神经网络的难点

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络的难点范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络的难点范文第1篇

【关键词】神经网络 手写 识别系统 应用

随着计算机技术的快速发展，其在人们的办公学习和日常生活成了不可替代的工具。键盘已经几乎完全替代了笔在人们生活中的地位，随之而来的后果就是人们越来越少的区书写汉字，导致越来越多的中国人甚至都忘记了汉字该如何书写，这种现象在很多研究和报道中都有体现。计算机和键盘是由西方国家发明的，其符合西方国家的语言习惯，对于中国人来说，用字母、符号去完成方块汉字的输入就需要使用者非常熟悉汉语拼音或者五笔编码，对于文化程度较低的使用者来说，这些都限制着他们使用计算机。鉴于计算机键盘的这些缺陷，联机手写输入法应运而生，这为计算机的输入带来了新的发展机遇和挑战。

1 联机汉字手写识别的意义及难点

联机汉字识别是用书写板代替传统纸张，笔尖通过数字化书写板的轨迹通过采样系统按时间先后发送到计算机中，计算机则自动的完成汉字的识别和显示。

1.1 联机汉字手写识别的意义

联机手写汉字识别的诞生具有非常重要的意义。首先这种输入方法延续了几千年中华文明的写字习惯，实现用户的手写输入，对于长时间不提笔写字的用户来说能够加强其对汉字书写方面的认识，防止“提笔忘字”现象的继续恶化。其次，手写汉字输入不需要学习和记忆计算机的汉字编码规则，其完全符合中国人的写字习惯，使人机之间的交流更人性化，更方便快捷。另外，随着移动智能终端的不断普及，联机汉字手写识别的应用范围将进一步扩大，以适用于不同层次人群对信息输入的需要，具有较大的市场发展前景。

1.2 联机手写汉字识别问题的难点

手写汉字识别是光学字符读出器中最难的部分，也是其最终的目标，手写汉字识别的应用主要依赖于其正确识别率和识别速度[1]。手写汉字识别系统的问题具有其特殊性：

（1）中国汉字量大。我国目前的常用汉字大概在4000个左右，在实际应用中的汉字识别系统应该能够完全识别这些常用的字才能够满足需要，由于超大的汉字量，使得手写识别的正确率和识别速度一直不高。

（2）字体多，结构复杂。汉字的手写字体丰富多彩，且汉字的笔画繁多，以及复杂的结构，再加上汉字中的形近字颇多，这些都为汉字识别系统的发展造成了很大的困难。

（3）书写变化大。不同用户在进行手写输入时其字体的变化是很大的，这种变化因人而异，对汉字识别造成了很大的干扰，增加了汉字匹配的难度。

2 人工神经网络概述

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型，通常简称为神经网络，是一种仿生物神经的信号处理模型。在二十世纪四十年代初人们开始进行神经网络的研究，经过几十年的发展，神经网络也产生了一系列的突破，目前应用最多的是Hopfield模型和BP算法。

神经网络的一般模型一般包括十个方面：环境、处理单元、传播规则、神经网络的状态、互联模式、稳定状态、操作模式、活跃规则、活化函数和学习算法。其中，神经元、互联模式、学习算法是神经网络模型中的三个关键因素。神经网络的一个重要内容就是学习，其学习方式可以分为监督学习和无监督学习，其学习过程一般遵循Hebb规则，误差修正学习算法以及胜者为王的学习规则，其中Hebb规则是神经网络学习中最基本的规则。

人工神经网络具有独特的优越性。首先其具有主动学习的功能，在汉字识别过程中，先将汉字模板及可能的识别结果输入到神经网络中，神经网络能够通过其自身的学习过程来实现对汉字的识别，自学功能对于神经网络的预测功能具有非常重要的意义。其次，神经网络系统具有联想存储功能，其反馈功能能够实现这种联想。另外，通过计算机的高速运算能力，神经网络具有高速寻找优化解的能力。

