人类之所以能够准确地对各种复杂事件进行积极反应,是因为人类具有一个高度发达的大脑。人们试图利用人工神经网络模拟人脑,对现实中的复杂系统进行认识、建模与控制。在前期的研究中,由于神经网络持续激励条件很难满足,无法保证网络权值的收敛性,神经网络不能精确逼近未知动态。最近,径向基函数(RBF)神经网络的部分持续激励条件得到解决。在此基础上建立了一套确定学习理论,并被成功应用到系统控制、状态观测、动态模式识别中。 由于干扰在现实世界中普遍存在,而且它对学习的影响不容忽视,因而研究在干扰情况下的确定学习问题具有重要意义.本学位论文对确定学习理论及其应用进行了进一步研究,重点讨论未知动态系统在受到有界干扰时的学习问题。具体讨论了受扰非线性不确定系统的确定学习控制问题、基于确定学习理论的状态观测与动态辨识问题、基于确定学习理论的一类动态模式识别问题以及机器人控制中的应用问题。 在论文写作过程中,主要应用了确定学习理论提出的局部化RBF神经网络、局部函数逼近、神经网络的部分持续激励条件、动态神经网络等概念和相关性质。此外,本文还应用了指数稳定性的相关结论、系统的一致完全能观性(UCO)、辅助滤波器等理论与技术。 关于受时变干扰的非线性系统的确定学习控制问题,分别应用了一致完全能观性技术(UCO)和辅助滤波器技术等两种方法,对Brunovsky系统、仿射Brunovsky系统和严反馈系统进行了研究。 关于未知动态系统的状态观测与动态辨识问题,通过设计自适应状态观测器,在进行状态观测的同时,实现对系统未知动态的学习,并在有限时间内辨识出系统的未知动态。在技术上,除了引入了一个辅助滤波器并构造一种Lyapunov函数外,还使用了另-套自适应技术,对干扰的界进行估计,减小干扰对学习的影响。 关于动态模式识别问题,利用确定学习理论,对一类包含未知动态的系统进行辨识,建立动态系统的模式库。在进行辨识的过程中,设计自适应观测器,对系统状态进行观测的同时学习未知动态。然后利用动态模式的相似性定义和相关结论,将待测试的模式与模式库中的模式进行匹配,找到与之相似的动态模式。 应用部分主要讨论单连杆机械臂和受扰的多连杆机械臂的输出反馈确定学习控制问题.首先设计系统的神经网络自适应观测器和自适应控制器,对系统的状态进行观测的同时,实现对系统的跟踪控制.在观测误差和跟踪误差足够小时,两组网络的部分持续激励条件得到满足,使两组神经网络都能够分别学到对应的未知动态,实现了确定学习控制目标. 最后,在总结全文的基础上,提出了有待进一步研究和探索的问题.