在高世代光刻机运动扫描中,G6、G10运动台质量大,加速度大,电机输出力达上万牛,同时还要求扫描性能在纳米级别;永磁同步直线电机(主要指铁芯电机)在运动行程方向由于齿槽磁阻效应会带来额外的周期性扰动力,其中齿槽转矩力(Cogging力)是电机推力波动的主要部分.提出基于互信息聚类方法(Mutual information clustering,MIc)的径向基神经网络(Radial Basis Function Neural Network,RBFNN),RBFNN具有强大的多元非线性拟合特点,适用于复杂的非线性黑箱系统;基于互信息聚类的方法有效地挑选出RBFNN的隐含层,可以有效简化网络模型,同时达到模型的最优性能;通过建立Simulink的模型进行详细仿真,仿真结果表明基于改进RBFNN的Cogging力补偿方法能够实现更优的扫描性能.