3 人工神经网络在联机手写识别系统中的应用

汉字识别属于大类别模式识别，人工神经网络可以通过函数逼近、数据分类、数据聚类三种作用方式以及“联想”的特殊模式对汉字进行识别。Hopfield神经网络作为反馈网络的一种，其自联想记忆网络可以使系统不需要通过大量的训练即可对汉字进行识别，因此Hopfield神经网络对于汉字识别来说具有独特的优势。其中的离散型Hopfield神经网络能够通过串行异步和并行同步的工作方式，使其反馈过程具有非常好的稳定性，而网络只有通过不断的演变稳定在某一吸引子状态时，才能够实现正确的联想。

联机手写识别可以分为训练阶段和识别阶段。训练阶段流程依次为：标准书写字符图像预处理，提取特征并建立特征库，建立Hopfield网络模型，训练网络，保存权值。识别阶段的流程为：坐标序列转化为bmp图像，预处理测试样本，提取特征，送入网络运行，运行网络到平衡状态，分析结果值。根据联机手写识别的工作流程以及Hopfield网络模型的理论，基于Hopfield神经网络的联机手写识别系统在Matlab环境下得到了仿真模拟，效果非常理想。

4 总结

手写识别系统能够弥补普通键盘的不足，在提高汉字书写频率的同时，能够满足不同层次人群对计算机应用的技术需要。基于Hopfield神经网络的联机手写识别系统一起自身独特的性能，不仅能够满足手写汉字识别的正确率，而且其识别过程速度非常快。因此它对于实现联机手写识别以及图像识别具有非常重要的意义。

参考文献

[1]俞庆英.联机手写汉字识别系统的研究与实现[D].安徽大学，2005（5）.

[2]郭力宾.交叉点的神经网络识别及联机手写字符的概率神经网络识别初探[D].大连理工大学，2003（03）.

[3]赵蓉.基于神经网络的联机手写识别系统研究与实现[D].西安电子科技大学，2011（01）.

神经网络的难点范文第2篇

人工神经网络（AartificialNeuralNetwork，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，BackPropagation），它的网络结构及算法直观、简单，在工业领域中应用较多。

经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（FuzzyLogic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。

因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。

本文介绍了一种基于人工神经网络（ANN）理论的保护原理。

1、人工神经网络理论概述

BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。

在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线是BP算法的一大优点。

2、神经网络型继电保护

神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。

文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。

ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。

3、结论

本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。超级秘书网

一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。

神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。

参考文献

1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

神经网络的难点范文第3篇

关键词：RBF神经网络；EKF；倒立摆；控制

中图分类号：TP183文献标识码：A文章编号：1009-3044(2011)04-0849-03

Research on Neural Networks Control of Inverted Pendulum Based on EKF

YU Chang-sheng1,2, SUN Shi-jie2

(1.Henan Polytechnic University, Jiaozuo 454000, China; 2.Yongcheng Vocational College, Yongcheng 476600, China)

Abstract: This work studies the problem of unknown functions and uncertain disturbance of a class of nonlinear inverted pendulum systems, the design of the adaptive neural network controller is based on the Lyapunov function stability. The extended Kalman filter (EKF) is used in the controller design to eliminate systematic observation noise, then to get the estimated value for the system state, and the radial basis function (RBF) neural network is used to approximate the unknown part of the control law. Finally, a nonlinear inverted pendulum simulation system is built up to assess the neural network controller,the results show that the designed controller can effectively suppress the interference, the control system can obtain high accuracy with stability and celerity.

