多模型自适应控制(Multiple model adaptive control,简称MMAC)方法是利用多模型来逼近系统的动态性能,再基于多模型设计出相应的多模型自适应控制器.每个采样时刻基于性能指标,选择与被控对象最接近的模型,并将基于此模型的控制器映射为最终控制器.这种控制方法可对时不变或含跳变参数的时变被控对象,在保证输入输出稳定的同时改善瞬态响应,并且使输出渐近跟踪设定值.该文采用切换式多模型方法对线性和非线性系统的多模型自适应控制的部分问题进行了详细的研究.论文的主要工作如下:(1)针对多模型自适应控制系统的典型结构,分别研究了模型集、切换性能指标和控制器结构的相关问题,重点讨论了动态优化模型集、切换性能指标的性质.(2)详细研究了多模型自适应控制的参数估计算法,提出了一种新型算法——混合型参数估计算法.(3)具体地讨论了确定系统多模型自适应控制的模型集问题和随机系统的参数估计问题,详细证明了基于最小二乘算法和投影算法的确定系统多模型自适应控制的稳定性定理及随机系统多模型自适应控制的收敛性定理,同时推出了基于混合型参数估计算法的相应的稳定性及收敛性定理.(4)对非线性系统中的多模型自适应控制进行了简要的介绍,初步研究了基于神经元网络的非线性系统的多模型自适应控制,并重点讨论基于径向基函数神经元网络(Radial basis functions neural network,简称RBFNN)的非线性系统的多模型自适应控制方法.文中给出了一些相应的仿真实例来说明该文结论的正确性.