神经网络自适应控制器仿真研究
|
摘要
工业生产过程往往具有非线性、不确定性，难以建立精确的数学模型，应用常规的PID控制器难以达到理想的控制效果。作为智能控制的重要分支，人工神经网络具有良好的非线性映射能力和高度的并行信息处理能力，已成为非线性系统建模、辨识和控制中极具魅力的理论和方法。
本文在查阅大量国内外文献的基础上，研究了神经网络辨识的模型，基于单神经元PID自适应控制器，基于BP神经网络的PID自适应控制器以及神经网络自适应控制器。针对PID控制的不足，研究了神经网络与自适应控制的结合，以探讨收敛速度快、辨识精度高、实时性能好的神经网络控制方法。主要以研究各种算法的模型、实现及性能为基础，具体的内容如下：
(1)以神经网络逆模型的原理、结构与算法的研究为基础，针对一类状态不可直接测量的非线性时变系统，给出了一种基于BP神经网络逆模型的状态观测器，可以对系统的状态进行实时观测，理论分析和仿真结果表明，这种状态观测器可以很好地观测系统的状态。
(2)单神经元自适应控制有几个问题值得研究：①权系数初值的选择问题。权系数的初值对控制性能的好坏有很大影响②权系数的限幅问题。当权系数饱和时，系统将失去应有的学习能力。③神经元控制系统的上升时间比较长，受到扰动以后动态恢复过程较长。
针对上述缺陷给出两种改进方法：第一利用遗传算法来优化单神经元的权值从而实现对系统的控制。结果表明该方法能够很快地搜索到一组较优的权系数，消除了初值对控制性能的影响，加快系统收敛速度，具有较好的动态性能和鲁棒性；第二基于CMAC的单神经元复合自适应PID控制器，使CMAC网络的学习过程包括整个系统控制过程，仿真结果表明该方法具有自适应能力强、实时性好、抗干扰能力强等优点。
(3)分析了基于BP网络的自适应PID控制的模型、算法及特点。将神经网络用于控制器的设计或直接学习计算控制器的输出，一般都要用到系统的预测输出值或其变化量来计算加权系数的修正量。但实际上，系统的预测输出值是不易直接测得的，通常做法是建立被控对象的预测数学模型。所以为了提高控制效果，需要建立合理的模型来计算预测输出。本文利用最小二乘法和神经网络建立被控对象的预测数学模型，用该模型所计算的预测输出取代预测输出的实测值，对基于BP网络的自适应PID控制器的权值调整算法进行改进。仿真结果表明算法的有效性。
(4)针对一类未知、不确定、时变的SISO离散非线性系统，利用神经网络对被控对象的正向模型辨识，将神经网络的输出作为被控对象输出的预报，在此基础上设计出控制律，构成神经自校正控制方案。仿真结果表明控制算法的有效性。
(5)利用神经网络逆模型辨识的思想，提出一种神经网络模型参考自适应控制器设计方案，并给出设计步骤与算法，它适用于任意非线性系统，更接近于工程实际。理论分析和仿真结果证明了该方案的合理性和有效性。
The process of industrial production is sometimes nonlinear anduncertain and is difficult to establish accurate mathematic module, sousing routine PID controller is hard to achieve perfect controlling effect.Neural network (NN) has favorable nonlinear mapping performance andhigher parallel information processing capability, and it has been the mostengaging theory and method for nonlinear system modeling, recognitionand control.
On the base of consulting literatures both here and abroad, themodel of NN identification, PID controller based single-neuron, PIDadaptive controller and the NN adaptive controller are discussed. Aimed atthe shortages of PID, the connection between NN and adaptive controllerare researched in order to accelerating convergence-speed and theaccuracy. This paper are based on the researching of the model,realizations and the performance of the algorithms. The main task can beconcluded as follows:
(1) Aimed at the a sort of Non-linear system, the paper proposed an state observer based on the BP NN inverse-model, this model can observethe state of system in real time. And the analysis of theory and simulationshowed that the state observer is very good.
(2) There have some problems in the single-neuron adaptivecontroller:①the choosing of weight coefficient. The initial value of theparameter has strong effect on the control performance②The slicingproblem of weight coefficient. when the parameter is impregnated, thestudy ability will lost.③The rise time is long, anti-jamming capability isinfirmness.
In order to solve the problem, two improved method are proposed:the first is using GA to optimize the parameter, and the simulation showedthe way can find the best parameter and eliminating the effect of initialvalue. The second is a compounded adaptive PID controller based onCMAC. the study process of CMAC involved the total control process ofsystem, the simulation showed the method had the strong adaptive abilityand anti-jamming capability etc.
