形状记忆合金(SMA)是一种新型的金属性智能材料，它独特的形状记忆效应，以及其良好的机械性能近年来引起广泛关注，并在很多领域都有广阔的应用前景。形状记忆合金中，铜合金的形变是相当可观的，因为其可能的应变单晶体变形可达到12％。此外，一旦将形状记忆合金小型化，其形变时间系数可以减少到满足实际工程应用的要求。可用于如人工肌肉、位置调节器等。然而，这种材料呈现出迟滞现象，严重影响了形状记忆合金驱动器的推广和使用，并使控制变得复杂。更糟的是，材料的老化特性严重能影响了记忆合金的性能。本文以形状记忆合金中存在的迟滞现象作为研究对象，建立了数学模型，设计神经网络结构及其学习算法，并构建了基于神经网络的非线性迟滞环的逼近插值仿真系统。介绍了形状记忆合金中形变迟滞模型的选择，简单描述了每个模型的特点和优缺点，采用了Preisach模型捕捉材料的形变迟滞行为。详细介绍了Preisach模型的特性，对本文研究的适用性。给出了此模型的几何表达方式和数字表达式。引入了记忆距阵解决系统多变量系统的输入问题。分析了Preisach模型中第一下降曲线(FODs)测量和计算的问题，提出了本文解决问题的方案。采用高斯径向基神经网络，并选取相应的学习算法自动调整神经网络中神经元的数量和分布，分离了非线型部分的计算，确定一个基于神经网络非线性模型，结合Preisach模型仿真形状记忆合金的迟滞特性。提出了用Everett函数解决Preisach平面三角形计算和插值问题。降低了问题的复杂性，减少了双积分计算难度，解决了非线性插值问题和曲线拟合问题。使用神经网络实现开环控制，使形变迟滞的识别得到顺利的求解。通过计算机仿真实验验证了这一方法的可行性，并节省了大量现场实验测试时间，实现了良好的识别效果。仿真系统和模型于2007年4月通过了法国高等工程师院校LPMM实验室的验收，得到了实验室工程人员的一致好评。