本文在理论上针对数据驱动建模和数据驱动无模型自适应控制2方面领域做了若干研究,同时将所提理论应用于不同的实际领域。本论文研究内容和创新点可总结如下:一、针对固定床间歇式(UGI)煤气化过程中的合成气温度的立项建模问题,提出一种改进的带有链接开关的遗传神经网络算法(EGA-BPNN-LS)。合成气温度的模型在整个UGI气化过程中至关重要,然而,由于气化过程极为复杂,该模型的输入输出关系不能够依靠气化过程的化学机理建立。EGA-BPNN-LS算法结合了一种新颖的改进遗传算法、带有链接开关的神经网络、以及梯度学习算法(Levenberg-Marquardt,LM)算法的优势,使得该方法仅靠输入输出数据即可获得气化过程的模型,同时还能够有效地将数据的梯度信息加以有效地使用。基于中国山东省瑞星化工集团有限公司采集的实际数据的实验验证了该算法的有效性与实用性。二、针对UGI气化过程中的合成气温度在线建模问题,提出一种基于相关向量机的改进的懒惰学习建模(MLL-RVM)算法。合成气温度的模型是一个典型的未知非线性多入多出(Multi-input and Multi-output,MIMO)系统,由于UGI气化过程的复杂性,其精确数学模型不能够根据机理建立。针对此问题,所提的MLL-RVM方法将一种新颖的相关向量机(RVM)的思想应用到懒惰学习建模方法中,使得每一个时刻,MLL-RVM均可根据当前输入输出数据以及历史数据来实时建立针对合成气温度的局部RVM模型。通过基于工厂实际数据的仿真实验,该方法的有效性得到验证。三、针对一类离散非线性单入单出(Single Input and Single Output,SISO)系统,分别提出了基于懒惰学习的紧格式无模型自适应预测控制(LL-CFDL-MFAPC)方法和偏格式无模型自适应预测控制(LL-PFDL-MFAPC)方法。这2种方法的核心思想是,通过利用懒惰学习算法的实时数据库查询的优势,在每个时刻将在线和离线数据同时应用于无模型自适应预测控制器的参数的更新,并通过不同的动态线性化技术(包括紧格式、偏格式动态线性化技术),使得该算法的控制器设计过程摆脱了被控对象的精确数学模型。同时,由于预测功能的加入,这2种方法具有较强的鲁棒性。通过严密的数学推导,2种方法的稳定性与收敛性在几个合理的假设条件下得到证明。最后,LL-CFDL-MFAPC被应用于处理UGI气化过程中增氧过程的氧浓度控制问题,LL-PFDL-MFAPC被应用于真实的三容水箱液位控制系统,进而2种方法的有效性和实用性得到了验证。四、针对一般的未知非线性系统,提出了基于双连续投影算法的无模型自适应控制(DSP-MFAC)方法。该方法最重要的意义是在理论方面给出了 MFAC的新的证明方法和研究思路。通过该算法所得控制器结构与模型参数估计结构具有对称相似性,使得算法的控制框架和控制性能更加简单和易于分析。此外,相比传统的基于压缩映射原理框架下的无模型自适应控制,双连续投影框架下的无模型自适应控制具有更强的可推广性,如根据算法中不同的范数定义,可形成不同的控制器结构和对应的时变参数的估计方法。严谨的数学推导证明了所提算法的稳定性,一系列数值仿真验证了该方法的有效性。