针对舰载火箭炮在海上射击时的精度问题, 提出一种基于RBF神经网络对最优滑模控制进行优化的控制策略。首先,建立舰载火箭炮随动系统数学模型, 结合线性二次型最优控制理论与滑模控制设计一种全局最优滑模控制器(GROSMC), 既提高了系统响应速度又保证了良好的鲁棒性;接着,采用RBF神经网络对切换控制项的增益进行动态调节, 削弱滑模在切换时的抖振问题;最后,通过仿真对比验证所设计控制器的有效性, 表明该策略具有良好的控制性能, 满足系统要求。

ITAE最优控制具有使系统满足时间乘以误差绝对值的积分为最小, ITAE具有三阶无静差, 即对匀加速输入无差的特点。ITAE最优无静差方法控制简单, 易于在工程上实现; 但是对于参数具有时变性的舰载火箭炮系统, 直接运用ITAE控制效果并不理想, 因为系统参数的变化导致控制器的参数已不再满足ITAE最佳传递函数。因此, 必须对系统进行辨识, 使控制器的参数能够随着系统参数的变化而改变。系统辨识的方法有很多, 但是并不满足舰载火箭炮对于实时性的要求, 因此, 结合**系统的性能要求提出一种易于实现的辨识方法, 将所提算法用于ITAE参数整定,整定结果表明,所提算法能有效地对伺服系统的ITAE控制器参数进行整定。

为了提高某破障**随动系统响应的快速性和准确性，对其进行神经网络滑模控制研究。结合伺服系统的模型，引入脊波递归神经网络(RRNN)对模型动态自适应逼近，可有效提高响应速度和鲁棒性。通过脊波递归神经网络滑模控制器(RRNN-SMC)，有效地抑制了扰动、参数变化等非线性因素的影响。最后,采用粒子群优化算法对脊波参数和链接权值进行优化，可以有效降低滑模抖振的影响。通过仿真实验发现，该方法能够保证随动系统的稳定性，加快动态实时响应的速度，提高随动控制的精度。

针对采用永磁同步电机(PMSM)驱动的某车载稳定平台交流伺服系统存在摩擦力矩、惯性力矩、负载扰动等一系列复杂非线性问题, 考虑到自抗扰控制的抗扰能力强和BP神经网络的自我学习能力强的特点, 设计了一种BP神经网络改进型自抗扰控制器(BPNN-ADRC)。为了简化自抗扰控制耗时费力的参数整定过程, 采用BP神经网络对自抗扰控制器中的重要参数进行在线整定; 针对BP神经网络收敛速度慢、易陷入局部最优的缺陷, 引入遗传算法对其初始连接节点的权重进行在线寻优, 以期进一步提高系统的控制精度。仿真实验结果显示: 该控制策略能有效提升系统的抗干扰能力, 为提高车载稳定平台伺服系统的控制性能提出了一种可行的方案。

针对高炮位置交流伺服系统控制存在的外界扰动以及非线性特性等问题，提出了一种自回归小波神经网络改进型单神经元自抗扰控制器(SRWNN-ADRC)。单神经元自适应控制器(SNAC)将非线性误差反馈控制律中的非线性增益作为其权值系数，利用SRWNN作为辨识器，在线辨识被控对象的梯度信息并将其提供给SNAC。通过SNAC的自学习功能实现ADRC中参数的在线调节。仿真结果证明，此控制策略使系统具有较好的稳态性能，抗干扰能力强，且动态品质也得到了优化。

针对两栖**除了受到路基环境下车体易振动的因素影响外，还会受到海洋环境下载体本身摇摆等因素的影响，导致两栖**发射装置的发射角度出现偏差的情况,利用自构建小波神经网络的自适应和自学习的能力，提出一种基于自构建小波神经网络的内模控制方法来进行两栖**随动系统研究。由小波基函数的激励强度和衰减程度来决定增加神经元节点或者修剪、删除神经元节点，达到优化隐含层结构的目的，然后采用LM算法来提高学习速率。通过自构建小波神经网络对内模控制系统的正、逆模型进行辨识，来改进控制技术。最后的实验仿真结果表明，该方法可以有效提高系统的抗干扰能力、发射精度以及调节的快速性。

针对一款海上**随动系统的非线性、干扰未知性的难题, 提出基于滑模干扰观测器(SMDO)的非线性预测控制策略, 该复合控制策略利用滑模干扰观测器, 对海浪波动、负载变化和系统不确定性等进行逼近, 并依据观测器的输出进行前馈补偿和预测控制的模型修正, 使得预测控制的滚动优化能够时刻保持在贴近实际系统的基础之上, 从而实现提高整个控制策略性能的目的。在设计基于滑模干扰观测器的非线性预测控制器时, 采用基于连续时间的非线性系统预测控制方法, 与基于滑模干扰观测器相结合, 最终设计出海上**射击线稳定控制的复合控制律。仿真结果表明, 该控制策略可以有效提高海上**射击线稳定控制的抗干扰能力、打击目标精度以及海上**动态稳定瞄准性能。

为了提高某随动系统负载模拟器加载系统的力矩跟踪精度, 提出一种模糊RBF神经网络终端滑模复合控制方法。首先通过对随动负载模拟器的系统组成和工作原理的分析, 简化力矩电机模型, 根据扭矩传感器和惯量盘的模型, 建立随动负载模拟器的简化等效模型。随后设计了一种快速终端滑模控制器, 为了提高滑模的动态品质, 利用模糊神经网络方法动态调节滑模面参数。同时, 为了提高模糊RBF神经网络的学习和训练速度, 用最近邻层次聚类和共轭梯度算法调整网络各参数, 并对算法进行局部优化以提高算法性能。最后进行仿真, 证明该方法提高了系统控制精度且具有良好的动态特性。

针对大口径**液压伺服系统控制时内部参数的不确定性和时变性问题, 利用模糊控制鲁棒性强和容错能力好的特点, 对传统PID控制进行改造, 同时结合RBF神经网络来解决模糊控制精度差的问题。此外, 利用蚁群聚类对RBF神经网络的初始参数进行初始化, 采用共轭梯度法对神经网络进行优化训练。仿真结果表明, 该控制策略能较好地抑制大口径**系统的时变性与非线性问题, 同时保证了系统的调炮速度和精度。

火箭破障**装甲车在道路起伏的环境中车体易产生振动, 在发射火箭炮破障弹时也会产生较大的振动, 这些容易导致再次调炮破障时方向角度出现偏差影响破障精度, 同时,其他扰动和不确定因素的存在也使得破障**系统成为非线性时变系统。利用模糊控制良好的鲁棒性、适应性以及神经网络的自适应、自学习的能力, 提出一种基于模糊RBF神经网络PID控制方法, 同时采用K-means层次聚类对模糊神经网络的结构参数值进行初始化, 采用LM算法对模糊神经网络进行训练。仿真结果表明, 该方法可以有效提高系统的抗干扰能力、破障精度以及加快调炮的快速性。