Key words: RBF neural networks; EKF; inverted pendulum; adaptive control

倒立摆系统是一种非线性、多变量、强耦合、不稳定的实验系统，常用来验证模糊控制、神经网络控制和预测控制等各种控制算法。[1]采用模糊控制的方法进行控制，无需精确的被控对象模型且规则设计简便易用，但对于控制多变量的倒立摆会遇到模糊规则爆炸的问题。[2]采用神经网络控制方法，系统逼近误差小，但没有考虑系统观测噪声的影响，控制精度不高。

本文提出一种基于EKF滤波的神经网络控制算法，假定倒立摆系统模型参数未知及仅有摆角可测量。利用扩展卡尔曼滤波（EKF）消除系统噪声和观测噪声，获取系统状态的估计值，再根据Lyapunov函数稳定性设计系统控制律及律，进而用径向基函数（RBF）神经网络良好的逼近性来近似设计的控制律中的未知项，完成神经网络控制器设计。

1 倒立摆系统数学模型

本文采用一种电机驱动的单级倒立摆装置进行仿真研究，其结构图如图1所示。

取控制端输入电流Iα、倒立摆摆角θp及角速度为系统状态向量，则系统动态方程可以表示为：

（1）

式中：。取，摆杆长度l=1m，摆杆质量m=1kg，齿轮系数N=10，Km=0.1Nm/A，Kb=0.1Vs/rad，控制端电阻Rα=1Ω，控制端电感Lα=100mH。将各参数代入（1）可得系统动态方程为：

（2）

在倒立摆系统中可测的输出量为摆角θp，其观测方程可以表示如下：

（3）

式中：H=[1 0 0] ，V为摆角量测噪声。

2 神经网络控制器的设计

本文考虑的非线性系统存在两类未知项：未知函数和外界干扰，假设如式（2）的系统模型表示如下：

（4）

式中：f(x)为非线性环节，b为已知常数矩阵，u为控制输入。

2.1 控制器系统结构

本文所设计的控制器利用扩展卡尔曼滤波（EKF）消除系统噪声和观测噪声，获取系统状态的估计值，再根据Lyapunov函数稳定性设计系统控制律及律，进而用径向基函数（RBF）神经网络良好的逼近性来近似设计的控制律中的未知项，完成神经网络控制器设计。整个控制器系统结构图如图2所示。

控制器采用扩展卡尔曼滤波器（EKF）来消除系统量测噪声，获取系统状态估计值 。由式（4）可得：

（5）

由式（5）可得系统离散状态方程为：

（6）

系统观测方程为：

（7）

对式（6）、（7）采用如下扩展卡尔曼滤波方程即可得到倒立摆系统的状态估计值：

（8）

2.2 控制律的设计

设xr为参考输入，，rm为一已知输入信号矩阵。定义：e=x-xr，则有：

（9）

存在如下形式的Lyapunov函数：

（10）

使得倒立摆系统满足Lyapunov稳定性判据。其中：P为一对称正定矩阵且满足，Q为一自选的正定矩阵。

对式（9）进行稳定性分析，求导得：

（11）

令，代入式（8）则有：

（12）

将式（11）代入式（10）有：

（13）

对式（12），因为Q为一实对称的正定矩阵，所以。故要使，只需，其中的未知非线性环节为F(x)，故可选取RBF网络逼近F(x)，RBF神经网络的结构如图3所示。

神经网络的输入向量为系统状态向量，输出信号为，即为F(x)的逼近值。隐含层含有神经元6个，激发函数为高斯基函数。此时可取控制律u为：

（14）

式中：w为神经网络权值，s(x)为神经网络基函数。

2.3 自适应律的设计

考虑如下候选Lyapunov函数：

（15）

式中：w*为神经网络权值w的理想值，r为一常数。

（16）

令。则对式（15）有：

（17）

要使，因为，，故可取自适应律为：

（18）

3 倒立摆神经网络控制仿真

将设计的神经网络控制器应用于建立的倒立摆系统模型，仿真工具采用Matlab,参数设置如下：摆杆长度l=1m，摆杆质量m=1kg，齿轮系数N=10，Km=0.1Nm/A ，Kb=0.1Vs/rad，控制端电阻Rα=1Ω，控制端电感Lα=100mH。EKF滤波时系统初值为：，量测噪声服从标准高斯分布，测量精度为0.01°。给定摆角角度指令为xd1=1.2sin(2πt)，神经网络控制器使得倒立摆跟踪给定的输入正弦信号，仿真结果如下：

