随着控制对象及其目标、任务和所处环境的复杂性提高,基于系统模型与规则的传统控制方法愈发难以满足其对于系统控制品质的要求。研究针对复杂非线性系统的新一代智能控制方法,对加强系统的自学习和自适应能力以及确保系统平稳安全运行具有理论价值和实际指导意义。本论文旨在研究具有高性能、低成本、易于集成等特点的智能控制方法,致力于解决理论在工程化过程中遇到的问题,特别是因实际系统模型的严重非线性、结构漂移、不确定外界扰动、机械结构磨损、核心部件(执行器,传感器)功能失效、子系统故障所导致的控制性能恶化问题。为实现这一目标,论文首次提出将神经科学中的客观规律与神经网络控制理论相结合,设计更为贴近脑神经系统特征的自适应控制器。在优化神经网络的组织结构的同时,使其能够在非线性系统控制中发挥出更好的自学习与自适应能力,从而提高系统的整体控制性能,如控制精度、收敛速度、运算效率、抗干扰性和运行平稳性等。鉴于此,论文的研究围绕以下内容展开。1、从操作性条件反射学习原理出发,提出一种面向智能系统的奖赏机制和具有神经自适应单元的操作性条件反射仿生模型(OCBM)。该模型具有自动调节权值、神经元子网络数量和基函数结构参数的能力。针对一类未知高阶非仿射系统,设计基于OCBM的仿生控制器,并利用OCBM网络对系统中的混合未知不确定项进行学习。以李雅普诺夫稳定性分析为基础,所得出的控制策略可以确保闭环系统的最终一致收敛。通过仿真对比研究,进一步验证了 OCBM控制方法能够应对系统模型未知、结构漂移和不确定外界干扰等情况,并且在收敛速度、控制精度和运算效率方面优于一些传统方法。2、结合局部权值学习框架,对OCBM网络进行系统地改良。提出负责引导神经元簇自动添加过程的有限神经元自增长(FNSG)策略,形成了神经元可按需生长的自调节神经网络结构雏形。另一改进在于受限李雅普诺夫函数(BLF)的使用,确保了神经网络训练输入能够始终满足紧集先决条件,避免了切换控制中信号的不连续问题。同时,通过设计光滑饱和函数、连续权值更新律以及高斯权重函数,控制器信号在除神经元簇生成的瞬时时刻外具有光滑连续性。相比元数固定和自组织控制方法,仿真结果表明,基于FNSG策略的控制器可以有效抑制冗余神经元的生成,节省系统运行资源。3、基于对脑神经系统的结构和调节机制的发现,构建一种具有时变理想权值、多元化基函数、神经元可自动增减特征的多内涵自调节神经网络(MSAE-NN)。针对一类模型不连续的高阶非仿射系统,提出基于MSAE-NN的控制方法。结合鲁棒自适应和BLF的设计方法,集中解决了因无法满足万能逼近定理而导致的神经网络功能失效问题。此外,将FNSG策略拓展为神经元可自动增加或减少的方案,并引入了神经元平滑增减操作函数,使控制信号在神经元新增和被剔除时仍具有平滑性,从而提升系统的整体控制品质。4、以多自由度机器人系统为研究对象,将MSAE-NN拓展应用到多输入多输出的非仿射系统中。结合关节空间和笛卡尔空间的具体任务,设计基于MSAE-NN的神经自适应控制方法,用于应对不确定跳变扰动和执行器完全失效的情形。通过采用MSAE-NN模型,所提方法可以避免对基函数参数的估计和人工调参过程。同时,基于BLF制定的控制策略确保了 MSAE-NN在系统运行期间的有效性。值得一提的,所提控制器不仅不依赖模型本身的参数信息,还具有结构简单,经济实用和易于开发的特点。