(3) Analyzed the model, algorithm and characters of the adaptivecontroller based on BP NN. In order improve the effect on control, theappropriated model must be seted. Using the idea of NN contrary modelrecognition, the text put forward a designing scheme that NN model makes self-adaptive controller as reference and lists the designingapproach and arithmetic. It applies to any nonlinear system, so it is closerto engineering practicality. The theory analysis and emulate result provethe rationality and validity of this project.
(4) Aiming at a kind of unknown, uncertain and time-variant SISOdiscrete nonlinear system, the text uses the forward model recognition forNN to the controlled object and makes the output of NN as prediction ofthe output of controlled object, and based on this the text works out thecontrolling rule and forms the project of neural self-revise control. Theresult of emulation indicates the controlling arithmetic is effective.
(5) Using the idea of NN contrary model recognition, the text putforward a designing scheme that NN model makes self-adaptive controlleras reference and lists the designing approach and arithmetic. It applies toany nonlinear system, so it is closer to engineering practicality. The theoryanalysis and emulate result prove the rationality and validity of thisproject.
本文在查阅大量国内外文献的基础上，研究了神经网络辨识的模型，基于单神经元PID自适应控制器，基于BP神经网络的PID自适应控制器以及神经网络自适应控制器。针对PID控制的不足，研究了神经网络与自适应控制的结合，以探讨收敛速度快、辨识精度高、实时性能好的神经网络控制方法。主要以研究各种算法的模型、实现及性能为基础，具体的内容如下：
(1)以神经网络逆模型的原理、结构与算法的研究为基础，针对一类状态不可直接测量的非线性时变系统，给出了一种基于BP神经网络逆模型的状态观测器，可以对系统的状态进行实时观测，理论分析和仿真结果表明，这种状态观测器可以很好地观测系统的状态。
(2)单神经元自适应控制有几个问题值得研究：①权系数初值的选择问题。权系数的初值对控制性能的好坏有很大影响②权系数的限幅问题。当权系数饱和时，系统将失去应有的学习能力。③神经元控制系统的上升时间比较长，受到扰动以后动态恢复过程较长。
针对上述缺陷给出两种改进方法：第一利用遗传算法来优化单神经元的权值从而实现对系统的控制。结果表明该方法能够很快地搜索到一组较优的权系数，消除了初值对控制性能的影响，加快系统收敛速度，具有较好的动态性能和鲁棒性；第二基于CMAC的单神经元复合自适应PID控制器，使CMAC网络的学习过程包括整个系统控制过程，仿真结果表明该方法具有自适应能力强、实时性好、抗干扰能力强等优点。
(3)分析了基于BP网络的自适应PID控制的模型、算法及特点。将神经网络用于控制器的设计或直接学习计算控制器的输出，一般都要用到系统的预测输出值或其变化量来计算加权系数的修正量。但实际上，系统的预测输出值是不易直接测得的，通常做法是建立被控对象的预测数学模型。所以为了提高控制效果，需要建立合理的模型来计算预测输出。本文利用最小二乘法和神经网络建立被控对象的预测数学模型，用该模型所计算的预测输出取代预测输出的实测值，对基于BP网络的自适应PID控制器的权值调整算法进行改进。仿真结果表明算法的有效性。
(4)针对一类未知、不确定、时变的SISO离散非线性系统，利用神经网络对被控对象的正向模型辨识，将神经网络的输出作为被控对象输出的预报，在此基础上设计出控制律，构成神经自校正控制方案。仿真结果表明控制算法的有效性。
(5)利用神经网络逆模型辨识的思想，提出一种神经网络模型参考自适应控制器设计方案，并给出设计步骤与算法，它适用于任意非线性系统，更接近于工程实际。理论分析和仿真结果证明了该方案的合理性和有效性。
The process of industrial production is sometimes nonlinear anduncertain and is difficult to establish accurate mathematic module, sousing routine PID controller is hard to achieve perfect controlling effect.Neural network (NN) has favorable nonlinear mapping performance andhigher parallel information processing capability, and it has been the mostengaging theory and method for nonlinear system modeling, recognitionand control.
On the base of consulting literatures both here and abroad, themodel of NN identification, PID controller based single-neuron, PIDadaptive controller and the NN adaptive controller are discussed. Aimed atthe shortages of PID, the connection between NN and adaptive controllerare researched in order to accelerating convergence-speed and theaccuracy. This paper are based on the researching of the model,realizations and the performance of the algorithms. The main task can beconcluded as follows:
(1) Aimed at the a sort of Non-linear system, the paper proposed an state observer based on the BP NN inverse-model, this model can observethe state of system in real time. And the analysis of theory and simulationshowed that the state observer is very good.
(2) There have some problems in the single-neuron adaptivecontroller:①the choosing of weight coefficient. The initial value of theparameter has strong effect on the control performance②The slicingproblem of weight coefficient. when the parameter is impregnated, thestudy ability will lost.③The rise time is long, anti-jamming capability isinfirmness.
