1、“.....微分调节依据偏差变化速度来动作。它的输出与输入偏差变化的速度成比例，其作用是阻止被调参数的切变化，有超前调节的作用，对滞后大的对象有很好的效果。它可以克服调节对象的惯性滞后时间常数容量滞后，但不能克服调节对象的纯滞后，因为在时间内，被调参数的变化速度为零。些控制过程的时间常数较大，操纵变量的改变要经过较长的时间后才能反映到被控变量上。经过换热器的空气温度的控制就是个典型的例子。在适当引入微分作用后可以明显改变控制品质。当被控变量偏离设定点时，随着偏离速度的增加，控制器的增益也随之增加，这样可以促使被控变量尽快回到设定点，又不至于引起过大的振荡相对于单纯的增加控制增益而言。微分作用使调节过程偏差减小，时间缩短，余差也减少但不能消除。它用微分时间来表示其作用的强弱，越大表明微分作用越强，但太大会引起振荡。微分控制通常与比例控制或积分控制联合作用，构成或校制。微分控制可以改善动态特性......”。

2、“.....调节时间缩短，允许加大比例控制，使稳态误差减少，提高控制精度。对于时间常数较小，而负荷又变化较快的调节对象，不易引入微分作用，因为如果引入微分作用容易引起振荡。现有控制器参数整定方法在控制系统中，控制器的参数整定是控制器的核心内容。但是该过程是比较复杂的。控制器参数整定的方法很多，概括起来有两大类是理论计算整定法。它主要是根据系统的数学模型，经过系列理论计算确定控制器的各个参数。利用这种方法所得到的计算数据未必可以直接用，还必须通过工程实际进行调整和修改。第二种方法是工程整定方法，它主要依赖工程经验，直接在控制系统的试验中进行，且方法简单易于掌握，在工程实际中被广泛采用。控制器参数的工程整定方法，主要有临界比例法反应曲线法和衰减法。三种方法各有其特点，其共同点都是通过试验，然后按照工程经验公式对控制器参数进行整定。但无论采用哪种方法所得到的控制器参数......”。

3、“.....现在般采用的是临界比例法。利用该方法进行控制器参数的整定步骤如下首先预选择个足够短的采样周期让系统工作仅加入比例控制环节，直到系统对输入的阶跃响应出现临界振荡，记下这时的比例放大系数和临界振荡周期在定的控制度下通过公式计算得到控制器的参数。同经验法不同，临界比例法不依赖于对象的数学模型参数，而是总结了前人理论和实践的经验，通过实验由经验公式得到控制器的最优整定参数。该方法用来确定被控对象的动态特性的参数有两个临界增益和临界振荡周期。控制的局限控制器在实际应用中的局限主要有由于实现控制系统的元器件物理特性的限制，使得控制器获得的原始信息偏离实际值，而其产生的控制作用偏离理论值。例如，各种传感器不可避免地存在着测量误差误差微分信号的提取是由误差信号差分或由超前网络近似实现的，这种方式对信号噪声的放大作用很大，使微分信号失真......”。

4、“.....不能同时很好的满足稳态精度和动态稳定性平稳性和快速性的要求。为此在系统的设计与整定过程中，只好采取折中的方案来兼顾动态和稳态性能的要求，因此难以大幅度提高控制系统的性能指标。尽管常规控制器具有定的鲁棒性和适应性，但是对于强非线性快速时变不确定性强干扰等特性的对象，控制效果较差。例如，在时刻种条件下整定好的控制器参数，由于被控对象的结构或参数时变，在另时刻另条件下控制效果往往欠佳，甚至可能使控制系统失稳。本章小结本章阐述了常规控制器的理论基础，研究了几种典型的参数整定方法，还分析了控制的局限性，为进步研究基于神经网络的智能控制器做准备。基于神经网络整定的控制器设计神经网络的整定原理采用增量式控制器......”。

5、“.....为被控对象的信息，可通过神经网络的辨识而得。神经网络控制器的设计控制要取得良好的控制效果，就必须对比例积分和微分三种控制作用进行调整以形成相互配合又相互制约的关系，这种关系不能是简单的线性组合，可从变化无穷的非线性组合中找出最佳的关系。神经网络所具有的任意非线性表示能力，可以通过对系统性能的学习来实现具有最佳组合的控制。基于神经网络,参数自学习控制器。神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性记忆能力非线性映射能力以及强大的自学习能力，因此有很大的应用市场。具有局部逼近的优点，神经网络是种性能优良的前馈型神经网络，网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根本上解决了网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快......”。

