深度学习目前依靠大数据和强算力取得了较大进展，但在样本受限情况下的表现差强人意，主要问题在于函数空间(簇)的建构和在数据集受限情况下算法的设计。据此，本文对受限样本下的深度学习进行了分类综述。另外，从目前对大脑的研究来看，人的认知过程在大脑中是分区域的，每个区域担负的功能是不同的，对每个区域功能的学习过程也应该是有差异的。因此，提出了“功能进阶”式的深度学习的设想，试图构建分区分层多种功能模块组成的网络结构，研究“进阶”式的功能模块训练方法，以期探求“仿人学习”的新路径。

随着机械臂技术的不断发展，传统刚性机械臂逐渐难以满足一些新式机械臂系统在轻质化、运动灵活性、大空间范围等方面的需求，如空间机械臂、手术机械臂、人机交互式机械臂等。越来越多的研究人员将目光投向柔性机械臂及其高精度运动控制方法的研究中。针对此类系统，目前已经有一些有效的运动控制方法被提出。然而，当机械臂的某一驱动器发生故障后，常规的控制方法难以保证原有的控制性能，甚至可能导致系统不稳定。研究驱动器故障影响下的柔性机械臂运动控制方法具有重要的理论意义和应用前景。本文首先概述柔性机械臂已有的运动控制方法。然后，从驱动器故障的类型出发，分析并综述驱动器性能故障、驱动器完全损坏故障以及驱动器突发故障对系统的影响及其克服方法的研究现状。最后，本文讨论了当前驱动器故障影响下柔性机械臂运动控制还需进一步解决的关键问题，总结了三点前景方向，对柔性机械臂运动控制的进一步研究具有一定的参考价值。

自适应动态规划 (Adaptive Dynamic Programming, ADP) 作为最优控制领域的研究热点，其在能量管理系统 (Energy Management System, EMS)领域中有着广泛的应用。ADP算法是通过系统输入输出数据自适应调整控制策略实现优化控制, 尤其在解决复杂非线性系统最优控制问题方面具有强大优势。本文介绍了ADP算法的研究进展及其在EMS领域的应用，分析了该算法在离散EMS和连续EMS的研究现状和算法实现方式，并介绍了实时自适应动态规划 (Real-time Adaptive Dynamic Programming, RT-ADP)算法及其应用的可行性。

针对具有输入饱和的主动式悬架系统，通过利用所构建的仿生参考模型的非线性刚度和阻尼，设计了一种新颖的饱和PD−滑模控制方法(饱和PD-SMC方法)。所设计的控制方法具有以下几个优点：具有PD控制方法的简单结构；具有SMC方法针对模型不确定性和外部干扰的强鲁棒性；不需要传统SMC方法所要求的精确系统参数；同时充分考虑输入饱和的影响。在所设计的控制方法中，PD部分用于保证主动式悬架系统的稳定，SMC部分用于提供强鲁棒性，并引入饱和函数防止控制输入超过约束范围。利用李雅普诺夫方法保证了相应的稳定性分析。从多个实验结果可以看出，与现有的控制方法相比，所设计的控制方法显著提高了暂态性能，并节省了30.65%的控制能量。

作为高铁系统研究的重点问题之一，列车运行控制在降低列车运行能耗以及提升铁路运营效率等方面具有重要的意义。针对单列车在多个站点间的运行控制问题，提出一种基于对称交替方向乘子法的单列车最优运行控制方案。以旅客乘坐舒适度、列车运行能耗以及列车准点到站作为优化目标，将列车运行动力学方程、站点发车时间、列车运行速度和列车牵引力限制等作为约束条件，构建了列车最优运行控制模型。在对称交替方向乘子法的框架下，将原最优控制问题转化成为2个独立的子问题，并引入交替求解的机制，获得原问题的最优解。数值仿真表明对称交替方向乘子法相比交替方向乘子法能够在较少迭代步数内求解获得列车的最优控制序列，验证了算法的有效性。

