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，制造具有完成人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网络的各自长处，为非线性控制的研究提供了种新方法。 本文基于稳定性理论，采用神经网络直接自适应控制的思想设计控制器，研究了类带干扰的不确定非线性系统的控制问题。 控制器主要是针对不确定非线性系统中存在的两类未知项未知函数和未知外界干扰而设计，其中未知函数利用径向基函数神经网络来近似，外界干扰利用非线性阻尼项来抑制，这样可以充分利用神经网络的逼近特性，克服复杂系统难以建模等困难，并且系统稳定性和收敛性在给出的假设的条件下均能得到保证。 最后设计程序进行仿真验证，在程序设计中，以高斯函数作为基函数，仿真结果表明在权值和控制的有界性方面取得了定的效果。 本文第章到第三章详细介绍了人工神经网络及神经网络控制的发展和研究现状第四章主要介绍了径向基函数神经网络，并对其逼近能力进行仿真在结束语中展望了神经网络控制的发展前景，提出以后的研究方向。 关键词神经网络，自适应控制，不确定非线性系统,二〇年六月十日星期六绪论非线性现象是工程自然界以及人类社会话动的各个领域普遍存在的问题，非线性控制在控制科学中也直占有重要地位。 通常工业过程中都存在着不确定性和时变性等非线性现象，当受控对象或环境发生变化时，为保证良好的控制性能，可采取自适应控制策略。 日前，自适应控制器结构的选取和参数调整规则，都是建立在线性系统理论的基础上，对于非线性系统的自适应控制问题人们直在寻求新的有效解决方法。 因此，寻找新的工具和方法来研究非线性系统的自适应控制问题就成了控制理论中研究的热点，神经网络由于其本质上高度的非线性信息处理的并行性信息处理单元的互连性良好的容错性计算的非精确性及自学习自组织和自适应性等特点，为解决复杂的非线性不确定不确知系统在不确定不确知环境中的控制问题提供了个很好的工具和模型，从而可以使控制系统稳定性鲁棒性好，达到要求的动态与静态或称稳态性能。 对于神经网络来说，描述非线性映射建立非线性系统模型等都变得非常容易，这在控制器的设计中极为重要，所以神经网络在非线性控制中得到了广泛的应用。 神经网络研究的兴起与神经网络控制的发展为解决非线性系统的自适应控制问题带来了生机。 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和理论设计而成的，发挥了自适应与神经网络的各自长处，为非线性控制的研究提供了种新方法。 经过余年的努力，神经网络自适应控制在连续和离散非线性系统中的研究都己取得丰硕的成果，当前的研究有以下几个方面在不确定非仿射线线性系统的直接自适应状态反馈控制器设计中，所用的神经网络具有弹性结构，也就是说神经元的数量是个变量，神经网络逼近且自适应地取代了非线性系统巾的不确定性，整个闭环系统在意义下稳定采用没有反馈的神经网络自适应控制器对带有死区非线性的系统进行了控制研究，该自适应控制器能对这类非线性系统实现有效的控制基于多层神经网络提出了种直接自适应控制方案，首先应用多层神经网络自适应模型逼近逆解中的未知部分，然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