针对传统机器人关节控制算法跟踪精度低、鲁棒性差的缺点,基于自适应神经网络提出了一种机器人关节轨迹跟踪算法。算法由自适应神经网络和在线学习反馈模块组成,自适应神经网络将自适应函数同神经网络结合,提高了神经网络训练准确性。同时通过在线学习反馈模块实时更新非线性基函数的内部权值,以进一步减小跟踪误差。再采用时间尺度分离减少了神经网络和在线学习的耦合误差,使得内部权重低于输出层权重的更新速度,从而使模型结构能够迅速适应未知的动态变化与干扰。仿真实验表明,所提算法与对比算法相比误差值要低约60%,说明了该算法可以提高机器人轨迹跟踪精度,降低误差。

挖掘机液压系统具有强烈的非线性,现有挖掘机控制普遍采用基于模型的控制方法,需要建立精确的挖掘机模型,成本过高且控制效果差。因此,提出了一种基于回声状态网络的液压挖掘机位置在线学习控制方法,建立了在线学习基本模型,该模型包含2个回声状态网络、1个学习目标的逆和1个基于学习目标逆生成的控制输入,在对其进一步优化后,提出了在线学习优化模型。以正弦信号为参考轨迹,对基础模型和优化模型进行了仿真研究,搭建了挖掘机控制试验装置,分别开展了单关节运动、多关节运动和实际挖掘运动实验,结果表明:采用在线学习控制方法后,挖掘机位置控制精度明显提高,其均方根误差降低占比超过50%,证明了所提出控制方法的性能和可行性。

该文将小脑模型连接控制器（CMAC）神经网络与常规PID控制并行应用于液压伺服系统中，这种并行控制算法可以有效地解决由于液压油的压缩性与泄漏，静摩擦的存在等因素引起的非线性液压系统的跟踪问题。仿真实验结果表明，经过CMAC神经网络对常规PID控制器的输出的不断在线学习，系统能够有效抑制扰动，并具有实时性好，输出误差小，鲁棒性强等优点。

将模型参考控制和重复控制相结合应用到多通道电液力同步加载系统中，提出了一种在线学习控制的新方法。分析了系统前向加载通道模型，并给出了算法的计算机实现。试验表明：该控制策略提高了系统的自适应能力，满足同步跟随精度的同时缩短了实验周期，具有较好的应用前景。

文中提出了一种基于神经网络的在线自学习模糊自适应控制策略,控制器的设计不依赖于系统的先验知识,控制参数的调整是结合模糊控制,利用反馈误差学习算法实现.该方法应用于二次调节速度控制试验台,并取得优良的控制效果.

为了实现液压泵自动故障预警，提出了一种基于在线单类支持向量机的新方法．与离线单类支持向量机不同，该方法可根据输入样本的变化不断地及时调整自由参数，实现持续学习．同时提出了一种在线检测奇异值的鲁棒性算法．最后，从液压泵振动信号的时域信息中提取诊断特征参数，组成最小诊断参数组合，建立了液压泵在线故障预警系统，并进行了仿真研究．

针对液压系统普遍存在严重非线性和不确定因素，难以建立精确数学模型实现满意控制效果的现实，提出一种采用模糊逆模预测补偿与常规PI控制器相结合的控制策略。用快速模糊聚类算法根据系统的输入输出数据关系进行建模，用常规控制器结合逆模预测补偿环节来进行控制。为了提升控制品质，利用当前数据对已建立的模糊模型进行在线学习调整。实验结果表明了该控制方案的可行性和有效性。