针对一类模态受限的线性跳变系统，研究基于时变发射概率方法的非同步控制问题。首先，考虑外界环境因素导致实际系统产生参数、结构变化的现象，引入semi-Markov跳变系统模型描述此类线性跳变系统的状态变化。考虑系统的模态受限现象，使用隐semi-Markov转移概率模型与时变发射概率模型分别描述系统的模态变化以及系统与控制器之间的模态关系。然后，构造非同步静态输出反馈控制器以保障系统的稳定运行。此外，基于Lyapunov稳定性理论与线性矩阵不等式方法，给出闭环线性跳变系统的随机稳定性条件以及控制器存在条件。与传统的基于时不变发射概率的非同步控制方法相比，本文所提的非同步静态输出反馈控制策略能够极大地降低保守性。最后，通过数值仿真算例验证所提非同步静态输出反馈控制器的有效性与正确性。

近年来，无人自主飞行器在军事和民用的众多领域引起了人们的关注，而其轨迹跟踪任务一直是一个热门研究课题。本文提出了一种鲁棒滑模控制，用于控制四旋翼无人机在存在扰动和参数不确定的情况下进行三维轨迹跟踪。首先，建立了一个具有6个方位的四旋翼飞行器的非线性动力学模型。然后，设计了针对质量、惯性和刚度不确定因素的滑模控制器。通过在Matlab Simulink和Universal Mechanism软件系统中进行建模模拟，验证了控制器的三维跟踪效果。最后，使用Pelican四旋翼平台进行了进一步的实验验证，在水平和垂直轴上施加扰动以验证其鲁棒性。仿真和实物验证结果都表明，四旋翼飞行器对特定轨迹的跟踪效果和鲁棒性是令人满意的，证实了所提出的滑模控制算法的正确性和有效性。

针对绿色带容量的车辆路径问题(Green Capacitated Vehicle Routing Problem, GCVRP)，建立了以最小化总运费为优化目标的混合整数规划(Mixed Integer Programming,MIP)模型，并提出一种改进拉格朗日松弛算法(Improved Lagrange Relaxation Algorithm, ILRA)进行求解。首先，通过拉格朗日松弛技术得到原问题的对偶问题，并运用次梯度法求解对偶问题获得原问题的下界；然后针对下界设计修复算法和邻域搜索算法获得原问题的上界，进而更新乘子迭代求解；最后进行仿真实验，实验结果表明：在相同实验环境下对19个不同规模算例进行10次测试，ILRA求取MIP的上下界平均间隙为7.61%，而Gurobi求解器求取的平均间隙为15.47%。可见，相较于Gurobi求解器，ILRA能够高效获得GCVRP的高质量解。

随着工业互联网的发展，为避免网络拥塞，控制系统正在由时间触发向事件触发控制方向发展。本文针对一类多速率工业过程，将模型预测控制与提升技术和事件触发技术相结合，提出了事件触发机制下的多速率模型预测控制方法。该方法首先采用提升技术解决多速率问题，进而采用模型预测控制(Model Predictive Control, MPC)方法设计控制器以跟踪设定值；在此基础上，设计保证系统稳定的事件触发机制，使控制器仅在违反触发机制时更新。通过对典型工业磨矿过程仿真实验来验证本文所提方法的有效性，结果表明所提方法能够有效减少信道资源的占用和计算负载,为工业互联网环境下工业过程控制器设计提供了新的方法。

为研究受到虚假数据注入攻击的单输入单输出非线性多智能体系统的分布式无模型自适应控制问题，提出了一种新的分布式动态线性化方法, 以获得非线性多智能体的等效线性数据模型。与现有多智能体的分布式无模型自适应控制在控制器设计中有所不同, 本文设计的控制器不需要网络拓扑结构的信息, 仅使用系统的输入输出数据。仿真算例验证了所提出的分布式无模型自适应控制算法可以实现多智能体系统的均方有界趋同控制。算法保证了多智能体系统在受到网络攻击时可以实现趋同控制目标。

针对现有的双永磁同步电机协调控制方法无法兼顾扰动抑制和协调控制精度的问题，研究具有不确定性和非匹配扰动的双永磁同步电机系统协调控制。首先，基于系统不确定性和非匹配扰动，建立双电机系统的数学模型；其次，将交叉耦合控制与传统PI控制相结合，得到协调控制模型；再次，提出一种基于干扰观测器的积分滑模方法设计协调控制器，以有效抑制系统的非匹配扰动；最后，在基于dSPACE的多电机实验平台进行半实物仿真实验。实验结果表明，该方法能有效提高系统在启动和负载突变时的转速同步和转矩同步性能。

