提出基于定常模糊系统/时变模糊系统的迭代学习辨识方法，适用于为有限区间上重复运行的连续时变非线性系统的建模和辨识。该方法以迭代学习方法调整模糊系统参数，并利用误差估计和补偿措施消除逼近误差对辨识性能的影响。采用时变模糊系统辨识时变非线性系统时，模糊规则数较少，该方法有利于减少辨识过程中的在线计算量。基于类Lyapunov综合方法设计辨识器并分析其收敛性能，提出的迭代学习算法能够保证辨识误差经过多次迭代后在整个区间上收敛于零，并保证被估参数的有界性。

针对F 数为4 的高次非球面，设计了一套基于平行光束照射的高精度补偿器。系统工作波长为632.8 nm，设计残差为0.0018 λ 。提出了求解两片检测透镜组成补偿器初始结构的新方法。该方法合理假设补偿器部分结构参数，通过判断补偿器与非球面的Seidel 系数之和最小获得未知参数。比较非球面在补偿器第一面位置处的高斯像高与假设的入射平行光高度，通过MATLAB 迭代计算得到高度差小于预设误差，进而确定平行光入射高度。重新复算得到最终的初始结构。最后将迭代计算得到的各个面Seidel 系数和ZEM

针对具有数据包丢失的网络化控制系统跟踪控制问题,提出一种非策略Q-学习方法,完全利用可测数据,在系统模型参数未知并且网络通信存在数据丢失的情况下,实现系统以近似最优的方式跟踪目标.首先,刻画具有数据包丢失的网络控制系统,提出线性离散网络控制系统跟踪控制问题;然后,设计一个Smith预测器补偿数据包丢失对网络控制系统性能的影响,构建具有数据包丢失补偿的网络控制系统最优跟踪控制问题;最后,融合动态规划和强化学习方法,提出一种非策略Q-学习算法.算法的优点是:不要求系统模型参数已知,利用网络控制系统可