In order to solve the problem, two improved method are proposed:the first is using GA to optimize the parameter, and the simulation showedthe way can find the best parameter and eliminating the effect of initialvalue. The second is a compounded adaptive PID controller based onCMAC. the study process of CMAC involved the total control process ofsystem, the simulation showed the method had the strong adaptive abilityand anti-jamming capability etc.
(3) Analyzed the model, algorithm and characters of the adaptivecontroller based on BP NN. In order improve the effect on control, theappropriated model must be seted. Using the idea of NN contrary modelrecognition, the text put forward a designing scheme that NN model makes self-adaptive controller as reference and lists the designingapproach and arithmetic. It applies to any nonlinear system, so it is closerto engineering practicality. The theory analysis and emulate result provethe rationality and validity of this project.
(4) Aiming at a kind of unknown, uncertain and time-variant SISOdiscrete nonlinear system, the text uses the forward model recognition forNN to the controlled object and makes the output of NN as prediction ofthe output of controlled object, and based on this the text works out thecontrolling rule and forms the project of neural self-revise control. Theresult of emulation indicates the controlling arithmetic is effective.
(5) Using the idea of NN contrary model recognition, the text putforward a designing scheme that NN model makes self-adaptive controlleras reference and lists the designing approach and arithmetic. It applies toany nonlinear system, so it is closer to engineering practicality. The theoryanalysis and emulate result prove the rationality and validity of thisproject.
引文
[1] Astrom.K.J, Hagglund T, Hang C C, Ho W K. Automatic tuning and adaptation for PID controllers—Asurvey[J]. Control Eng. Practice, 1993, 1(4): 699-714.
[2] Ziegler.J.G , N.B.Nichols Optimum Settings for Automatic Controllers [A]. Trans. ASME, 64, Conference on Chemical Process Control[C]. Texas, 1942: 759-768.
[3] Hang CC, Sin KK. An on-line auto-tuning method based on cross correlation[J]. IEEE Transactions on Industrial Electronics, 1991, 38(6): 428～437.
[4] McCormack AS, Godfrey KR. Rule-based auto-tuning based on frequency domain identification[J]. IEEE Transactions on Control Syst. Tech, 1998, 6(1): 43～61.
[5] Astrom.KJ. Toward intelligent control IEEE Control Systems Magazine. 1989(4): 60～64.
[6] Narendra.K.S, Annaswamy, A.M.. Stable Adaptive Systems[M]. New Jersey: Prentice Hall, 1989.
[7] 陈卫田、施颂椒、张钟俊．基于神经网络的非线性自适应控制[J]．控制理论与应用，1996，13(5)：545～552．
[8] 周其节、徐建闽．神经网络控制系统的研究与展望[J]．控制理论与应用，1992，9(6)：569～577．
[9] 蔡自兴．神经控制器的典型结构[J]．控制理论与应用，1998，15(1)：1～8。
[10] K.S.Narendra, K.Parthasarathy. Identification and Control for Dynamic Systems Using Neural Networks. IEEE Trans.On neural networks. 1990, 1(1): 4～27.
[11] Hunt J, Sbarbaro D. Neural networks for nonlinear internal model control, Proc. IEE Pt. D, 1991, 138(5): 431～438
[12] Li-Xin Wang. Adaptive fuzzy systems and control: design and stability analysis[M]. New Jersey: Prentice Hall, 1994.
[13] Miller W T, Sutton R S, Werbos P J. Neural networks for control[M]. Cambridge, MIT Press, 1990.
[14] F.C.Chen. Back-Propagation Neural Networks for Nonlinear Self-Tuning Adaptive Control[J]. Special Section on Neural Networks for System and Control. IEEE Contr.Sys.Magazine, 1990: 44～48.
[15] Sun Yuan Kung, Teng Heng Hwang. Neural network architectures for robotic application[J]. IEEE Trans on Robotics and Automation, 1989, 5(5): 641～650.
[16] Sanner R M, Slotine J-J E. Gaussian Networks for Direct Adaptive Control[J]. IEEE Transactions on Neural Networks, 1992, 3 (6): 837～863.
[17] A.U.Levin, K.S.Narendra. Control of nonlinear dynamical systems using neural networks: Controllability and Stabilization[J]. IEEE Transactions on Neural Networks, 1993, 4(2): 192～206.
[18] M. Kawato. Trajectory Formation of Arm Movement by Cascade Neural Network Model Based on Minimum Torque Change Criterion[J]. Biol. Cybern, 1990.
[19] Bart Kosko. Neural networks and fuzzy systems: a dynamical systems approach to machine intelligence[M]. New Jersey: Prentice Hall, 1991.
