对于执行重复跟踪任务的被控对象,迭代学习控制利用先前的控制经验对当前控制输入信号进行修正,可实现系统在有限时间区间上的完全跟踪性能。迭代学习控制本质上适用于具有强非线性、难精确建模的被控对象。从学习角度看,现有的诸多“学习逼近”方法的被学习量大多为定常参数,迭代学习方法的被学习量为空间中不随迭代变化的时间轨迹,可解决有限时间区间上的时变参数估计问题。本文探讨非线性时变系统的模糊迭代学习辨识与控制方法,给出用于时变参数估计的学习算法。本文的主要工作包括以下几个方面:1.针对一类非线性时变系统,讨论模糊逼近误差对系统跟踪误差收敛性的影响,给出基于Lyapunov-like方法的直接、间接模糊迭代学习控制器设计。直接方法将时变模糊系统作为理想控制的逼近器,间接方法将时变模糊系统作为非线性时变函数的逼近器。控制器设计时,模糊系统中的时变参数更新均以迭代学习方式进行,同时采用符号函数、饱和函数和界估计法消除模糊逼近误差的影响。所设计的控制器保证闭环系统所有信号有界,且系统跟踪误差的沿迭代轴收敛。数值仿真验证直接、间接方法的有效性。2.考虑任意初始定位误差条件下的一类二阶非线性时变系统,设计直接、间接模糊迭代学习控制器,实现系统输出在预先指定时间内的完全跟踪性能。本文引入终态滑模设计边界层,采用时变模糊系统作为理想控制、非线性时变函数的逼近器。控制算法保证闭环系统所有信号有界,亦保证跟踪误差在预先指定时间内收敛于零。数值仿真验证终态滑模方法的有效性。3.针对一类离散非线性时变系统,本文利用时变模糊系统进行非线性时变系统建模,提出以迭代学习方式更新模糊时变参数的带死区迭代学习最小二乘算法。为保证算法收敛速度不过快下降,进一步提出协方差阵可重调的改进算法。辨识算法保证估计误差在有限时间区间上沿迭代轴逐点收敛于原点的领域中,数值仿真验证所提算法的有效性和收敛性。