在工业控制过程中,几乎所有的被控对象都是非线性的。例如,球磨机系统、水灌液位控制系统和风洞系统等。将传统的线性控制方案应用在这些非线性系统上很难取得较好的控制效果。因此,研究非线性系统的控制问题无论在理论上还是实际应用上都具有非常重要的意义。在非线性系统的研究中所遇到的主要困难在于缺乏适当的方法来消除非线性项和不确定项对系统的影响。随着神经网络理论的发展,基于神经网络的非线性自适应控制方法取得了较快的发展。该方法的核心思想在于利用神经网络估计和消除非线性项和不确定项对系统的影响。然而,利用该方法识别系统非线性项和不确定项需要在线采集大量的数据,并且传统的反向传播(BP)神经网络具有收敛速度慢和容易陷入局部极小值的缺点。为了克服上述缺点,本文研究了一类非线性系统的自适应控制问题,所做的具体研究工作描述如下:(1)研究了一类单输入单输出非线性系统的自适应控制问题。针对该被控对象设计了一个新的控制框架。该控制框架包括一个线性控制器和一个比例-积分-微分型神经网络补偿控制器。在该控制框架中线性控制器使得系统的输出逐渐收敛到给定信号附近,比例-积分-微分型神经网络补偿控制器估计和消除未建模动态对系统的影响,使得系统输出较好的跟踪给定信号。该控制框架具有所需在线测量数据少和鲁棒性好的优点。一个数值仿真实验和一个水罐液位控制系统仿真实验验证了该方法具有较好的控制效果。(2)基于上述的单输入单输出非线性系统的控制框架,研究了一类多输入多输出强耦合非线性系统的自适应控制问题。不同于单输入单输出非线性系统,多输入多输出非线性系统需要考虑耦合对系统的影响。因此,在设计多输入多输出系统的自适应控制器时,无论是设计线性控制器还是未建模动态补偿控制器都考虑了解耦问题。一个数值仿真验证了该方法的有效性。(3)本文所采用的未建模动态补偿控制器为比例-积分-微分型神经网络。相比于传统的BP神经网络,比例-积分-微分型神经网络的隐含层加入了比例神经元、积分神经元和微分神经元。这样的做法有利于将PID“记忆”和“预测”的特点加入到了比例-积分-微分型神经网络中,使得比例-积分-微分型神经网络相较于传统的BP神经网络更加的智能化;且由于积分神经元的作用,比例-积分-微分型神经网络不易陷入局部极小值;再者比例-积分-微分型神经网络输入层到隐含层的连接方式是按照PID控制规律的基本原则设计的,因此保证了系统的快速收敛性。