无模型自适应控制方法综述，金尚泰，侯忠生，对于复杂的对象来说我们很难得到其可用的数学模型，这就促使我们研究无模型自适应控制方法。该方法的主要特点是仅利用被控对象的

您可以参考我的博客http://adaptivefilterapplications.blogspot.com了解更多信息。 在这个模型中，我们展示了自适应滤波器如何执行和校正对信号的通道影响。 该模型显示了过滤器如何在每次迭代中适应通道。 您可以看到模型屏幕上显示的不同范围，如自适应滤波器权重、消息符号的散点图、滤波器的频率响应......它向您展示了结果：滤波器如何逐渐根据通道改变其权重。 更重要的是，它对分析和研究非常有用。 如果您想进行任何特定的应用程序，您可以进行分析，例如，哪种算法，步长的值应该是多少等等。 谢谢大家..总是欢迎您提出宝贵的建议...继续发布！！

云模型的自适应粒子群算法，将云模型应用于自适应粒子群算法中，这是其源代码

1.针对一类参数未知的非线性离散时间动态系统，提出了一种新的基于神经网络的MMAC方法。首先，将系统分为线性部分和非线性部分。针对系统线性部分采用局部化方法逮立多个固定模型覆盖系统的参数范围，在此基础上，建立自适应模型来提高系统性能；针对系统非线性部分建立非线性神经网络预测模型来邏近系统的非线性。然后，针对每个子模型设计相应的擅制器。最后，设计基于误差范数形式的性能指标函数对控制器进行硬切换。仿真结果表明，所提出的MMAC方法与传统的在参数空间均匀分布的MMAC方法相比能显著提高非线性系统的暂态性能。

传统的带式输送机多采用PID控制,而带式输送机在运行过程中由于负载和环境参数的变化而呈现不确定性;同时,电机速度过程本身具有非线性,所以难以辨识其动态过程的模型参数并构建系统的数学模型,传统的方法不能达到理想的控制效果.提出采用无模型自适应控制(MFAC)方法对带式输送机从启动到稳定运行,以及加载后的整个运行状态进行追踪控制.结果证明,与PID相比该方法追踪效果较好,同时误差波动较小.

无模型自适应控制的硕士论文，详细介绍了无模型自适应控制的原理与控制率和参数辨识的方法。

本代码为紧格式无模型自适应控制的C代码实现，通过阶跃信号的跟踪，体现无模型自适应控制的跟踪性能、控制性能

无模型非建模自适应控制器与PID调节器的性能比较分析与仿真研究

无模型自适应控制

针对模型未知的多机械臂系统，利用多个独立的 ＲＢＦ神经网络，对每个子机械臂系统进行逼近，基于图论原理定义了每个子系统之间的同步耦合关系，结合滑模控制方法设计出一种机械臂无模型自适应同步控制器。通过神经网络权值的不断在线迭代过程，随机械臂工作任务的变化可以实现对其动力学模型的实时逼近，摆 脱 了 数学模型的限制，扩大了控制器的应用范围，在初始误差较大的情况下也可以保证对期望轨迹实现快速跟踪，并且系统在载荷发生改变等不确定的情况下依然能够实现同步，提高了控制器的鲁棒性。最 后 通 过 Ｌｙａｐｕｎｏｖ稳 定 性 分析和 Ｍａｔｌａｂ仿真对所设计的同步控制器进行了验证