逆解中的未知部分，然后应用逆设计和自适应反演设计出虚拟控制量，最后应用反馈线性化方法和神经网络设计了直接自适应控制律，并利用稳定性定理推导了神经网络的参数调节律，保证了闭环系统的所有信号均最终致有界文献针对模型提出直接自适应神经网络控制方案。用前馈神经网络作为系统模型，控制信号直接通过最小化在设定点和模型输出之间的瞬时差分或累积差分获得，采用广义预测理论和梯度下降法加快学习速率和收敛性能文献针对不稳定的无人驾驶飞行器提出直接自适应神经网络控制器设计方案，控制规律来跟踪俯仰角速率指令，神经网络线性滤波器和学习算法用来逼近控制律。设计神经控制器需要的有界信号可通过种离线有限时间的训练方案获得，以提供必需的稳定性和跟踪性能，空气动力系数带来的不确定性由在线学习方案来补偿。文献针对类不确定非线性系统，利用神经网络可逼近任意非线性函数的能力和误差滤波理论，提出了种基于径向基函数神经网络的自适应控制器设计方案，以使非线性系统在存在不确定项或受到未知干扰时，其输出为期望输出，根据理论，给出了系统稳定的充分条件文献针对连续时间和离散时间的输入状态稳定的内部动力学的非线性不确定动态系统，基于定理提出了神经元自适应控制方案，该神经元自适应控制器的构建对系统的动力学知识没有要求，而只假设系统是连续可微的和不确定线性系统的逼近误差存在个极小的增益类型范数有界的圆锥形扇区内，这样就可以将鲁棒控制和神经网络自适应控制结合起来，从而保证了闭环系统郎分渐近稳定。同时人们开始将神经网络和其它新兴理论结合起来研究新型神经网络，如量子神经网和二阶模糊神经网络等。文献提出了基于扬氏双缝实验思想的叠加态量子神经网络文献提出了基于模期前馈神经网络思想的韫子神经网络文献提出了基于量子力学本体表示的非叠加态量子神经网络。神经网络自适应控制这领域呈现出欣欣向荣的景象。选题的背景和意义人类当前所面临的重大科学技术研究任务之是要揭示大脑的工作机制和人类智能的本质，开发智能应用技术，制造具有完类智能活动能力的帮能机器。在过去几十年里，无数先驱们不懈探索，在神经生理学心理学等大批基础学科的研究成果基础上，研究脑和机器的智能取得了许多可喜的进展，这些智能研究成果的取得不仅对智能机器研究本身具有重要的意义，而且推动了大批相关学科的发展。智能研究的历史至少可以追溯到年代人工智能的初创期，更早些可咀追溯到图灵自动机理论。冯诺伊曼曾多次谈到计算机和大脑在结构和功能上的异同，对它们从元件特性到系统结构进行了详尽比较。和提出二〇年六月十日星期六的形式神经元模型导致了有限自动机理论的发腥。维纳的书专门讨论了动物和机器的控制和通信问题。信息论的奠基人香农也曾探索过人的智力放大问题。我国著名学者钱学森在他的工程控制论书中专门论述了生物体的调节控制和神经网络问题。因此，早在四五十年代神经系统的功能就已经引起这些现代科学理论开拓者的兴趣，并对他们各自理论的创立做出了贡献。建立在认知过程信息处理的徽结构理论之上的神经网络作为人的认知过程的种定量描述，为神经科学家提供了个良好的机会来发展和验证大脑的作原理。神经网络理论的发展，在神经科学中推动了理论神经科学的产生和发展，为计算神经科学提供了必要的理论和模型，神经时络姓在许多学科的基础上发展起来的，它的研究的深入也必然会带动其他相关学科的发展。许多现代科学理论的创导者对脑的功能和神经网络都有着强烈的兴趣，并从中得到了不少启示，创造或发展了许多新理论。神经同络控制研究历史及现状神经网络控制的研究始于世纪年代和提出了神经网络模型，并用于网波罗登月计划中，取得了良好的效果。