神经网络技术是20 世纪末迅速发展起来的一门新技术。由于神经网络具有强大的非线性映射能力、自学习适应能力等优点,因此,在控制领域得到了广泛的应用。为解决未知不确定非线性系统的建模和控制问题提供了一条新的思路。神经网络应用于控制系统设计主要是针对系统的非线性、不确定性和复杂性进行的。对于基于神经网络的不确定非线性系统的高精度控制场合,神经网络泛化性能的好坏显得尤为重要,它直接影响到系统的控制精度。本文主要内容包括对CMAC 神经网络泛化性能的研究及其在对不确定非线性系统进行积分变结构控制(IVSC)中的应用。第一章是引言,包括本文的主要研究内容及意义。第二章对神经网络作了综合性介绍,包括神经网络产生的历史,神经网络的原理及应用。其次,对神经网络泛化性能研究作一些阐述。最后介绍神经网络在控制领域的应用研究以及发展情况。第三章详细介绍CMAC神经网络的结构和原理,对CMAC网络的泛化能力,学习能力以及一些改善途径进行多方面的综合性的讨论。在单个CMAC 网络的性能难以进一步提高时,将多个训练好的CMAC 神经网络进行合理组合有利于把各个网络学习到的信息综合利用起来。由于组合网络获得的信息量大,因此其泛化性能往往优于单个最佳子网络。本章对多个CMAC 神经网络的最优线性组合方法作了详细的讨论。通过网络组合的方法得到了单个CMAC 网络无法达到的泛化精度。第四章对CMAC 网络应用到积分变结构控制(IVSC)作了介绍。变结构控制是不确定非线性系统常用的一种控制方法。变结构控制的主要问题是边界层抖动以及切换面的选取,为了充分利用变结构控制的优点,减少不利因素,常把变结构控制和其他控制方法相结合。神经网络具有逼近性、适应性、容错性及并行性等优点,广泛用于改善变结构控制控制规律不连续、缺乏学习能力的缺点。对于非线性控制场合,由于系统的非线性和不确定性,很难对非线性系统建立精确模型。然而,有时可以充分利用系统的已知信息建立近似的参考模型对提高控制精度非常重要。可将非线性系统分成参考模型部分和完全不可确定部分,对参考模型采用基于指数趋近律方法的积分变结构控制,对不可确定部分采用基于CMAC 神经网络的积分变结构控制。两个部分的设计过程是独立的。将两部分