纳米级精度微位移驱动与控制通常使用压电陶瓷驱动器驱动柔性机构来实现。但是压电陶瓷驱动器行程较小，需要使用柔性放大机构对其位移进行放大，并且压电陶瓷驱动器存在蠕变和迟滞等非线性特性，而这些非线性特性极大影响了其输出位移经放大机构放大后的运动精度。针对以上两点，将传统桥式机构的4条桥臂用Scott-Russell机构代替，设计了一种新型柔性放大机构。同时,采用基于动力学逆模型前馈控制与PID反馈控制相结合的复合控制策略，提升放大机构的控制带宽和运动精度。实验结果表明，复合控制策略在1 Hz输入频率下的均方根跟踪误差相较传统PID反馈控制降低了33%，在10 Hz下降低了73%，说明了基于动力学逆模型前馈控制同PID反馈控制相结合的复合控制能够大幅度提高放大机构的跟踪精度。

压电陶瓷驱动的快速反射镜具有优良的动态性能, 能够满足高精度定位的任务需求, 但其固有的迟滞特性严重影响了其性能的进一步提高。基于PLAY算子的迟滞数学模型具有结构简单、便于数学求解、模型精度较高的优点, 但模型参数需要通过系统辨识得到, 并且其逆模型参数辨识存在物理量不易获得、误差较大的不利条件。利用几何法, 提出了一种求解PI逆模型参数的算法。实验证明该算法动态性能好、模型精度较高, 同时基于该算法的PI逆模型前馈控制较好地解决了压电陶瓷驱动的快反镜迟滞效应补偿问题。

为实现光机结构、集成电路等领域中大行程及高精度的位移控制，利用较为适用的非共振式尺蠖型压电直线电机，基于高压功率运算放大器，设计了非共振式压电直线电机的精密复合放大驱动电路，通过理论分析及实验得到的伯德图验证了驱动电路的分辨率和幅频特性。以现场可编程门阵列(FPGA)为核心处理器，以光栅尺为反馈元件，通过分析非共振式压电直线电机的多种运行模式，根据直线电机的运行时序，设计完成了开环大范围整步运行模式与闭环小范围单步运行模式相结合的控制策略，在单步运行模式中分别设计完成了PID控制算法及PID与压电陶瓷迟滞逆模型前馈相结合的复合控制算法。实验结果表明，该控制策略能够实现大行程内的精密位移控制，复合控制算法具有比PID更加优越的控制效果，能够在21 mm大行程内实现1.5 nm的闭环定位控制精度，直线电机的最大驱动力可达300N，满足大行程高精度位移控制的应用需求。

针对超磁致伸缩驱动器(GMA)存在复杂的磁滞非线性易降低系统性能,导致系统不稳定的问题,建立了可以精确描述磁滞现象的模型并提出了合适的驱动控制方法。首先,基于Prandtl-Ishlinskii(PI)模型对GMA磁滞建模, 并采用最小均方法(LMS)进行模型参数辨识, 模型预测误差为0.037 9 μm。接着, 通过对PI模型解析求逆进行实时补偿控制, 从而有效减小磁滞误差, 补偿控制误差为0.309 μm。实验结果证明, PI模型可以精确描述GMA磁滞现象, 且具有计算简单, 磁滞跟踪能力强的优点。基于该模型的实时磁滞补偿控制方法可以有效减小磁滞误差, 提高GMA实时驱动定位控制精度, 是实现GMA精密驱动控制的一种有效方法。

考虑基于传统的介电常数法动态测量原油含水率时存在多变量交叉敏感性, 检测精度无法满足石油生产实时优化控制的需要, 研究了利用多传感技术对存在交叉耦合的多敏感参量进行测量, 提出了一种基于多维数据驱动的遗传优化小波神经网络逆模型及其辨识方法。该模型克服了传统神经网络初始参数随机选取的盲目性, 具有全局优化和复杂非线性自学习性能, 摒弃了多影响因素之间的交叉敏感性。仿真和实验结果表明了该模型的有效性, 其模型预测值与实验标定值之间的相关系数为0.999 6, 优于BP-NN模型。该方法具有较强的泛化能力和鲁棒性, 有效抑制了温度、矿化度等多参量交叉敏感性及传感器自身非线性对测量精度的影响, 改善了多传感器系统的非线性动态特性和检测精度。