年等将神经网络用于小车倒立摆系统的控制，也取得了成功。年代后期，神经网络控制随着科学的发展受到重视，其研究人多数集中在自适应控制方法上。神经网络控制是种基本上不依赖于模型的控制方法，具有较强的自适应性和学习能力，比较适用于那些具有不确定性或高度非线性的控制对象。神经网络作为智能控制的个重要分支，无论是在理论上还是在应用上都取得了令人瞩目的成果，将代入上式得式中是常值，，可使算法收敛。权值调整算法为式中是常值，。当时，算法结束。最小二乘递推法为简单起见，讨论单输出的情况。定义目标函数式中，是加权因子，若第个样本比第个可靠，则的加权因子要大，可取,是样本长度。使最小的即为所求，因此，由可得最小二乘递推算法二〇年六月十日星期六式中,，是隐节点数。神经网络的先进学习算法关于神经网络学习算法的改进的方法有许多，比较具有代表性的有对下在线的或自适应的模型的应用，需要些递归辨识算法，个简单的办法是首先固定中心，然后通过递推最小二乘实时校正权值。但只有在所讨论的系统变化非常小时该方法才有效。同时改变中心和网络权值会得到更好的效果。因为这样会大大改善建模能力和跟踪性能。聚类算法可以递推使用，于是如果输入数据的分布发生变化，中心的分布也会跟随数据模式而变化。从而中心实时分布在网络输入数据所在的区域，中心的位置能有效反席数据模式。经典的算法中聚类中心个数要预先指定，就对其应用有了强制，针对这点提出了种频率敏感竞争的学习算法，基本思想是对中心多次连续获胜时，强制限制其获胜降低获胜系教，例如当连续获胜时，对它停止修正几次，而改为修正，该方法克服了单纯的增长法和修剪法的些不足。传统的中心选择算法的个主要缺点是都要求中心个数预先周定，于是就产生了构建法和惨剪法来训练网络。当网络的初始规模般指隐层神经元数目无法确定时，可先以较小的规模初始化网络，随着训练的进行来增加网络隐层神经元数，应该能有效解决睡络规模问题，给出神根据网络训练误差的情况分裂中心来实现网络增长和停止网络增长，使得网络的规模合理有效。有种结构变化的神经网络，并把它用于自适应控制中对于传统的网络规模同定的网络，其中心选在紧集上的品格结点处于是晶格结点的距离影响了网络的规模和逼近精度。其思想是根据种策略，基函数由个变化的品格结点决定，只分布在网络输入所经过的空间，基函数的数目可随时间而增加或减少来保持网络合适的规模，从而有敛避免了网络对数据的过度拟台和拟合不足，节省了网络资源。网络的特点是局部的，即旦中心和宽度确定，每个隐层神经元输出只在其中心的个邻域起作用，当个中心远离现在的输入集合且对逼近误差影响非常小时，可不要该中心如果个中心的帮域距离现在输入集台很近，则其对输出就有很大作用，于是就保持该中心，或当没有这样的中心时增加个。区别于以前的输入聚类算法，有文献研究了基于输入输出数据的聚类算法通过对输入输出样本进行聚类，可以得到个加权的输入输出盼均方量化误差该误差可为网络的输出均方误差得到个上界。通过调节这个上界可以使网络的逼近误差任意小。神经网络虽然具有许多优点和特性，但其还存在以下几个有关问题求网络隐节点的中心和标准化参数是个困难的问题。径向基函数，即径向对称函数有多种，对于组样本，如何选择合适的径向基函数，如何确定隐节点数，以使网络学习达到要求的精度，是还没有解决的问题。当前，用计算机选择设计，再检验足种通用的手段。这是该网络难以广泛应用的原因。