模式识别与控制的结合使得基于模式的控制受到越来越多学者的关注和研究。研究表明,基于模式的学习和控制可广泛应用于多个领域,如机器人运动控制,电力系统安全评估和控制等。长期以来,科学家们一直对人类在未知环境中优秀的学习、识别和控制能力感到好奇。最近更有实验表明人类运动的各级协调控制与动态模式相关,这表明基于模式的学习和控制机制可用于描述人工控制的熟练程度。目前有关基于模式的学习和控制能力的成果较少,其主要原因在于这种能力需要一个严格定义的动态模式,且需有效解决动态模式的表达,快速识别和分类。而这些问题在传统的模式识别领域通常难以有效解决。近年来,有学者提出一种确定学习理论,用于解决动态模式的建模及特征提取问题,并提出了对动态模式的系统动态进行局部准确建模的方法；在此基础上提出了动态模式全息特征提取方法；同时提出基于动态模式在系统动态上差异的相似性定义,以及基于识别误差系统稳定性分析的动态模式快速识别方法。基于模式的控制结构与多模型自适应控制系统相似。在多模型自适应控制中,首先根据参数未知的被控对象确定多个候选模型集合,并预先设计相应的多个稳定控制器集合。当控制环境改变时,通过设计一类性能指标判断哪一个候选模型与当前模型最为接近,则相应的控制器被用作当前系统的输入。研究表明,多模型自适应控制可有效改善动态系统的瞬态性能,尤其有助于结合不同控制器的优势,在保证稳定性的同时提高系统系能。然而,传统的多模型自适应控制仍然存在很多缺陷,如研究成果多局限于线性时不变系统,多模型个数随系统参数的维数指数增长,通常需要定义容许的切换序列来避免频繁切换的发生,切换导致了控制信号的不连续等。本文在确定学习理论基础上,研究一种可用于非线性系统的多模型控制新方法基于模式的控制方法,用于对动态环境下的复杂非线性系统的快速决策与控制。本文主要研究三个方面的内容：1,研究一类空间机械臂系统基于参考任务模式的控制方法；2,针对一类简单非线性系统,采用平均驻留时间方法,研究这类简单非线性系统基于闭环模式的控制系统的稳定性问题；3,针对更为一般的非线性系统,基于确定性学习理论,研究这类非线性系统基于闭环模式的控制方法。第一,研究一类空间机械臂系统的基于参考任务模式的控制方法。首先在训练阶段,基于确定性学习理论设计自适应神经网络控制器使机械臂系统跟踪不同的任务模式,得到对应于不同的任务模式的一系列空间机械臂闭环动态的局部准确神经网络建模,并利用这些模型构造对应不同任务模式的常值神经网络控制器。其次,在测试阶段,首先快速识别出任务模式,然后调用相应的常值神经网络控制器实现对空间机械臂系统的基于参考模式的控制。理论证明基于模式的控制方法可提高机械臂闭环系统的控制性能,并可避免频繁切换。文章的理论结果最后在空间机械臂中得到了仿真验证。第二,以一类简单非线性系统为例,初步研究非线性系统基于闭环模式的控制方法。非线性系统基于闭环模式控制的难点在于非线性系统闭环辨识问题。而确定学习理论可实现对非线性系统(包括闭环非线性控制系统)的局部准确建模。因而,基于确定学习,首先针对这类简单非线性系统,讨论了其在系统参数改变时(对应不同子系统动态)达到稳定性的条件。研究表明采用一类切换信号,该切换信号若满足平均驻留时间性质,即在有限时间区间内的切换次数有限且两次相邻切换的平均时间不小于一个常数,则在这类切换信号下,基于模式的系统在动态环境下仍然指数稳定,且神经网络经验控制器可实现较好的控制性能。其中,容许的最小驻留时间可由多李雅普诺函数法得到。第三,研究一类一般非线性系统基于闭环模式的控制方法,其中的仿射项是关于状态的未知函数。这类非线性系统在遭受到参数或系统动态的突然改变时形成了多个Brunovsky系统,而未知仿射项的存在使得对闭环控制情形的识别以及基于模式的控制的稳定性分析变得困难。为了克服这些困难,首先在辨识阶段,当系统在各种控制情形下运行时(无论是正常还是非正常的控制条件),设计自适应NN控制器保证闭环系统的稳定性和跟踪性能,从而可得到闭环控制系统动态的局部准确建模,同时将建模所得到的控制系统动态存储于常值RBF网络中,利用这些存储的常RBF网络可构造出一系列常值NN控制器；其次,仍然在辨识阶段但是控制情形发生改变时,即被控对象由正常控制条件下的常值NN控制器控制,系统运行的外部环境发生了发生了改变(称为非正常控制条件),此时对潜在的系统动态进行辨识,所辨识的非正常控制条件的系统动态存储于另一个常值的RBF网络；第三,在对不同控制情形的识别阶段,利用第二步中辨识得到的非正常控制条件的系统动态构造估计器。在相同的控制情形重现时,重现的控制情形可通过动态模式识别机制得到快速识别。最后,在基于模式的控制阶段,根据识别结果选择相应的常值NN控制器。共同李雅普诺夫函数法作为一种有效的分析工具,用于对基于模式的控制进行稳定性分析。与非线性系统多模型自适应控制相比,所提出的基于模式的控制方法具有如下特点：由于采用确定学习实现了多个模型的闭环动态的局部准确建模,因而减少了多模型自适应控制中不必要的模型数目；当控制情形重现时,采用动态模式快速识别方法可用于选择”准确”的模型,而不是多模型自适应控制中最”接近”的模型；能够切换到正确的模型自然保证了稳定性以及控制性能的提高。本文的研究表明基于模式的控制可为动态环境中的快速决策与控制提供一种新的研究思路和方法。