基于神經(jīng)網(wǎng)絡的模型參考自適應控制既具有神經(jīng)網(wǎng)絡的自適應和自學習能力，又提高了控制的魯棒性和實時性，因此得到了廣泛應用并取得了不少研究成果。但由于傳統(tǒng)神經(jīng)網(wǎng)絡控制器采用BP學習算法，存在著收斂速度慢，易陷入局部極小等問題，影響了該模型的進一步應用?；诖耍疚膶鹘y(tǒng)BP學習算法進行改進，并將此應用到模型參考自適應控制神經(jīng)網(wǎng)絡控制器的設計中，和數(shù)字鎖相環(huán)控制組成復合控制，對感應加熱電源進行控制，仿真結(jié)果表明該算法是十分有效的。主要研究內(nèi)容如下：

　?。?） 提出了改進的分層遞階BP（HBP）和改進的雙向權值調(diào)整兩種學習算法。HBP網(wǎng)絡結(jié)構(gòu)被劃分為多個單獨的BP網(wǎng)絡，每個BP網(wǎng)絡分別用單獨的學習速率和誤差來訓練權值。通過應用HBP算法在非線性系統(tǒng)辨識中進行仿真，證明了該方法的有效性和可行性。改進的雙向權值調(diào)整學習算法是單隱層神經(jīng)網(wǎng)絡結(jié)構(gòu)，將神經(jīng)網(wǎng)絡權值的調(diào)整分成兩個階段：正向階段調(diào)整隱含層到輸出層的權值，反向階段調(diào)整輸入層到隱含層的權值。這樣構(gòu)建的網(wǎng)絡結(jié)構(gòu)簡單，彌補了傳統(tǒng)BP算法的不足。

　　（2） 基于改進的HBP算法，提出了應用HBP算法訓練RBF網(wǎng)絡連接權的改進RBF神經(jīng)網(wǎng)絡，仿真結(jié)果表明該算法能有效提高了RBF網(wǎng)絡的性能和訓練速率。

　?。?） 通過采用改進雙向權值調(diào)整學習的BP學習算法完成對被控對象的辨識，改進RBF神經(jīng)網(wǎng)絡訓練控制器參數(shù)，學習速率自調(diào)整的BP算法訓練自適應濾波器，提出改進的神經(jīng)網(wǎng)絡模型參考自適應控制器。通過對該系統(tǒng)仿真，結(jié)果表明該控制方法是可行的和有效的。