神经网络因其优良的特性吸引着科学工作者的广泛关注，各种新的算法的产生又推动了其应用和发展网络的推广能力在实际虑用网络时，网络训练不能只注意网络的训练精度，同时应该考虑网络的推广能力，如果个网络的推广能力差，只能用于种问题的求解，则在实际应用中就没有价值了。如果训练数据集并不是特别夫的话，网络对训练数据的性能并不能用采解释未知数据的性能，因此，实践中需要对网络的推广性质有种较为可靠的预测方法。目前预测方法主要有交叉确认法预测推断性能的标准方法称为交叉确认。它是将数据分成两组，组是训练，另组是测试集。网络在训练集上进行学习，在测试集上评价网络的性能，为了获得具有统计意义上的结果，需进行几种相互的数据分解，然后获取平均结果，以得到性能的个整体估计，但在神经网络中却可能非常耗时，因为对每种数据分解都需要很长的学习时间。预测平方误差法这方法所需的计算量少得多，称为预测平方误差二〇年六月十日星期六。这种方法利用统计分析，用表达式表示网络的推广性能该表达式是训练集的性能系统中自由参数的个数训练集大小等的函数。针对个利用复杂性正则化项来训练的系统，提出后了广义预测误差方法。由于所州的复杂性正则化项，有效参数比赛际参数数口少得多。等从理论上分析了网络的推广能力的问厝。通过对推广能力与训练数据对最优训练参数及基函数的相互作用的分析，得出了以下结论当权值矢量完全可以用学习教导出时的推广能力与所训练的数据数成正比。为了达到网络较好的推广能力，网络的训练参数也需要最优的设置，基函数交叠强的网络具有较好的推广能力，并有利于提高网络的学习速度。这些结论对实际应用具有较好的指导作用。神经网络逼近特性从上面的描述我们可以知道，神经两络具有最佳逼近特性，任意给出个未知的非线性函数,总可以得到组权值使得网络对于厂的逼近优于所有其它可能的选择。下面，利用软件来仿真神经网络的逼近特性。所做的工作是对于同个神经网络，选择不同的连续函数，来模拟仿真其逼近特性在网络设计中，采用高斯函数作为基函数，误差指标设为。逼近函数，仿真结果如图和图所示图逼近函数图逼近误差性能逼近函数，仿真结果如图和图所示二〇年六月十日星期六图逼近函数图逼近误差性能从上面的仿真结果我们可以比较看出，同个神经网络，对不同的连续函数，其逼近效果非常好，逼近误差也在定的时间内能达到了期望的要求，这也说明了该神经网络具有比较好的推广能力。二〇年六月十日星期六结束语随着人类社会的发展和科技的进步，无论在丁作还是日常生活中，人们对智能化的要求都会越来越高，正是这种要求推动和促进了智能控制的发展和应用，而神经网络控制作为智能控制个重要的前沿分支，其关于学习联想和记忆等具有智能特点过程的机理及其模拟方面的特性为解决人类的需求提供了有力的工具，再加上与其他前沿学科的交叉融合，该领域的研究必将越来越热烈深入，应用也必将越来越广泛，所以神经网络控制的研究具有广阔的发展前景和发展空间。但从其发展历史来看，这个领域的研究既充满诱惑又不乏挑战，没有人能肯定以后它的不会再经受挫折，也没有人知道它会给人类社会带来多人的辉煌和巨变。但只要坚持不懈地努力，神经网络研究的新理论和新方法必定会使我们的社会越来越美好，使我们的生活越来越舒适。作为名初学者，对神经网络控制的理论方法和技术等都掌握得不够深入和全面，许多方面只是进行了初步探讨，以后还需要在以下几个方面进行深入学习和改善，改进学习算法，以改善神经网络性能和其他学科的融合应用研究。二〇年六月十日星期六摘要神经网络自适应控制是基于自适应的基本原理，利用神经网络的特点设计而成的。它发挥了自适应与神经