随着航天技术的发展,对卫星姿态和轨道控制的可靠性和稳态精度的要求越来越高。针对该领域中被控对象结构复杂,非线性严重等特点,提出了神经网络和预测控制相结合的方法,对卫星姿态仿真系统进行了建模与控制。RBF神经网络因其输出对权值的线性关系,更适于系统辨识和控制。在实验中提出了一种最邻近聚类学习方法,从而解决了k-聚类法必须预先指定隐层神经元数的问题;同时,权值的调整和控制器的设计均基于所选择的Lyapunov函数,所以能保证闭环系统的稳定性以及权值和误差信号的有界性。 首先,根据过程实测的输入输出数据,将实际对象输出的过去值包含进RBF网络的输入层,从而得到一动态神经网络,作为控制中非线性系统的预测模型。并且提出了一种在线自适应跟踪辨识方法,既利用了系统的已知规律,提高了辨识的可靠性,又使得网络结构不必过于庞大,改善了实时性。进而,在这个动态神经网络的基础上,设计了基于神经网络的非线性预测控制方案。主要介绍神经网络内模控制,阐述了内模控制器的设计,并采用了对象-正模型-逆系统的实现方法,取得了很明显的<WP=4>效果。最后,将上述的神经网络内模控制应用于气浮台仿真系统,实验证明该方法对于非线性时变系统切实可行、效果良好,具有较强的鲁棒性,对今后的应用具有一定的指导意义。