The emergence of spiking networks as the third generation of neural networks has shown great success in solving various tasks. Here, networks of spiking neurons are used to control a linear system using biologically plausible methods. Spiking neurons are introduced, and different frameworks highlighted. The control concept consists of two efficient coding networks: one for generating the necessary input to drive the second network, simulating the dynamics. The precise network behaviour is explained using a geometric methods. Network parameters for the simulating network are learned using supervised and unsupervised learning rules. For the simulation, results from the spiking network are accurate for various system sizes. Acceptable results for control using two networks can be reached if either the learning or the input matrix of the problem is neglected. Control using learned matrices is limited by inaccuracies in the supervised learning of matrix parameters as well as problem-dependent tuning of hyper-parameters. Moreover, learning progress is hard to monitor without repeated testing by simulation.The results of this thesis suggest that the methods are unable to capture a general black box problem of designing a controller but can be useful when additional information is available.

Framväxten av spikande nätverk som den tredje generationen av neurala nätverk har visat sig vara mycket framgångsrik när det gäller att lösa olika uppgifter. Här används nätverk av spikande neuroner för att styra ett linjärt system med hjälp av biologiskt trovärdiga metoder. Spikande neuroner introduceras och olika ramverk belyses. Kontrollkonceptet består av två effektiva kodningsnätverk: ett för att generera den input som krävs för att driva det andra nätverket, som simulerar dynamiken. Det exakta nätverksbeteendet förklaras med hjälp av geometriska metoder. Nätverksparametrarna för det simulerande nätverket lärs in med hjälp av regler för övervakad och oövervakad inlärning. För simuleringen är resultaten från spiknätverket exakta för olika systemstorlekar. Acceptabla resultat för reglering med två nätverk kan uppnås om antingen inlärnings- eller indatamatrisen för problemet försummas. Styrning med hjälp av inlärda matriser begränsas av felaktigheter i den övervakade inlärningen av matrisparametrar samt problemberoende inställning av hyperparametrar. Dessutom är det svårt att övervaka inlärningsförloppet utan upprepade tester genom simulering.Resultaten i denna avhandling tyder på att metoderna inte kan fånga ett allmänt black box-problem med att utforma en regulator men kan vara användbara när ytterligare information finns tillgänglig.