图4 基于EKF滤波的倒立摆摆角θp位置跟踪曲线图5 基于EKF滤波的控制输入信号u图6 神经网络控制的倒立摆摆角θp位置跟踪曲线

图4和图5为基于EKF滤波的神经网络控制时倒立摆摆角位置跟踪曲线和控制输入，图6为含量测噪声直接用神经网络控制所得的倒立摆摆角位置跟踪曲线。稳态时有无EKF滤波的角度跟踪误差方差分别如下：

表1 稳态时跟踪误差的方差

从表1可以看出，EKF滤波能有效抑制系统的量测噪声，提高控制精度。仿真中可调参数一共有以下几个：A矩阵的三个参数，选取时要保证稳定性；RBF网络的中心及方差阵c和b，为了简化控制，并没有让c和b调整，而是取一定值不变，根据结果进行手动调整，仿真时取；正定矩阵Q，Q的选取理论上是越大越好，但经过仿真发现当Q过大时会出现剧烈的振荡发散，故Q也要合理取值，仿真时取。通过仿真调整，选取合适的参数后得到了较理想的仿真结果。由图3可看出，系统的跟踪误差快速振荡衰减，在t=2s就已经稳定，成功实现了跟踪控制任务。

4 结束语

本文给出了一种基于EKF滤波的神经网络控制系统的具体推导过程，并在倒立摆非线性系统中进行了仿真应用。此控制器的特点是：1）不要求被控系统有准确的数学模型；2）逼近的不是未知系统的非线性环节，而是所设计的控制律中的非线性部分；3）可以有效抑制系统的量测误差，控制精度高；4）在分析中运用了李雅普诺夫稳定性判据及其综合应用。在控制器的设计过程中，难点在于Lyapunov函数的选取及怎样通过分析Lyapunov 稳定性来推导出控制律及律，故要选择合适的算法能使律及控制律的表达式简洁，得到较理想的控制器。仿真表明应用此控制器，既能有效地抑制系统观测噪声，同时又能快速准确地实现倒立摆摆角跟踪，很好地完成控制任务。

参考文献：

[1] 雍容,高岩.模糊神经网络算法在倒立摆控制中的应用[J].控制理论与应用,2004,23(1):20222,32.

[2] 孙红兵,李生权,王瑜.基于RBF网络二级倒立摆系统PID控制[J].微计算信息,2007(6):72-75.

[3] Wang D,Huang J.Adaptive neural network control for a class of uncertain nonlinear systems in pure-feedback[J].Automatica,2002,38(8):1365-1372.

[4] Polycarpou M M.Stable adaptive neural control scheme for nonlinear systems[J].IEEE Trans Automatic Control,1996(41):447-451.

[5] Ye X,Jiang J.Adaptive nonlinear design without a prior knowledge of control directions[J].IEEE Trans Automatic Control,1998(43):1617-1621.

神经网络的难点范文第4篇

本文调查了国内外电动机各种保护方法和各类保护装置的研究发展状况，结合实际情况，提出了一种通过人工神经网络预测电机绕组温升的方案，由PC机通过RS485总线实时读取下位机采集的电机运行参数，进行温升预测，并将预测结果传输回下位机，从而实现了对电动机长期稳定负载运行的过载保护。

关键词

电机保护；温升预测

电动机是一种电能到机械能的能量转换设备，是现代社会生产中的主要动力形式。在产业部门中，以电动机作动力的比例已占全部动力的90%。在电动机实际使用过程当中，恶劣的运行环境和超负荷的运行时间是导致电动机故障频繁的主要原因。因此电动机的保护尤其是对大型电动机保护的开发研究对国民经济有着重要的意义。

1电动机保护的发展趋势

可以预测,应用电动机内部故障分析和利用先进信号处理方法进行精确的故障特征量追踪捕捉这两者的有效结合，再加上业内已成熟的微机保护技术，可以将大型电动机的故障诊断、故障保护等功能综合于一体，实现电动机运行全过程的在线监测、故障诊断与保护。

