网络控制系统(NCS)是一种以通讯网络作为传输媒介的分布式控制系统,它将分布在不同位置的系统节点通过网络连接起来,不仅降低了系统布线的复杂程度,减少了系统的维护和运行成本,而且还具有易于扩展和管理,便于资源共享等优点。但是由于网络负载的不确定性,采样周期的选择对NCS至关重要。若采样周期过小,过高的采样率会造成网络信息量的增加,引起网络繁忙,进而带来更大的时延,最终导致系统服务品质的下降;若采样周期过大,系统各节点信息得不到及时的传输与反馈,会降低系统的控制性能,同时造成网络资源的浪费。本文从控制策略的角度出发,对基于变采样周期的NCS展开研究,具体研究内容如下:1.分析时延的产生机理、影响因素、分布规律等,并提出了基于RBF神经网络的时延预测模型。仿真结果表明该模型在获得快速学习速率的同时,有效提高了时延的预测精度。2.针对时延的随机性和不确定性,提出了基于RBF神经网络的变采样周期时延补偿策略。首先利用基于RBF神经网络的时延预测模型预测时延,并把预测时延值作为采样周期建立系统模型,使时变时延转化为系统的一个参数,便于系统分析;然后给出了结合最优控制和极点配置的控制器设计方法,在提高系统控制性能的同时,简化了控制律的求解过程。通过仿真实验证明该控制策略的有效性。3.针对具有长时延、乱序和丢包的NCS,提出了基于切换的变采样周期时延补偿策略。首先利用传感器事件驱动方式将乱序、丢包问题统一转化为时延问题;其次根据最大和最小时延值构造一个采样周期的取值集合,对应每个采样周期离线设计控制器;最后根据实际网络负载状况在线选择采样周期及控制信号来提高系统的实时性。通过仿真实验证明该控制策略的有效性。