一直以来,如何保证自动控制系统运行的平稳性,控制精度的准确性,调节速度的灵敏性,是自动控制领域遇到的多重难题。在对这些被控系统进行控制的过程中,虽然经典的PID控制算法作为一种实用的控制律已取得了广泛的应用,但是实践证明,经典PID控制器的作用依然很有限,主要表现在以下几个方面：一、经典的PID控制不便于依赖现代数字计算机的大数据的运算处理；二、对于一类动态的、复杂的、时变的、不确定和非线性的系统,若仅仅采用PID控制技术,则难以实现更高的预期控制性能,如高效率、高速度、超平稳等要求。为克服经典PID控制技术中存在的种种技术缺陷,本文利用神经网络控制,极点配置等控制方法,为一类非线性系统设计了基于RBF神经网络的PID控制器、基于极点配置的PID控制器。从理论上来说,上列PID控制器的设计依赖于具体的数学模型。考虑到在实际工程中,控制器存在实时调节的内在要求和系统存在工况不断变化的外部因素,系统模型参数或控制器参数会发生变化,因此要求在进行控制器设计时就必须事先进行系统参数的在线辨识。实践中,各种算法中各类参数(如模型参数、控制器参数)的整定往往是较为困难的。传统的最小二乘辨识法、卡尔曼滤波辨识算法等辨识方法多可用于非时变系统的参数辨识,但是针对时变的、高阶的不确定性非线性系统,这些传统的参数辨识方法往往会降低系统参数的自适应性,导致自适应PID控制器无法对系统产生准确的响应,以至于系统陷入新一轮的重复调整或者因不稳定而直接崩溃。考虑到自适应PID控制器存在的以上问题,本课题从工程实际出发,针对一类离散的非线性系统,详细分析了神经网络结构及原理,在设计自适应PID控制器之前,结合前人的研究思想,提出了一种新的在线参数辨识方法,即基于预畸变处理的神经网络参数辨识方法。这种辨识方法实质是：在传统神经网络结构上,对系统的输出信号作预畸变处理,畸变后,将处理后的输出信号作为实际输出,与期望输出作比较,获得误差值并将实时误差反馈回神经网络。本文融入了改进递推预测误差算法、DTNN神经网络算法后,利用梯度下降法修整其网络权值以实时在线估计,进而获得模型参数,建立用于设计控制器的数学模型。另外,为能实现在计算机MATLAB软件上对本课题进行仿真运算,本文还对连续的传递函数模型作了在线离散化处理,最后经参数辨识,确立了新的离散数学模型。仿真实验表明了本文方法的实效性和有效性。