了一种非参数自适应迭代学习控制。基于非参数自适应迭代学习控制方法，一种 高阶学习控制律也被研究得出，从而有效地提升了控制系统的收敛性能，优化了 控制效果。文献[12]中杨治平研究得出了一类递归优化的预测学习控制算法，他 将动态线性化模型的对称相似结构原理结合迭代学习算法，研究出一类最优控制 算法，使得对于不确定过程得到良好的动态跟踪效果。

4。 特征建模方法 现行的控制方法对包含各类不确定性的非线性复杂控制系统存在局限性，而

不依靠精确数学模型而利用受控制系统的动态静态特征和关键行为进行控制的 方法被归为特征建模方法。模糊控制、专家控制和智能 PID 控制等控制方法都是 基于被控对象特征信息的控制，它们通过受控对象特点和关键特征的掌握来进行

控制。比如模糊控制方法就是通过输入系统误差和误差导数在线了解系统的动态 特征。

5。 神经网络控制技术 神经网络控制技术是在控制过程中，对难以构建较为准确数学模型的大型非

线性受控系统进行神经网络模型辨识，进行优化计算、推理或进行故障诊断。但 这种方法也需要已知被控对象的信息比如被控对象阶数等，计算比较复杂，对时 变系统的反应较差。

6。 迭代学习控制方法

迭代学习控制（iterative learning control,ILC）是于 1978 年由 Uchiyama 提出 的控制方法。这类迭代学习控制方法依靠大量先验信息的使用，从而得到合理的 控制输入去优化控制过程，获得理想中的输出轨迹，达到最优的控制效果。迭代 学习控制无需被控对象的精确数学模型，以较小的计算量去处理复杂的不确定性 动态系统。对复杂动态系统、难以建模的系统以及高精度轨迹跟踪控制的研究与 优化有着重要的研究意义。

3 研究现状总结

在以上对国内外研究状况的介绍中发现，无模型自适应控制方法都是在寻求 一种无需精确数学模型和复杂参数调整的控制器，这类控制器需要拥有优良的轨 迹跟踪和抵抗外界不确定性干扰的能力，同时也需要有优越的闭环稳定性。国外 的无模型控制方法的研究主要是以神经网络为基础的，而国内的自适应控制方法 的发展是基于泛模型的，但总的来说控制目标是一致的。

当然，实际工程应用中我们也是需要考虑对象特征的，无模型自适应控制也 存在一定的局限性，不是说能够完全取代传统的依靠模型的控制方法。在受控系 统模型完全未知、受控过程存在较大不确定性或者建模成本很高的情况下，我们 可以使用无模型自适应控制方法去简化整个控制过程，以取得更好地控制效果。 在已有的研究成果的基础上，我们仍旧有更深入的问题去探索，不断丰富和发展 无模型控制理论与应用。