本书结合典型机械系统控制的实例，系统地介绍了神经网络控制的基本理论、基本方法和应用技术。本书是作者多年来从事控制系统教学和科研工作的结晶，同时融入了国内外同行近年来所取得的新成果。 全书共分16章，包括绪论、RBF神经网络的设计与仿真、基于梯度下降法的RBF神经网络控制、自适应RBF神经网络控制、RBF神经网络滑模控制、基于模型整体逼近的自适应RBF控制、基于局部逼近的自适应RBF控制、基于RBF神经网络的动态面自适应控制、数字RBF神经网络控制、离散神经网络控制、自适应RBF观测器设计及滑模控制、基于RBF神经网络的反演自适应控制、基于RBF神经网络的自适应容错控制、基于RBF神经网络的自适应量化控制、基于RBF神经网络的控制输出受限控制和基于RBF神经网络的控制方向未知的状态跟踪。每种控制方法都通过MATLAB进行了仿真分析。 本书各部分内容既相互联系又相对独立，读者可根据需要选择学习。本书适用于从事生产过程自动化、计算机应用、机械电子和电气自动化领域的工程技术人员阅读，也可作为大专院校工业自动化、自动控制、机械电子、自动化仪表、计算机应用等专业的教学参考书。

刘金琨 辽宁省大连市瓦房店人，分别于1989年、1994年和1997年获东北大学工学学士、硕士和博士学位。1997─1999年在浙江大学工业控制技术研究所从事博士后研究工作。现为北京航空航天大学控制理论与控制工程专业教授、博士生导师。主要从事智能控制、滑模变结构控制领域的研究和教学工作。自从从事研究工作以来，主持国家自然科学基金等科研项目10余项，发表学术论文100余篇，出版图书10余部。

前言 神经网络控制出现于20世纪80年代，经历了30余年的发展，已形成了一个相对独立的研究分支，成为智能控制系统的一种设计方法，适用于线性与非线性系统、连续与离散系统、确定性与不确定性系统、集中参数与分布参数系统、集中控制与分散控制系统等。 神经网络具有高度并行的结构、强大的学习能力、连续非线性函数逼近能力、容错能力等优点，极大地促进与拓展了神经网络技术在非线性系统辨识与控制中的应用。在实际工业过程中，存在着非线性、未建模动态、不可测噪声以及多环路等问题，这些问题对控制系统设计提出了很大的挑战。 与传统的控制策略相比，神经网络在如下几个方面具有优势。 （1） 神经网络对任意函数都具有学习能力，神经网络的自学习能力可避免在传统自适应控制理论中占有重要地位的复杂数学分析。 （2） 针对传统控制方法不能解决的高度非线性控制问题，多层神经网络的隐含层神经元采用了激活函数，具有非线性映射功能，这种映射可以逼近任意非线性函数，为解决非线性控制问题提供了有效的解决途径。 （3） 传统自适应控制方法需要模型先验信息来设计控制方案，由于神经网络的逼近能力，控制器不需要具体的模型信息。因此，神经网络控制可以被广泛用于解决具有不确定模型的控制问题。 （4） 在神经网络大规模并行处理架构下，网络的某些节点损坏并不影响整个神经网络的整体性能，有效地提高了控制系统的容错性。 有关神经网络控制理论及其工程应用，近年来已有大量的论文发表。作者多年来一直从事智能控制及应用方面的研究和教学工作，为了促进神经网络控制和自动化技术的进步，反映神经网络控制设计与应用中的最新研究成...