- 文献综述（或调研报告）：
神经网络的非线性特性和学习特性提供了一种解决混杂了非线性、不确定性和未知系统的问题行之有效的方法。近几年来，神经网络开始用于对迟滞特性进行模拟，从而产生了神经网络模型。神经网络模型也是一种基于实验数据的数学模型，通过大量神经元问的并行协同作用来实现模拟功能。Adly等提出了基于Preisach模型的神经网络静态模型；Xu等提出了基于3个输入信号的前馈神经网络动态模型，用对应的逆模型抵消磁滞非线性。神经网络磁滞模型能够充分逼近任意复杂的磁滞非线性映射关系，适应性强，可以同时考虑频率、温度等诸多特性，直接得到电流与磁致伸缩之间的关系。但它同Preisach模型一样，不能揭示磁滞过程的机理，且算法复杂，应用时其学习和计算的速度需要加以考虑。
为了描述滞后非线性，Miaolei Zhou和Qi Zhang提出一种基于比例积分微分（PID）神经网络的建模方法。通过在输入层添加一个非线性函数，使用反向传播算法得到权重，这个模型能更好的接近主要和次要迟滞环。Riccardi等人采用改进的Prandtl–Ishlinskii模型对MSMA执行器的迟滞非线性特性进行建模。其模型的误差为8.16%。Ruderman和Bertram描述了一种面向系统的建模方法， Riganti Fulginei和Salvini 提出了一种对迟滞现象动态建模的神经网络方法，其取得较好准确度时百分比误差等于0.27%。
[1] L. Liu, K. K. Tan, S. Chen, C. S. Teo, and T. H. Lee, “Discrete compositecontrol of piezoelectric actuators for high-speed and precision scanning,”IEEE Trans. Ind. Informat., vol. 9, no. 2, pp. 859–868, May 2013.
[2] Y. K. Yong and A. J. Fleming, “Piezoelectric actuators with integrated high-voltage power electronics,” IEEE/ASME Trans.Mechatronics, vol. 20, no. 2, pp. 611–617, Apr. 2015.
[3] H. Steiner, M. Stifter, W. Hortschitz, and F. Keplinger, “Planar magnetostrictive micromechanical actuator,” IEEE Trans. Magn., vol. 51, no. 1,Jan. 2015, Art. ID 4700104.
[4] O. Aljanaideh, S. Rakheja, and C. Su, “Experimental characterization and modeling of rate-dependent asymmetric hysteresis of magnetostrictive actuators,” Smart Mater. Struct., vol. 23, no. 3,pp. 035002-1–035002-12, Jan. 2014.
[5]杨大智．智能材料与智能系统[M]．天津：天津大学出版社，2002．
[6]WEI Jyh-da,SUN Chuen-tsai,Constructing hysteresis memory in neural networks[J].IEEE Trans on Systems,Man,and Cybernetics----Part B:Cybermetics,2000,30(4):601-609