[20] 陶永华．新型PID控制及其应用[M]．北京：机械工业出版社，2002．
[21] 刘金琨．先进PID控制MATLAB仿真[M]．北京：电子工业出版社，2004．
[22] W.S.McCulloch, W.Pitts. A Logic Calculus of the Ideas Imminent in Neurons Activity[J]. Bulletin of Math. Bio. 1943, No.5, 115-133.
[23] D.O.Hebb. The Organization of Behavior[M]. New York: Wiley, 1949.
[24] F.Rosenblatt. Principles of Neurodynamics[M]. New York: Spartan Book, 1962.
[25] B.Windrow, M.E.Hoff. Adaptive Switching Circuits[J]. 1960 IRC WESCON Convention Record: Part 4, Computers: Man-Machine System, Los Angeles, 1960.
[26] M.Minsky, S.Papert. Perception[M]. Cambridge: The MITPress, 1969.
[27] 王永骥、涂健．神经元网络控制[M1．北京：机械工业出版社，1998．
[28] 袁增任．人工神经元网络及其应用[M]．北京：清华大学出版社，1999．
[29] K. J. Hunt. Neural networks for control systems—A survey. Automatica[J], 1992, 28(5) : 1083-1112.
[30] Martin．T．Hagen等著，戴葵等译．神经网络设计[M]．北京：机械工业出版社，2002．
[31] 王凌．智能优化算法及其应用[M]．北京：清华大学出版社，2001．
[32] 王耀南．智能控制系统——模糊逻辑，专家系统，神经网络控制[M]．长沙：湖南大学出版社，1996．
[33] 徐丽娜．神经网络控制[M]．北京：电子工业出版社，2003．
[34] 李士勇．模糊控制、神经控制和智能控制论[M]．哈尔滨：哈尔滨工业大学出版社，1998．
[35] 沈清、胡德文．神经网络应用技术[M]．长沙：国防科技大学出版社，1993．
[36] 何玉彬、李新忠．神经网络控制技术及其应用[M]．北京：科学出版社，2000．
[37] 方崇智、萧德云．过程辨识[M]．北京：清华大学出版社，1988．
[38] N.R.Hecht. Theory of the back propagation neural networks[J]. Proceeding of the International Joint Conference on Neural Networks. 1989, 1: 593-611.
[39] K.M. Hornik, Stinchcombe, H.White. Multiplayer feed-forward networks are universal approximators[J]. Neural network, 1989, 2: 359-366.
[40] Singh S N. Functional reproducibility in nonlinear systems using dynamic compensation[J]. IEEE Trans. Automat. Contr., 1984. 29 (4): 446～450.
[41] Hirschorn, R. M. Invertibility of multivariable nonlinear control system[J]. IEEE Trans. Automatic Control, 1979, 24(8): 855～865.
[42] 何丹、戴先中、王勤．神经网络广义逆系统控制[J]．控制理论与应用，2002，19(1)：34～40．
[43] 戴先中、张腾、张凯锋、陆翔．发电机励磁与汽门系统解耦控制的神经网络逆系统方法[J]．中国电机工程学报，2002，22(11)：75～80．
[44] 覃祖旭、李渊涛、张洪钺．基于神经网络的自适应状态观测器[J]．航空学报，1994，15(4)：449～452．
[45] 孙旭东、王卫红．改进单神经元PID控制器在伺服系统中的应用[J]．系统仿真学报，2006，18(S2)：879～881．
[46] 侯志祥、申群太、吴义虎．汽车主动悬架系统的单神经元自适应PID控制[J]．系统仿真学报，2004，16(9)：2107～2109．
[47] 刘寅虎、李绍铭．基于动态RBF神经网络在线辨识的单神经元PID控制[J]．系统仿真学报，2006，18(S2)：804～807．
[48] 高振海．基于单神经元的汽车方向自适应PID控制[J]．汽车工程，2004，26(4)： 461～404．
[49] 王小平、曹立明．遗传算法——理论、应用与软件实现[M]．西安：西安交通大学出版社，2002．
[50] 周明、孙树栋．遗传算法原理及应用[M]．北京：国防工业出版社，2000．
[51] 潘正君、康立山、陈毓屏．演化计算[M]．北京：清华大学出版社，1998．
[52] 李鹏、董聪．基于实数编码的广义遗传算法及其在优化问题中的应用[J]．控制与决策，2002，17(4)：487～490．
[53] 雷德明．多维实数编码遗传算法[J]．控制与决策，2000，15(2)：239～241．
[54] 潘伟、刁华宗、井元伟．一种改进的实数自适应遗传算法[J]．控制与决策，2006，21(7)：792～796．
[55] 都伟、韩正之．一种自适应杂交算子的浮点遗传算法[J]．系统仿真学报，2006，18(6)： 1711～1713．
