号为方波信号跟踪结果如附录中的仿真图所示。

仿真结论控制算法虽然是控制器的输出训练的，但并不是控制器的简单复制。

加入控制器是为了评判控制器的性能，增强系统的稳定性，抑制扰动。

单独控制时，增益的值在很大程度上决定着控制效果，而采用控制时控制效果不依基于和小脑模型神经网络的具备自适应能力，很难满足基于和小脑模型神经网络的自适应控制器设计实际的控制要求。

目前，参数的整定和优化主要依靠现场技术人员手工调整，控制效果的好坏很大程度上依赖技术人员的经验和水平，且要耗制中经常使用的控制，对于小滞后还可以应付，但对于大滞后要采用预估器等方法来解决。

传统的单纯不能有效地实现对大滞后和大惯性环节的控制，加上被控对象具有定的变化性，常规参数不动和调试时间短等。

因此，参数的整定往往难以达到最优的状态。

并且即使针对工作点获得了控制的最优参数，由于工业过程对象般具有时变性，仍存在整个工作范围和保持长期工作最优问题。

在工业过程控信号的变化趋势变化速率，并能在偏差信号值变得太大之前，在系统中引入个有效的早期修正信号，从而加快系统的动作速度，减小调节时间。

在实际生产现场，由于条件常常受到限制，比如缺乏有关仪器，不允许附加扰，偏差旦产生，控制器立即产生控制作用，以减少偏差。

积分环节主要用于消除静差，提高系统的无差度积分作用的强弱取决于积分时间常数，越大，积分作用越弱，反之则越强。

微分环节能反映偏差式中比例系数积分时间常数微分时间数。

简单说来，控制器各校正环节的作用如下比例环节即时成正比的反映控制系统的偏差信号和微分通过线性组合构成控制量，对被控对象进行控制，故称控制器。

其控制规律为或写成传递函数形式图控制系统原理框图控制器是种线性控制器，它根据给定值与实际输出值构成控制偏差将偏差的比例积分是从比例积分和微分三个环节来实现对系统控制的。

常规控制系统原理框图如图所示，系统由模拟控制器和被控对象组成。

基于和小脑模型神经网络的自适应控制器设计比例积分微分被控对象稳定性和鲁棒性。

控制与控制的原理控制控制的原理控制具有较强的鲁棒性，结构简单，参数物理意义明确，对模型依赖程度小和工程上易于实现等优点，广泛应用于工业过程中。

控制学习速度快和较好的非现行逼近能力。

因此把和控制相结合，取长补短，既增强系统的稳定性，抑制扰动，又能保证系统的控制精度，具有较强的实用性，使得系统在高反应速度和非线性条件下具有较好的，且要耗费大量的人力物力和时间。

将和控制相结合，既能充分发挥控制算法结构简单运算量小物理意义明确能很好的解决参数整定难和参数自整定的问题和保证系统的稳定性等优点，又能利用滞后和大惯性环节的控制，加上被控对象具有定的变化性，常规参数不具备适应能力，很难满足实际的控制要求。

目前，参数的整定优化依靠现场技术人员手工，控制效果的好坏很大程度上依赖技术人员经验水平有较好的控制效果，而在复杂系统的控制效果中控制效果不佳。

另外，在工业过程中经常使用的控制，对于小滞后还可以应付，但对于大滞后要采用预估器等方法来解决。

传统的单纯不能有效地实现对大至关重要的问题就是参数比例积分和微分的整定。

而这些参数的整定困难使控制器的应用受到限制，实际上控制规律是种线性控制规律，它也具有传统控制理论的弱点，仅在简单的线性单变量系统中馈，保证系统的稳定性，且抑制扰动。

使得系统在高反应速度和非线性条件下具有较好的稳定性和鲁棒性。

控制方法，从问世至今，广泛应用于控制领域的各个方面，是迄今为止最通用的控制方法，但是控制中个器设计性也是个重要的因素，这也就是本论文的研究动机。

研究目的和意义本文通过和的复合控制实现前馈反馈控制，小脑模型神经网络控制器实现前馈控制，实现被控对象的逆动态模型常规控制器实现反馈器设计性也是个重要的因素，这也就是本论文的研究动机。

研究目的和意义本文通过和的复合控制实现前馈反馈控制，小脑模型神经网络控制器实现前馈控制，实现被控对象的逆动态模型常规控制器实现反馈，保证系统的稳定性，且抑制扰动。

使得系统在高反应速度和非线性条件下具有较好的稳定性和鲁棒性。

控制方法，从问世至今，广泛应用于控制领域的各个方面，是迄今为止最通用的控制方法，但是控制中个至关重要的问题就是参数比例积分和微分的整定。

而这些参数的整定困难使控制器的应用受到限制，实际上控制规律是种线性控制规律，它也具有传统控制理论的弱点，仅在简单的线性单变量系统中有较好的控制效果，而在复杂系统的控制效果中控制效果不佳。

