针对经典控制理论及现代控制理论在非线性不确定控制系统中应用的局限性，研究①神经网络控制的可行性及优势；②神经网络控制方案的实现方法；③BP神经网络控制方法及其改进；④神经网络控制系统的MATLAB仿真方法；⑤神经网络在非线性不确定时滞系统中的应用研究。
二、进度安排及完成时间：
1、第一周：明确课题任务及要求，搜集课题所需资料，掌握资料查阅方法，了解本课题研究现状、存在问题及研究的实际意义。                                 
2、第二周至第三周：查阅相关资料，自学相关内容，掌握BP神经网络控制方法、模糊控制方法，确定课题总体方案，分配课题任务，确定个人研究重点，做好选题报告。
3、第四周至第七周：针对经典控制理论及现代控制理论在复杂控制系统中应用的局限性，研究神经网络控制方法及性能改进方法以及MATLAB仿真方法。            
4、第八周至第十周：研究神经网络控制在非线性不确定时滞系统中的应用方法，比较各种方法在非线性不确定时滞系统中的仿真效果。                           
5、第十一周至第十四周：整理资料，撰写毕业设计论文，答辩。

针对经典控制理论及现代控制理论在非线性不确定控制系统中应用的局限性，研究①神经网络控制的可行性及优势；②神经网络控制方案的实现方法；③BP神经网络控制方法及其改进；④神经网络控制系统的MATLAB仿真方法；⑤神经网络在非线性不确定时滞系统中的应用研究。
为实现史密斯预估补偿控制，需要求取补偿器的数学模型。由于实验测试数据或处理不当均会引起模型与对象特征不一致，这时闭环系统特征方程还会存在纯滞后项。因此，严格的说，预估补偿器不能完全补偿纯滞后。当两者严重不一致时，甚至会引起系统稳定性变得更差，这也是史密斯预估补偿控制的一个缺点。
本文提出一种利用BP网络实时建模的史密斯预估控制方法，其对于缺乏精确模型或参数时变且具有滞后和非线形性的过程控制系统可获得教为满意的控制效果。
具体方案如下：利用BP神经网络PMN对复杂对象过程实时建模，用另一个BP神经网络EPMN作为预测器，从而得到对时滞补偿的预报；利用解析形式的具有可调因子的三维模糊控制器取代常规的模糊规则控制表，然后根据不确定对象的随机变化实时修正人工神经网络模型和模糊控制器的调整因子，从而实现对具有时滞的复杂不确定对象的自优化控制[1]。

由图可见，本文提出的参数校正控制器②(曲线2)对于对象参数的变化有很强的适应能力：在单位阶跃时，采用控制器②的系统除了由于对象时间常数增大而使上升时间有所延长之外，其响应曲线与图4.5(a)相比几乎没有变化；而采用控制器①的系统（图4.6(a)曲线1）却出现明显超调，调整时间也长得多。当阶跃幅值很小时（图2.4(b)），虽然均没有超调，但在响应速度方面，控制器②（曲线2）要显著优于控制器①（曲线1）。
本节提出的采用改进参数校正模型的自校正模糊控制器，结构简单，实现方便，并具有优良的控制性能：动态范围宽、稳态精度高、响应速度快且超调量小。同时，仿真结果也表明：对于对象参数的较大变化，该控制器有良好的适应能力。

本文针对非线性时滞不确定系统，提出了一种将神经网络、模糊控制和史密斯预估器结合在一起的控制方案，这也是神经网络在非线性控制方面的一个实例。在这个例子中，一个结构比较简单的神经网络就同时具备了史密斯预估补偿和时变对象的在线逼近两大功用，可见其实用价值。同时，这个例子也告诉我们：任何一项技术都不是十全十美的，总会有一些缺陷，为了更好的发挥它的作用，往往要结合其他一些技术来完善它。另外，本文用到了工程领域的权威仿真工具MATLAB来衡量系统的控制效果，编写了相关的程序保存为M文件格式，以便于调试和修改。MATLAB是美国Mathworks公司1982年推出的数学软件，它有强大的数值计算和数据可视化能力，一经推出就受到全世界科研人员的广泛关注。MATLAB软件针对各种学科相继推出了功能各异的工具箱，如神经网络，信号处理，控制，通讯等工具箱，随着近年来神经网络的研究越来越活跃，MATLAB的神经网络工具箱也进行了大幅度的调整和改进，新增了许多模块和算法[12][13]。

目   录
摘  要  Ⅰ
Abstract Ⅱ
第1章  绪论 1
1.1 神经网络概述 1
1.2 神经网络的研究发展史 1
1.2.1 启蒙时期 1
   1.2.2 低潮时期 2
   1.2.3 复兴时期 2
   1.2.4 新时期 2
   1.2.5 国内研究概况 3
1.3 人工神经网络的主要应用领域 3
   1.3.1 信息领域 3
1.3.2 自动化领域 3
1.3.3 工程领域 4 1.4 毕业设计与要求及基本思路 4
第2章  模糊神经网络控制 6
2.1 人工神经元模型 6
2.2 人工神经网络结构 7
2.2.1 层次网络模型 7
2.2.2 互连网络模型 7
2.3 神经网络学习方法 8
2.3.1 学习方式 8
2.3.2 学习规则 8
2.3.3 学习与自适应 11
2.4 前向神经网络 11
2.4.1 感知器 11
2.4.2 线形神经网络 12
2.5 BP控制方法 12
   2.5.1 基于BP 算法的多层前馈网络模型 14
   2.5.2 BP学习算法 14
2.5.3 标准BP 算法的改进 15
2.5.4 基于BP 算法的多层前馈网络设计基础 16
2.5.5 初始权值的设计 18
2.5.6 多层前馈网络结构设计 19
2.5.7 网络训练与测试 19
2.6 模糊控制方法 20
2.6.1 模糊控制系统的组成 20
2.6.2 模糊化工程 21
2.6.3 知识库 21
2.6.4 推理决策逻辑 22
2.6.5 精确化过程 22
2.6.6 模糊控制系统的设计 24
2.6.7 模糊控制系统的改进 26
第3章 神经网络在非线形不确定时滞系统中的应用研究 29
3.1 方案的提出 29
3.2 方案设计 29
3.3 神经网络模糊控制器的自学习法 32
   3.3.1 控制误差指标 32
   3.3.2 调节控制器误差指标 32
   3.3.3 对象模型PMN输出与测量量得的误差指标 32
   3.3.4 对象模型PMN网络参数的学习 32
   3.3.5 模糊控制器FC 的修正因子 ， 的学习算法 33
第四章 神经网络控制系统的MATLAB仿真方法 35
4.1 控制系统计算机仿真的基本概念 35
4.1.1 系统计算机仿真 35
4.1.2 控制系统计算机仿真的过程 35
4.2 控制系统PID仿真 36
4.2.1 PID简述 36
4.2.2 PID仿真与分析 37
4.3 模糊控制系统的仿真与分析 39
   4.3.1 MA TLAB模糊逻辑工具箱 39
   4.3.2 仿真与分析 39
4.4 神经网络在非线形不确定时滞系统中的仿真与分析 41
结束语 45
参考文献 46
致谢 47
附录 48