[56] 任子武、伞冶．自适应遗传算法的改进及在系统辨识中应用研究[J]．系统仿真学报，2006，18(1)：41～43．
[57] 黄永青、梁昌勇、张祥德、杨善林．一种小种群自适应遗传算法研究[J]．系统工程理论与实践，2005，(11)：92～97．
[58] 赵曙光、焦李成、王宇平、杨万海．基于均匀设计的多目标自适应遗传算法及应用[J]．电子学报，2004，10(10)：1724～1725．
[59] 沐阿华、周绍磊、于晓丽．一种快速自适应遗传算法及其仿真研究[J]．系统仿真学报，2004，16(1)：122～125．
[60] 张明辉、王尚锦．具有自适应交叉算子的遗传算法及其应用[J]．机械工程学报，2002，38(1)：51～54．
[61] 宗敬群．一类混合自适应遗传算法及性能分析[J]．系统工程理论与实践，2001，(4)：13～18．
[62] 吴志远、邵惠鹤、吴新余．一种新的自适应遗传算法及其在多峰值函数优化中的应用[J]．控制理论与应用，1999，16(1)：127～129．
[63] 李海民、吴成柯．自适应变异遗传算法及其性能分析[J]．电子学报，1999，27(5)：90～92．
[64] 段培永、汤同奎、邵惠鹤．CMAC神经网络用于分析和设计非线性过程控制系统 (Ⅱ)——控制策略[J]．系统工程理论与实践，2000，(3)：24～27．
[65] 苏刚、陈增强、袁著祉．小脑模型关节控制器理论及应用[J]．仪器仪表学报，2003，24(S1)：269～273．
[66] 孙炜、王耀南．模糊CMAC及其在机器人轨迹跟踪控制中的应用[J]．控制理论与应用，2006，23(1)：38～42．
[67] 朱大奇、张伟．基于平衡学习的CMAC神经网络非线性辨识算法[J]．控制与决策，2004，19(12)：1425～1428．
[68] 王源、胡寿松、吴庆宪．一类非线性系统的自组织模糊CMAC神经网络自适应重构跟踪控制[J]．控制理论与应用，2003，20(1)：70～72．
[69] 李辉．一种自适应CMAC神经网络控制器的设计与仿真[J]．系统仿真学报，2005，17(9)：2233～2235．
[70] 杨平、彭道刚、王志萍、杨艳华．电站锅炉汽包水位的CMAC神经网络与PID复合控制[J]．动力工程，2004，24(6)：805～808．
[71] 单金玲、马彩文、李文刚、唐自力．基于BP神经网络的PID控制器[J]．光子学报，2005，34(5)：754～757．
[72] 廖芳芳、肖建．基于BP神经网络PID参数自整定的研究[J]．系统仿真学报，2005，17(7)：1711～1713．
[73] 牛建军、吴伟、陈国定．基于神经网络自整定PID控制策略及其仿真[J]．系统仿真学报，2005，17(6)：1425～1427．
[74] 王俊国、王永骥、万淑芸．基于动态神经网络的PID参数整定与实时控制[J]．系统工程与电子技术，2004，26(6)：777～778．
[75] 李敏远、都延丽．基于遗传算法学习的复合神经网络自适应温度控制系统[J]．控制理论与应用，2004，21(2)：242～246．
[76] 张世华、雎刚．一种实数编码的自适应遗传算法及其在热工过程辨识中的应用研究[J]．中国电机工程学报，2004，24(2)：210～214．
[77] 刘威、李小平、毛慧欧、柴天佑．基于实数编码遗传算法的神经网络成本预测模型及其应用[J]．控制理论与应用，2004，21(3)：423～426．
[78] 李鸿儒、边春元、顾树生．基于神经网络的一类非线性系统的自适应控制[J]．控制与决策，1999，14(S1)：511～515．
[79] 高建树、邢志伟、张宏波．基于观测器的水下机器人神经网络自适应控制[J]．机器人，2004，26(6)：515～518．
[80] 牛玉刚、邹云、杨成梧．基于神经网络的一类非线性系统自适应跟踪控制[J]．控制理论与应用，2001，18(3)：461～464．
[81] 杜红彬、邵惠鹤．一类非线性系统的自适应神经网络控制[J]．控制与决策，2005，20(4)：455～458．
[82] 李春涛、谭永红．基于状态观测器的非线性系统神经网络自适应控制[J]．系统仿真学报，2004，16(10)：2235～2239．
[83] 韩曾晋．自适应控制[M]．北京：清华大学出版社，1995．
[84] 刘兴堂．应用自适应控制[M]．西安：西北工业大学出版社，2003．
[85] 李人厚、秦世引．智能控制理论和方法[M]．西安：西安交通大学出版社，1994．
[86] 王桂娟等．基于MATLAB仿真的神经网络控制器的设计与实现[J]．系统仿真学报，2005，17(3)：742～745．
[87] 杨月全、张天平．基于神经网络的非线性系统的间接自适应控制[J]．系统工程与电子技术，2002，24(10)：50～52．
[88] 张绍德．一类神经网络非线性系统模型参考自适应控制[J]．华中理工大学学报，2000，28(4)：77～79．
[89] 汪镭、周国兴、吴启迪．参数在线跟踪的交流传动系统双神经网络模型参考自适应控制[J]．中国电机工程学报，2001，21(8)：114～119．
[90] 潘永湘、屈省源、林遂芳．一种基于小波网络模型参考自适应控制系统的设计与应用[J]．系统仿真学报，2004，16(11)：2587～2590．
[91] 吴忠强等．混沌神经网络模型参考自适应控制器设计[J]．系统工程与电子技术，2004，26(11)：1658～1660．
[92] 张秀玲．神经网络非线性系统模型参考自适应控制器统一设计法[J]．控制与决策，2002，17(2)：151～154．
[2] Ziegler.J.G , N.B.Nichols Optimum Settings for Automatic Controllers [A]. Trans. ASME, 64, Conference on Chemical Process Control[C]. Texas, 1942: 759-768.