为了补偿影响压电陶瓷执行器纳米定位系统精度的迟滞非线性，提高系统的控制精度，开展了基于压电陶瓷执行器的迟滞非线性逆模型的研究。兼顾到迟滞的擦除特性和建模的精确度，提出了一种Preisach逆模型分类排序法的神经网络实现方法，用神经网络取代了传统的反查值方法，以避免插值误差。建立三层BP神经网络，运用实测数据进行训练，确定各层权值；然后，结合排序得到的电压和位移极值信息，通过神经网络方法拟合出较精确的输入电压值。运用若干组实验数据检验了此逆模型的有效性，结果表明，该神经网络的实现方法将逆模型的平均误差降低到了1.5 V以下，最大误差绝对值降低到了2.7 V以下。与反查值方法相比，神经网络实现方法有效提高了压电陶瓷执行器纳米定位系统的迟滞逆模型的精度。

目前的高光谱亚像元目标探测算法主要是利用线性混合模型,在背景端元光谱已知的前提下,构造一定的检测算子逐像元判定是否含有亚像元目标。该算法需要较为精确的背景端元光谱先验信息,且目标探测结果受背景复杂度影响较大。从光谱维数据分析的角度出发,将逆模型偏最小二乘法(ILS)和马氏距离奇异值检测方法相结合进行亚像元小目标探测研究。首先建立目标光谱与像元光谱的逆模型,并对像元光谱与目标光谱进行正交变换预处理(SNV),再利用偏最小二乘算法(PLS)计算逆模型的回归系数向量,从而将多维的光谱信息降维,并突出目标光谱信息,最后计算各像元回归系数的马氏距离,判定马氏距离大于3σ的系数所对应的像元点为含有亚像元目标的像元点。该方法仅需要目标光谱的先验信息,对背景的复杂度不敏感。文章采用AVIRIS仿真数据将上述方法与常用的正交子空间投影算法(OSP)的计算结果进行比较,通过比较不同算法的受试者工作特征曲线(ROC)以及信噪比(SNR)变化曲线,证实了该算法具有较快的运算速度和较高的目标探测性能。

提出了基于内积的压电陶瓷动态神经网络非线性、非光滑迟滞逆模型,采用反馈误差学习方法,快速地在线得到压电陶瓷的逆模型,避免了通过正模型求取压电陶瓷的Jacobian信息。结合PID反馈控制,在dSPACE系统平台上实现了压电陶瓷的神经网络自适应逆控制。为提高实时性,采用了效率高、速度快的C-MEX S Function编程。实验结果表明:神经网络自适应逆控制的控制精度为0.13μm,而PID控制精度为0.32μm。所提出方法有效地消除了迟滞的影响,控制精度高。

针对超磁致伸缩执行器(GMA)的非线性迟滞,研究了开环条件下采用Preisach逆模型对参考轨迹实现精密跟踪的补偿方法.简要介绍了经典Preisach迟滞数值模型,详细推导了Preisach逆模型及其数值实现方法.采用FFT数字滤波方法对一阶回转下降曲线(FOD)实验数据进行优化处理,同时结合拉各朗日双线性插值方法,提高了在同等离散水平下Preisach模型对GMA非线性迟滞的预测精度.在精密预测的基础上,通过Preisach逆模型实现了GMA对参考轨迹的精密跟踪.实验结果表明:在0～34μm,跟踪误差由补偿前的-14.7%～+11.2%减小到-2.9%～+2.7%.此外,FFT滤波和双线性插值算法可以明显提高Preisach模型对GMA非线性迟滞的预测精度,基于Preisach数值逆模型的补偿算法可以有效消除由于GMA非线性迟滞造成的跟踪误差.实验同时指出,如果要进一步提高跟踪精度,还须结合反馈实现闭环控制.

讨论了探测器的观测空间转换问题。介绍了一种用神经网络建立的从电信号特征参数到光路参数的光路反模型的方法。根据四像限光电探测器的两路输出信号在过零点附近时间段的逼近直线的斜率和截距与光电探测器的三自由度安装位置,以及探测器光敏面的离焦量的特殊关系,建立了称之为模型1的四像限光电探测器光路逆模型。同时以探测器特定时刻输出电压作为观测量,建立了称之为模型2的探测器光路逆模型。并以探测器光敏面的离焦量为例,给出了两个模型的实测值和模型1的重复性测试值。重复性测试值表明,模型1的最大重复测试误差只有0.015 mm。实测结果证明,模型1的检测精度可以达到微米级,而用探测器特定时刻输出电压建立的逆模型的检测精度只能达到毫米级,这证明用探测器输出信号过零点附近时间段的逼近直线参数作为观测信号优于用输出信号特定时刻电压作为观测信号。