2神经网络温升预测设计

2.1神经网络算法

2.1.1BP算法设含有共L层和n个节点的一个任意网络，每层单元只接受前一层的输出信息并输给下一层各单元，各节点的特性为Sigmoid型。

2.1.2改进的BP算法

鉴于改进的算法利用目标函数的二阶导数信息。常用改进BP算法和标准BP算法进行比较，各改进BP算法比标准BP算法有不同程度的改善。LM(Levenberg-Marquardt)算法是为了训练中等规模的前馈神经网络（多达算百个连接权）而提出的最快速算法。目前LM算法在训练速度上是最快的，并且它所达到的训练平均误差和收敛精度较其他算法具有明显的优势。

2.2神经网络在电机绕组温升预测中的应用

2.2.1电机热过载保护的现状热过载保护是电机保护研究中的热点和难点。国内外不少的研究工作者一直在从事电动机过载保护的研究，提出不少的保护方案，概括起来分为两大类：直接测温法和间接测温法。直接测温法就是把温感装置（如热电阻、热电偶和温度继电器等）直接埋入电动机绕组的热点进行检测，当温度达到长期使用允许温度时，就令继电器动作断开电动机的控制回路，从而达到保护电动机的目的。间接测温法是在电动机外部通过检测一些相关参数来计算电动机的温度。

2.2.2神经网络预测绕组温升方法鉴于直接测温法和间接测温法各自存在不足，本文探索了一种通过采用神经网络预测绕组温升来完成对电动机长期稳定负载运行进行过载保护的方法。

（1）训练样本的数据处理实现神经网络对电机进行温升预测关键的一步是采集训练样本并且进行必要的数据处理。以电动机为例进行分析。电机的具体参数如下：Pe=220kW，Ue=6kV，Ie=26.7A，n=2976rpm，f=50Hz，绝缘等级F级。通过对电动机进行温升试验，采集了从额定电流(26.7A)到堵转电流(150A)共20组不同的数据。表1给出了训练网络和测试网络的数据分配情况。其中15组用于训练网络，其余几组用于测试训练后的网络的正确性与适用性，将采集到的15组训练数据，绘制成曲线，如图1。

（2）电机长期稳定负载运行绕组温升预测的网络结构由于本系统研究的长期稳定负载运行情况下，电动机的过载温升，所以电源电压、电源频率、功率因数都可认为保持不变，而仅将电流、环境温度和转速作为变量。同时考虑到影响转速的三个要素电流、频率和电压，有两个因素近似认为不变，因此转速和电流存在着很强的相关性，两者不必都作为输入变量，只选择电流作为输入变量即可。通过以上分析可以将温升预测系统简化成输入为电流和当前温度的双输入单输出的三层BP网络。这样，就可以使基于神经网络的电动机长期稳定负载运行绕组温升预测的设计在对电机进行过载保护方面充分发挥作用。

3总结

神经网络的难点范文第5篇

关键词： 机械手； 函数滑模； 神经网络； 轨迹跟踪； 滑模控制

中图分类号： TP242 文献标志码： A

0引言

近年来，关于机械手轨迹跟踪控制的问题已经取得了很多研究成果[1-3]，由于机械手是包含非线性、强耦合和不确定性的复杂系统，对它的精确控制一直是控制领域研究的热点和难点，其中滑模控制方法已经被广泛地使用。该方法通过控制器本身的变化，迫使系统在一定特性下沿规定的状态轨迹作小幅度、高频率的滑模运动，具有对参数变化及未知扰动不敏感、响应快速、无需系统在线辨识等优点[4]。文献[5]提出了使用径向基核函数（RadialBasisFunction，RBF）神经网络作为逼近机械手控制系统中不确定性的方法，通过与滑模控制器相结合，达到了较好的控制效果，但是在设计滑模控制器时没有考虑抖振消除问题，控制系统的整体性能受到影响，同时限制了在实际系统中的应用。

函数滑模控制[6]是将普通滑模控制器与时变函数结合的控制器设计方法，时变函数可以根据系统结构特性和控制器设计要求进行灵活设计。因此，当时变函数设计合理时，函数滑模控制能够克服普通滑模控制器的固有缺点，同时提高控制系统整体性能。