[3] Hang CC, Sin KK. An on-line auto-tuning method based on cross correlation[J]. IEEE Transactions on Industrial Electronics, 1991, 38(6): 428～437.
[4] McCormack AS, Godfrey KR. Rule-based auto-tuning based on frequency domain identification[J]. IEEE Transactions on Control Syst. Tech, 1998, 6(1): 43～61.
[5] Astrom.KJ. Toward intelligent control IEEE Control Systems Magazine. 1989(4): 60～64.
[6] Narendra.K.S, Annaswamy, A.M.. Stable Adaptive Systems[M]. New Jersey: Prentice Hall, 1989.
[7] 陈卫田、施颂椒、张钟俊．基于神经网络的非线性自适应控制[J]．控制理论与应用，1996，13(5)：545～552．
[8] 周其节、徐建闽．神经网络控制系统的研究与展望[J]．控制理论与应用，1992，9(6)：569～577．
[9] 蔡自兴．神经控制器的典型结构[J]．控制理论与应用，1998，15(1)：1～8。
[10] K.S.Narendra, K.Parthasarathy. Identification and Control for Dynamic Systems Using Neural Networks. IEEE Trans.On neural networks. 1990, 1(1): 4～27.
[11] Hunt J, Sbarbaro D. Neural networks for nonlinear internal model control, Proc. IEE Pt. D, 1991, 138(5): 431～438
[12] Li-Xin Wang. Adaptive fuzzy systems and control: design and stability analysis[M]. New Jersey: Prentice Hall, 1994.
[13] Miller W T, Sutton R S, Werbos P J. Neural networks for control[M]. Cambridge, MIT Press, 1990.
[14] F.C.Chen. Back-Propagation Neural Networks for Nonlinear Self-Tuning Adaptive Control[J]. Special Section on Neural Networks for System and Control. IEEE Contr.Sys.Magazine, 1990: 44～48.
[15] Sun Yuan Kung, Teng Heng Hwang. Neural network architectures for robotic application[J]. IEEE Trans on Robotics and Automation, 1989, 5(5): 641～650.
[16] Sanner R M, Slotine J-J E. Gaussian Networks for Direct Adaptive Control[J]. IEEE Transactions on Neural Networks, 1992, 3 (6): 837～863.
[17] A.U.Levin, K.S.Narendra. Control of nonlinear dynamical systems using neural networks: Controllability and Stabilization[J]. IEEE Transactions on Neural Networks, 1993, 4(2): 192～206.
[18] M. Kawato. Trajectory Formation of Arm Movement by Cascade Neural Network Model Based on Minimum Torque Change Criterion[J]. Biol. Cybern, 1990.
[19] Bart Kosko. Neural networks and fuzzy systems: a dynamical systems approach to machine intelligence[M]. New Jersey: Prentice Hall, 1991.
[20] 陶永华．新型PID控制及其应用[M]．北京：机械工业出版社，2002．
[21] 刘金琨．先进PID控制MATLAB仿真[M]．北京：电子工业出版社，2004．
[22] W.S.McCulloch, W.Pitts. A Logic Calculus of the Ideas Imminent in Neurons Activity[J]. Bulletin of Math. Bio. 1943, No.5, 115-133.
[23] D.O.Hebb. The Organization of Behavior[M]. New York: Wiley, 1949.
[24] F.Rosenblatt. Principles of Neurodynamics[M]. New York: Spartan Book, 1962.
[25] B.Windrow, M.E.Hoff. Adaptive Switching Circuits[J]. 1960 IRC WESCON Convention Record: Part 4, Computers: Man-Machine System, Los Angeles, 1960.
[26] M.Minsky, S.Papert. Perception[M]. Cambridge: The MITPress, 1969.
