迭代学习控制(Iterative Learning Control:ILC)是智能控制理论的一个重要分支,可用于改善具有重复运动特性的过程、机械、装置或系统的瞬态响应和跟踪特性,其基本思想是以系统的实际输出与期望输出的偏差修正不理想的控制信号,产生新的控制信号,使系统的跟踪性能得以提高。随着现代工业中具有重复性和周期性的系统和生产过程不断出现,迭代学习控制的研究有着重要的意义,因而深受控制界瞩目。在众多的迭代学习控制方法中,如何选择适当的系统控制输入初值(第一迭代时的控制输入)是一类能够使系统以较少的迭代次数达到对期望轨迹高精度跟踪的有效方法。然而以往的研究对控制输入初值的选取完全是主观、盲目的,一般将其定为零或一有界随机量。本文主要针对当采用传统迭代学习算法应对实际系统所面临的由环境或期望运行轨迹变化导致的新控制任务时存在的诸如:1)由于必须重新经历迭代学习过程,导致学习算法的收敛速度受到影响;2)由于没有修正控制输入初值,导致在新运行任务的第一个周期,控制量对系统输出完全没有作用,甚至使其发散,大大增加学习时间以及周期数等问题。通过依据迭代学习控制以往控制经验建立经验数据库,并以系统新的期望轨迹、系统输出、系统状态及其导数作为输入,分别采用BP神经网络和自适应神经模糊推理系统实现系统局部逆模型线性拟合的方法,进行系统控制输入初值的研究。仿真研究表明:1)对于不同的非线性被控对象上述方法是有效可行的;2)对于不同的迭代学习算法,通过上述方法确定控制输入初值后,可使系统在期望轨迹改变时能以较小的误差跟踪新的期望轨迹,较之控制输入初值为零的情况,在相同跟踪精度要求下减少了迭代次数。