamici sustava koji možda ljudski operater ne bi mogao predvidjeti. U ovom radu su istražene metode prilagodljive kontrole i njihovi koncepti, koje se onda pokušalo prenijeti iz teorijskih simulacija na pravi sustav za precizno pozicioniranje. Makar je u teorijskoj simulaciji u SIMULINK-u bilo dobrih rezultata koji govore u prilog prilagodbe pomoću neuronske mreže, njezino izvršavanje u programskom okruženju LabVIEW nije omogućilo dobivanje očekivanog rezultata. Razlog tome je kompleksnost neuronskih mreža, ali i nedostaci u programskom okruženju koji otežavaju detekciju pogrešaka i njihovo otklanjanje. Algoritam bi možda donio bolje rezultate kod standardnog, sekvencijalnog programskog jezika.