本文提出基于函数滑模的机械手轨迹跟踪控制方法，根据神经网络对系统不确定项的逼近程度设计时变函数。函数滑模控制器能够补偿神经网络对系统不确定性的逼近误差，克服普通滑模控制器容易给系统造成的抖振问题，同时提高控制系统动态性能。本文控制器设计方法具有很大的灵活性，结构简单易于实现，工程应用性较强，对滑模控制在实际系统中的应用具有一定的借鉴意义。

1系统描述

多关节机械手可以看作刚性连杆机构[7]。轨迹跟踪控制问题描述为：给定机械手各关节期望的角度轨迹，设计控制器并得到控制力矩，使机械手在一定的初始状态下满足设定的跟踪条件，达到轨迹跟踪的目的[8]。

4结语

针对不确定机械手轨迹跟踪控制问题，本文提出了基于函数滑模的轨迹跟踪控制方法，达到了较好效果。利用RBF神经网络逼近系统非线性不确定项，神经网络权值的自适应律基于李亚普诺夫函数法确定。所设计的函数滑模控制器能够根据神经网络对系统不确定项的逼近情况动态地改变控制律，在神经网络逼近误差较大时增大滑模控制律，在逼近误差降低时减小滑模控制律，保证控制系统良好动态性能，同时克服了滑模控制器容易带来的抖振问题。仿真实验把普通滑模控制器和函数滑模控制器进行了对比，证明了提出方案的有效性。本文控制器设计方法具有很大的灵活性，可以应用到不同的实际控制系统，尤其对滑模控制在机械手控制系统中的应用具有一定的借鉴意义。

参考文献：

[1]XUC.Researchonintelligentbacksteppingslidingmodecontrolofnonlinearrobot[D].Quanzhou：HuaqiaoUniversity，2012：2-5.

[2]LIUJ.RobotcontrolsystemdesignandMatlabsimulation[M].Beijing：TsinghuaUniversityPress，2008：1-2.

[3]CHENL，CHENW，WANGH.Improvedneuralvariablestructurecontrolofrobotmanipulators[J].SystemEngineeringandElectronics，2006，28（3）：429-430，443.

[4]HUJ，ZHUANGK.Advancedvariablestructurecontroltheoryandapplication[M].Xian：NorthwesternPolytechnicalUniversityPress，2008：1-12.

[5]LEEMJ，CHOIYK.AnadaptiveneuralcontrollerusingRBFNforrobotmanipulators[J].IEEETransactionsonIndustrialElectronics，2004，51（3）：711-717.

[6]GEB，LINF，LIG.Advancedcontroltheoryandapplication[M].Beijing：ChinaMachinePress，2007：183-184.

[7]TANM，XUD，HOUZ，etal.Advancedrobotcontrol[M].Beijing：HigherEducationPress，2007：39-40.

[8]LIG，CHENZ.Indirectadaptiverobustpredictivecontrolofmanipulatorsbasedonuncertaintiesapproach[J].JournalofComputerApplications，2012，32（6）：1707-1712，1740.[9]GEW.Researchonadaptivetrackingcontrolofuncertainrobotsystems[D].Yangzhou：YangzhouUniversity，2011：27.

[10]XUL.Neuralnetworkcontrol[M].Beijing：ElectronicIndustryPress，2003：25-27.

[11]LIP.Researchandapplicationoftraditionalandhigherorderslidingmodecontrol[D].Changsha：NationalUniversityofDefenseTechnology，2011：3-10.

[12]XIAY，FUM，DENGZ，etal.Recentdevelopmentsinslidingmodecontrolandactivedisturbancerejectioncontrol[J].ControlTheory&Applications，2013，30（2）：137-147.

[13]SUNTR，PEIHL，PANYP，etal.Neuralnetworkbasedslidingmodeadaptivecontrolforrobotmanipulators[J].Neurocompulating，2011，74（14/15）：2377-2384.