提出了一种基于距离和速度的机器人之间的避障方法，通过与机器人避开障碍物的人工势场法相结合，建立一致性控制编队控制协议。首先，建立机器人之间的通信拓扑关系，以便机器人之间的信息交流。在编队控制层面上，设计具有避碰的编队控制律。然后，在编队跟踪层面上，运用模型预测控制方法，将编队误差运动问题按代价函数转化为最小优化问题。为了在线高效地求解该优化问题，运用了一种广义投影神经网络优化的方法，以便最优解作为控制输入。最后，对多移动机器人编队进行了仿真，验证了所提出策略的有效性。

针对一类多速率多智能体系统，研究在事件触发机制下的非脆弱H_∞一致性控制问题。为了更符合实际需要，采用多速率采样策略，并通过提升技术将多速率采样转化为单速率采样。考虑到智能体间的通信负担，引入事件触发机制来减少智能体间的通信次数。此外，考虑到控制器在执行过程中可能出现的不精确性，本文设计一种可以容忍执行过程中变化/波动的控制器。综上，本文的目的是设计一种基于观测器的事件触发非脆弱控制器来实现多智能体系统的H_∞一致性控制。利用线性矩阵不等式技术，得到使系统满足H_∞一致性控制的充分条件，然后设计控制器参数。最后，为了说明事件触发控制方法的有效性，给出一个数值仿真实例。

针对传统矢量控制策略在保持系统动态性能的基础上无法消除系统扰动的问题，为进一步提高系统的控制精度及抗扰能力，提出了一种基于扩张状态观测器(Extended State Observer, ESO)的连续螺旋滑模控制(Continuous Twisting Sliding Mode Control, CTSMC)方法。首先，该方法以双闭环矢量控制结构为基础，在转速环部分采用连续螺旋控制方法，与传统控制方法相比，可以将误差收敛到一定的区域，不仅提高了负载扰动的鲁棒性，还有效减少了系统的抖振。其次，在此控制器的基础上加入扩张状态观测器，估计系统的总扰动，并将此信号用于前馈补偿，以进一步提高系统的动态性能。最后，利用Lyapunov稳定性理论进行了闭环稳定性分析。通过仿真和实验，验证了基于扩张状态观测器的连续螺旋滑模控制方法的正确性及可行性。

注塑机作为现代工业中重要的塑料件生产与制造设备，其智能化发展一直备受业界关注。伴随着航空航天、电力电子、汽车制造等行业的发展，如何实现对注塑件的高精度、高效率、绿色节能化生产，是目前注塑机的重要研制方向。本文针对注塑成型过程中采用传统模型预测控制(Model Predictive Control, MPC)难以保证跟踪控制实时性的问题，提出一种结合深度神经网络(Deep Neural Network, DNN)学习的注塑过程预测控制方法。在注塑机注射过程动力学模型基础上，创建带约束条件的模型预测控制器，对控制器运行数据进行采集并用以训练深度神经网络，实现了基于深度神经网络控制的注射速度的跟踪预测控制。仿真实验结果表明，采用本文所提出的学习预测控制策略能够有效避免注塑过程中因模型预测控制所产生的复杂计算，并满足工业实时性要求，具有应用前景。

基于任意切换规则，以一类非线性不确定随机切换系统为研究对象，提出了一种具有时变全状态约束的自适应神经网络控制方案。在控制研究的过程中，采用神经网络对系统中的不确定项进行逼近处理。为了解决系统的约束问题，采用坐标变换技术，保证系统的所有状态均在约束界内，给出了闭环系统稳定性和收敛性的充分判据。最后的仿真实验表明所提出的控制策略能够达到较好的控制效果。本文所设计的控制策略大大提高了系统工作时的安全性。

研究了一类不确定大规模非线性系统的分散自适应事件触发漏斗控制问题。首先，利用一个新的带有障碍李雅普诺夫函数的漏斗控制方法，构造了一种自适应分散漏斗控制器，以实现给定瞬态行为的输出跟踪。其次，为了解决控制器设计中的互联项问题，引入了一个辅助非线性函数。同时，将命令滤波技术应用到反步设计中，避免了反步过程中的“复杂性爆炸”问题。此外，还设计了一种事件触发机制，以减少控制器和执行器之间不必要的传输，从而提高资源效率。结果表明，所提出的控制方案能保证闭环系统的所有信号都是有界的，并且跟踪误差总是在漏斗中演化。最后，通过一个数值系统验证了该控制方法的有效性。