[27] 王永骥、涂健．神经元网络控制[M1．北京：机械工业出版社，1998．
[28] 袁增任．人工神经元网络及其应用[M]．北京：清华大学出版社，1999．
[29] K. J. Hunt. Neural networks for control systems—A survey. Automatica[J], 1992, 28(5) : 1083-1112.
[30] Martin．T．Hagen等著，戴葵等译．神经网络设计[M]．北京：机械工业出版社，2002．
[31] 王凌．智能优化算法及其应用[M]．北京：清华大学出版社，2001．
[32] 王耀南．智能控制系统——模糊逻辑，专家系统，神经网络控制[M]．长沙：湖南大学出版社，1996．
[33] 徐丽娜．神经网络控制[M]．北京：电子工业出版社，2003．
[34] 李士勇．模糊控制、神经控制和智能控制论[M]．哈尔滨：哈尔滨工业大学出版社，1998．
[35] 沈清、胡德文．神经网络应用技术[M]．长沙：国防科技大学出版社，1993．
[36] 何玉彬、李新忠．神经网络控制技术及其应用[M]．北京：科学出版社，2000．
[37] 方崇智、萧德云．过程辨识[M]．北京：清华大学出版社，1988．
[38] N.R.Hecht. Theory of the back propagation neural networks[J]. Proceeding of the International Joint Conference on Neural Networks. 1989, 1: 593-611.
[39] K.M. Hornik, Stinchcombe, H.White. Multiplayer feed-forward networks are universal approximators[J]. Neural network, 1989, 2: 359-366.
[40] Singh S N. Functional reproducibility in nonlinear systems using dynamic compensation[J]. IEEE Trans. Automat. Contr., 1984. 29 (4): 446～450.
[41] Hirschorn, R. M. Invertibility of multivariable nonlinear control system[J]. IEEE Trans. Automatic Control, 1979, 24(8): 855～865.
[42] 何丹、戴先中、王勤．神经网络广义逆系统控制[J]．控制理论与应用，2002，19(1)：34～40．
[43] 戴先中、张腾、张凯锋、陆翔．发电机励磁与汽门系统解耦控制的神经网络逆系统方法[J]．中国电机工程学报，2002，22(11)：75～80．
[44] 覃祖旭、李渊涛、张洪钺．基于神经网络的自适应状态观测器[J]．航空学报，1994，15(4)：449～452．
[45] 孙旭东、王卫红．改进单神经元PID控制器在伺服系统中的应用[J]．系统仿真学报，2006，18(S2)：879～881．
[46] 侯志祥、申群太、吴义虎．汽车主动悬架系统的单神经元自适应PID控制[J]．系统仿真学报，2004，16(9)：2107～2109．
[47] 刘寅虎、李绍铭．基于动态RBF神经网络在线辨识的单神经元PID控制[J]．系统仿真学报，2006，18(S2)：804～807．
[48] 高振海．基于单神经元的汽车方向自适应PID控制[J]．汽车工程，2004，26(4)： 461～404．
[49] 王小平、曹立明．遗传算法——理论、应用与软件实现[M]．西安：西安交通大学出版社，2002．
[50] 周明、孙树栋．遗传算法原理及应用[M]．北京：国防工业出版社，2000．
[51] 潘正君、康立山、陈毓屏．演化计算[M]．北京：清华大学出版社，1998．
[52] 李鹏、董聪．基于实数编码的广义遗传算法及其在优化问题中的应用[J]．控制与决策，2002，17(4)：487～490．
[53] 雷德明．多维实数编码遗传算法[J]．控制与决策，2000，15(2)：239～241．
[54] 潘伟、刁华宗、井元伟．一种改进的实数自适应遗传算法[J]．控制与决策，2006，21(7)：792～796．
[55] 都伟、韩正之．一种自适应杂交算子的浮点遗传算法[J]．系统仿真学报，2006，18(6)： 1711～1713．
[56] 任子武、伞冶．自适应遗传算法的改进及在系统辨识中应用研究[J]．系统仿真学报，2006，18(1)：41～43．
[57] 黄永青、梁昌勇、张祥德、杨善林．一种小种群自适应遗传算法研究[J]．系统工程理论与实践，2005，(11)：92～97．
[58] 赵曙光、焦李成、王宇平、杨万海．基于均匀设计的多目标自适应遗传算法及应用[J]．电子学报，2004，10(10)：1724～1725．
