迟滞具有多值映射、记忆性、和非光滑性特征。迟滞非线性系统中固有的迟滞特性,会使系统产生振荡,降低系统的控制精度,甚至会导致系统不稳定。所以,研究迟滞非线性系统的建模与控制问题具有理论意义。压电陶瓷、记忆合金等智能材料构成的微执行器具有控制精度高、稳定性好等优点而被广泛应用于微电子制造、航空航天等重要领域。但是这些智能材料本身存在的迟滞特性,系统的性能会受到迟滞非线性的影响。所以研究迟滞非线性系统的控制同时具有工程意义。神经网络能够高度逼近非线性映射并且适应性非常强,所以在非线性系统中,已经广泛运用神经网络来建模及控制。为了达到消除迟滞非线性的目的,构造迟滞逆模型是最普遍的方案,把迟滞逆模型和迟滞非线性串联在一起,以降低迟滞非线性对系统的不良作用。在迟滞控制方案中,因为迟滞的复杂性导致很多现有的先进控制算法不能对它理想地控制。内模控制(即IMC)是一类新型控制方案,它在设计控制器时,必须首先得到过程的数学模型。由于设计起来较为简易,控制性能比较好,同时在系统分析方面存在很大优势,所以自提出之日起,内模控制便受到控制界的广泛关注。论文的主要工作有:1.针对迟滞非线性,构造神经网络Hammerstein模型结构,通过把静态迟滞子模型与线性动态子模型串联来表述迟滞的非线性特性,并给出了此模型结构的权值优化算法。这类模型具有很好的灵活性。2.为了补偿迟滞非线性,构建了迟滞的神经网络逆模型。首先构造一个特殊的迟滞逆算子,此逆算子可反映出迟滞逆输出的变化规律,通过扩展迟滞逆输入空间的方法把迟滞逆输出对输入的多值对应关系变为单值对应关系,然后用神经网络逼近,从而得到迟滞的逆模型。这种方法使迟滞逆模型的在线更新不再困难,逆模型也更容易实现。3.在对迟滞系统的控制方案中,引入基于逆模型的前馈-反馈PID控制与神经网络的内模控制方案。本文采用的迟滞非线性的神经网络内模控制方案构建2个神经网络,一个作为被控对象模型,另一个作为IMC控制器。最后进行仿真实验。通过与前馈-反馈PID控制方案的实验结果相比能看出,迟滞的内模控制策略有较理想的控制效果。