另外，在工业过程中经常使用的控制，对于小滞后还可以应付，但对于大滞后要采用预估器等方法来解决。

传统的单纯不能有效地实现对大滞后和大惯性环节的控制，加上被控对象具有定的变化性，常规参数不具备适应能力，很难满足实际的控制要求。

目前，参数的整定优化依靠现场技术人员手工，控制效果的好坏很大程度上依赖技术人员经验水平，且要耗费大量的人力物力和时间。

将和控制相结合，既能充分发挥控制算法结构简单运算量小物理意义明确能很好的解决参数整定难和参数自整定的问题和保证系统的稳定性等优点，又能利用学习速度快和较好的非现行逼近能力。

因此把和控制相结合，取长补短，既增强系统的稳定性，抑制扰动，又能保证系统的控制精度，具有较强的实用性，使得系统在高反应速度和非线性条件下具有较好的稳定性和鲁棒性。

控制与控制的原理控制控制的原理控制具有较强的鲁棒性，结构简单，参数物理意义明确，对模型依赖程度小和工程上易于实现等优点，广泛应用于工业过程中。

控制是从比例积分和微分三个环节来实现对系统控制的。

常规控制系统原理框图如图所示，系统由模拟控制器和被控对象组成。

基于和小脑模型神经网络的自适应控制器设计比例积分微分被控对象图控制系统原理框图控制器是种线性控制器，它根据给定值与实际输出值构成控制偏差将偏差的比例积分和微分通过线性组合构成控制量，对被控对象进行控制，故称控制器。

其控制规律为或写成传递函数形式式中比例系数积分时间常数微分时间数。

简单说来，控制器各校正环节的作用如下比例环节即时成正比的反映控制系统的偏差信号，偏差旦产生，控制器立即产生控制作用，以减少偏差。

积分环节主要用于消除静差，提高系统的无差度积分作用的强弱取决于积分时间常数，越大，积分作用越弱，反之则越强。

微分环节能反映偏差信号的变化趋势变化速率，并能在偏差信号值变得太大之前，在系统中引入个有效的早期修正信号，从而加快系统的动作速度，减小调节时间。

在实际生产现场，由于条件常常受到限制，比如缺乏有关仪器，不允许附加扰动和调试时间短等。

因此，参数的整定往往难以达到最优的状态。

并且即使针对工作点获得了控制的最优参数，由于工业过程对象般具有时变性，仍存在整个工作范围和保持长期工作最优问题。

在工业过程控制中经常使用的控制，对于小滞后还可以应付，但对于大滞后要采用预估器等方法来解决。

传统的单纯不能有效地实现对大滞后和大惯性环节的控制，加上被控对象具有定的变化性，常规参数不具备自适应能力，很难满足基于和小脑模型神经网络的自适应控制器设计实际的控制要求。

目前，参数的整定和优化主要依靠现场技术人员手工调整，控制效果的好坏很大程度上依赖技术人员的经验和水平，且要耗费大量的人力物力和时间。

数字控制计算机控制是种采样控制，它只能根据采样时刻的偏差值计算控制量，因此模拟控制算法不直接使用，需要采用离散化方法。

在计算机控制中，使用的是数字控制器。

位置式控制算法位置式控制表达式式中采样序号，„„第次采样时刻的计算机输出值第次采样时刻输入的偏差值第次采样时刻输入的偏差值积分系数，微分系数，图给出了位置式控制系统示意图。

位置式算法对象执行基于和小脑模型神经网络的自适应控制器设计ν实际映射的方法为，若其他取指令信号作为的输入。

每控制周期结束时，输出与总控制输出相比较，修正权重，进入学习过程。

学习的目的是使总控制输入与的输出之差最小，即使系统的总控制输出主要由控制器产生。

的调整指标为ηηη式中，η为网络学习速率，η∈为惯性量，∈，。

当系统开始运行时，置，此时系统由常规控制器进行控制。

通过的学习，使产生的输出控制量逐渐为零，产生的输出控制量逐渐逼近控制器总输出。

系统仿真仿真实例被控对象二阶传递函数当系统运行时，置，此时系统由常规控制器进行控制。

通过的学习，使产生的输出控制量逐渐为零，产生的输出控制量逐渐逼近控制器总输出。

神经网络参数取η，。

控制参，采样时间为。

取输入信号为方波信号跟踪结果如附录中的仿真图所示。

仿真结论控制算法虽然是控制器的输出训练的，但并不是控制器的简单复制。

加入控制器是为了评判控制器的性能，增强系统的稳定性，抑制扰动。

单独控制时，增益的值在很大程度上决定着控制效果，而采用控制时控制效果不依基于和小脑模型神经网络的自适应控制器设计赖于的值，的值只需要在个合理的范围内即可。

通过复合控制器与控制器仿真结果的对比可以看出，开始的时候主要是控制器起作用，经过对常规控制器的输出的不断学习，逐渐由小脑模型的输出起控制作用。

小脑模型的加入使得控制效果比单独的控制效果要好很多，当方波输入时，大大减小了超调，加快控制响应速度，充分体现了小脑模型的特点，即输出误差小实时性好鲁棒性强等。

仿真结果