[59] 沐阿华、周绍磊、于晓丽．一种快速自适应遗传算法及其仿真研究[J]．系统仿真学报，2004，16(1)：122～125．
[60] 张明辉、王尚锦．具有自适应交叉算子的遗传算法及其应用[J]．机械工程学报，2002，38(1)：51～54．
[61] 宗敬群．一类混合自适应遗传算法及性能分析[J]．系统工程理论与实践，2001，(4)：13～18．
[62] 吴志远、邵惠鹤、吴新余．一种新的自适应遗传算法及其在多峰值函数优化中的应用[J]．控制理论与应用，1999，16(1)：127～129．
[63] 李海民、吴成柯．自适应变异遗传算法及其性能分析[J]．电子学报，1999，27(5)：90～92．
[64] 段培永、汤同奎、邵惠鹤．CMAC神经网络用于分析和设计非线性过程控制系统 (Ⅱ)——控制策略[J]．系统工程理论与实践，2000，(3)：24～27．
[65] 苏刚、陈增强、袁著祉．小脑模型关节控制器理论及应用[J]．仪器仪表学报，2003，24(S1)：269～273．
[66] 孙炜、王耀南．模糊CMAC及其在机器人轨迹跟踪控制中的应用[J]．控制理论与应用，2006，23(1)：38～42．
[67] 朱大奇、张伟．基于平衡学习的CMAC神经网络非线性辨识算法[J]．控制与决策，2004，19(12)：1425～1428．
[68] 王源、胡寿松、吴庆宪．一类非线性系统的自组织模糊CMAC神经网络自适应重构跟踪控制[J]．控制理论与应用，2003，20(1)：70～72．
[69] 李辉．一种自适应CMAC神经网络控制器的设计与仿真[J]．系统仿真学报，2005，17(9)：2233～2235．
[70] 杨平、彭道刚、王志萍、杨艳华．电站锅炉汽包水位的CMAC神经网络与PID复合控制[J]．动力工程，2004，24(6)：805～808．
[71] 单金玲、马彩文、李文刚、唐自力．基于BP神经网络的PID控制器[J]．光子学报，2005，34(5)：754～757．
[72] 廖芳芳、肖建．基于BP神经网络PID参数自整定的研究[J]．系统仿真学报，2005，17(7)：1711～1713．
[73] 牛建军、吴伟、陈国定．基于神经网络自整定PID控制策略及其仿真[J]．系统仿真学报，2005，17(6)：1425～1427．
[74] 王俊国、王永骥、万淑芸．基于动态神经网络的PID参数整定与实时控制[J]．系统工程与电子技术，2004，26(6)：777～778．
[75] 李敏远、都延丽．基于遗传算法学习的复合神经网络自适应温度控制系统[J]．控制理论与应用，2004，21(2)：242～246．
[76] 张世华、雎刚．一种实数编码的自适应遗传算法及其在热工过程辨识中的应用研究[J]．中国电机工程学报，2004，24(2)：210～214．
[77] 刘威、李小平、毛慧欧、柴天佑．基于实数编码遗传算法的神经网络成本预测模型及其应用[J]．控制理论与应用，2004，21(3)：423～426．
[78] 李鸿儒、边春元、顾树生．基于神经网络的一类非线性系统的自适应控制[J]．控制与决策，1999，14(S1)：511～515．
[79] 高建树、邢志伟、张宏波．基于观测器的水下机器人神经网络自适应控制[J]．机器人，2004，26(6)：515～518．
[80] 牛玉刚、邹云、杨成梧．基于神经网络的一类非线性系统自适应跟踪控制[J]．控制理论与应用，2001，18(3)：461～464．
[81] 杜红彬、邵惠鹤．一类非线性系统的自适应神经网络控制[J]．控制与决策，2005，20(4)：455～458．
[82] 李春涛、谭永红．基于状态观测器的非线性系统神经网络自适应控制[J]．系统仿真学报，2004，16(10)：2235～2239．
[83] 韩曾晋．自适应控制[M]．北京：清华大学出版社，1995．
[84] 刘兴堂．应用自适应控制[M]．西安：西北工业大学出版社，2003．
[85] 李人厚、秦世引．智能控制理论和方法[M]．西安：西安交通大学出版社，1994．
[86] 王桂娟等．基于MATLAB仿真的神经网络控制器的设计与实现[J]．系统仿真学报，2005，17(3)：742～745．
[87] 杨月全、张天平．基于神经网络的非线性系统的间接自适应控制[J]．系统工程与电子技术，2002，24(10)：50～52．
[88] 张绍德．一类神经网络非线性系统模型参考自适应控制[J]．华中理工大学学报，2000，28(4)：77～79．
[89] 汪镭、周国兴、吴启迪．参数在线跟踪的交流传动系统双神经网络模型参考自适应控制[J]．中国电机工程学报，2001，21(8)：114～119．
[90] 潘永湘、屈省源、林遂芳．一种基于小波网络模型参考自适应控制系统的设计与应用[J]．系统仿真学报，2004，16(11)：2587～2590．
[91] 吴忠强等．混沌神经网络模型参考自适应控制器设计[J]．系统工程与电子技术，2004，26(11)：1658～1660．
[92] 张秀玲．神经网络非线性系统模型参考自适应控制器统一设计法[J]．控制与决策，2002，17(2)：151～154．