6、“.....提高神经网络的学习泛化能力。神经网络具有任意逼近非线性函数的能力，而且结构和学习算法简单明确，所以在研究的此课题中，本人采用了工程中最为常用的网络来构建神经网络控制器。通过神经网络自身的学习，可以找到最优控制下的参数。基于神经网络的控制系统结构如下图所示基于神经网络整定的控制框图控制器由两个部分组成经典的控制器直接对被控对象进行闭环控制，并且三个参数为在线整定神经网络根据系统的运行状态，调节控制器的参数，以期达到种性能指标的最优化。即神经网络的输出层神经元的输出状态对应于控制器的三个可调参数，通过神经网络的自学习调整权系数，从而使其稳定状态对应于种最优控制规律下的控制器参数。本章小结本章给出了神经网络的整定原理，并设计了基于神经网络的控制器系统结构图。仿真分析系统的稳定性分析设控制系统被控对象的数学模型为致谢经过几个月时间的努力......”。

7、“.....在论文完成之际，本人谨向平玉环老师表示诚挚的敬意和衷心的感谢。本文是在平老师的悉心指导下完成的。她渊博精深的知识高屋建领的见解及敏锐的洞察力使我终生受益。在论文工作期间，平老师在论文的选题设计相应的研究工作以及论文的撰写方面都给予了极大的关心和悉心的指导。没有她的鼓励和帮助，本篇论文也是很难完成的。另外，在生活方面，平老师也处处关心学生，给予了我很大的帮助。在此，我由衷地对于老师说声谢谢,。最后再次向所有曾给予本人帮助支持和鼓励的良师益友和同学们表示最衷心的感谢,感谢各位老师百忙之中对本文的审阅和提出的宝贵意见,附录仿真程序,系统稳定性的被控对象数学模型系统鲁棒性的被控对象数学模型系统抗干扰能力，在时加扰动输入指令信号为阶跃信号，即，基于神经网络的控制系统结构图为图，网络辨识的三个输入为。首先用将被控对象数学模型化为差分方程形式，设仿真步距，则程序为......”。

8、“.....其仿真结果如图和所示图整定控制阶跃响应图参数自适应整定曲线系统抗干扰能力分析在系统稳定后，时加个扰动，分析系统的抗干扰能力，其反应曲线如图和所示图加扰动后的反应曲线图参数自适应整定曲线系统鲁棒性分析已知系统被控对象的数学模型为现在将增大，即将被控对象改为首先还是运用将被控对象数学模型化为差分方程形式，设仿真步距，则程序为,运行后得到即然后运用对系统进行仿真，其仿真结果如图和所示图整定控制鲁棒性响应曲线图参数自适应整定曲线本章小结本章运用软件对所掌握的神经网络整定的控制算法进行了仿真研究，并通过仿真实验，研究了基于神经网络整定的控制系统的稳定性鲁棒性和抗干扰能力。结论在科学技术和生产力水平高速发展的今天，人们对大规模复杂和不确定性系统实行自动控制的要求不断提高，传统的基于精确数学模型的控制理论的局限性日益明显......”。

9、“.....由于这些局限性，传统控制方法和传统的神经元网络均不能单独胜任复杂系统的控制任务，因此需要研究新的更有效的控制方法。近年来，随着神经元网络的研究和应用，人们开始采用神经元网络和控制相结合，以便改进传统控制的性能。人工神经网络理论是近十几年迅速发展起来的门新兴学科。由于其独特的特性，已应用于控制信号分析音处理等多个领域中。在控制领域中，神经网络由于其具有较强的非线性映射自学习适应能力联想记忆能力并行信息处理方式及其优良的容错性能，不同程度和层次上模仿人脑神经系统的信息处理存储和检索功能。这些特性使得神经网络非常适合于复杂系统的建模与控制。特别是当系统存在不确定性因素时，更能体现神经网络方法的优越性。这些都很适合于控制系统中的非线性系统的控制。本文针对在控制领域中应用最广泛的类控制，控制在现代控制越来越高的情况下......”。