赵 倩，陈志梅，张井岗

(太原科技大学电子信息工程学院，太原030024)

在实际控制系统中普遍存在着时滞现象，而时滞的存在使得系统的控制品质变差，甚至会导致系统的不稳定，因此对时滞系统的控制成了控制领域的研究热点。现在处理时滞系统的方法主要有基于Riccati方程设计鲁棒控制器的方法、Smith预估策略、输出跟踪控制方法、LQR/LTR算法等[1-4]。变结构控制由于它的突出优点即滑动模态对系统内部参数变化及外界扰动具有不敏感性，为不确定性系统、非线性、时滞、时变及干扰源多的一类系统的鲁棒性设计提供了一种有效途径[5]。然而，其固有的抖振现象以及由于系统参数变化、外部干扰以及未建模动态等因素的影响，使得其要求的条件往往难以满足，限制了滑模控制的应用，因此与其它的理论与方法相结合成为滑模控制研究的一大发展趋势[6-7]。

神经网络作为一种通用函数逼近器，可以以任意精度近似任意非线性函数和动态系统，在针对不确定系统时，一般采用神经网络对不确定性上界进行自适应学习[8]。然而，神经网络仍有一些不易解决的难题，如难以确定神经网络的隐层节点数、存在过学习现象、训练过程中存在局部极小问题等。为了解决这些问题，Vapnik提出支持向量机(Support Vector Machine，SVM)即一种依据统计学习理论和结构风险最小化原理的新型学习机[9]。与神经网络相比，它的优点是训练算法中不存在局部极小问题，可以自动设计模型复杂度(例如隐层节点数)，不存在维数灾问题，泛化能力强，已在模式识别、信号处理、函数逼近等领域得到了应用[10]。……