论文工作的任务是,首先,提出一种新颖而简单的方法,能为多种类型迟滞非线性建模,并能够适应满足一个假设的一大类输入信号;然后,设计相应的控制方案,以实现对具有迟滞非线性动态系统的有效控制.迟滞非线性建模部分,为论文的核心内容之一,也是论文最主要的创新成果,该建模方法已被国际学术界接受.在深入研究经典Preisach迟滞建模原理基础上,通过分析和观察模型曲线动点运行规律,运用仿射映射(几何变换或连续变换)方法,建立了一个迟滞模型.从理论上严格证明了该模型形成了输入空间与迟滞输出空间之间的一一对应关系,因此称其为基本模型(EHM).基于该EHM,运用神经网络的逼近能力,建立了能够适应满足一个假设的任意输入信号的任意类型的迟滞模型,称为神经网络混合迟滞模型(HNNM).为了验证所建HNNM的有效性,根据经典Preisach迟滞建模原理,建立了基于Backlash模型的几类仿真迟滞模型(BHSMs).其中,所建EHM能够与建立的一类BHSM完美匹配.经过大量仿真试验(包括仿真模型BHSMs数据和实际试验数据),证明所提方法是简单而成功的.迟滞非线性控制采用了两套方案,针对不同的多种被控对象分别进行设计.首先,将文献中的现有控制方案加以改造,对迟滞输出可测的一类迟滞非线性动态系统,根据其微分隐式推导出控制器表达式,基于径向基函数神经网络(RBFN)的逼近性,来实现对系统的有效控制.然后,针对迟滞输出不可测的非线性动态系统,采用反馈线性化技术,设计了一套基于单隐层神经网络(SHLNN)的自适应控制方案,其中,在设计鲁棒控制项时,采用了双曲正切函数代替常用的符号函数,使得系统信号趋于光滑,运行更顺利.最后,将被控对象推广到大规模控制系统(迟滞输出不可测)进行设计,分两种情况.第一种情况,假设各子系统之间的互连效应上界为滤波误差的一次多项式,而第二种情况假设各子系统之间存在较强互连效应.均采用伪控制技术,分别设计了一套基于RBFN的自适应控制方案.前者每一个子系统采用一个RBFN逼近未知函数,而后者每一个子系统采用两个RBFN分别逼近未知函数和未知强互连效应函数.对于复杂的大规模动态系统,为了减少系统不连续因素,使得系统运行更顺利,与大多数的控制方案不同,在设计鲁棒控制器设计时,采用双曲正切函数代替常用的符号函数,使得系统信号趋于光滑,运行顺利.上述控制方案设计,均摈弃了传统的前馈逆模型控制方法,避免了因所建逆模型失配带来的不利影响.理论上采用Lyapunov稳定性理论进行了严格证明,仿真试验也进一步验证了所提方案的有效性.