- 数学模型（mathematical model）
- 物理模型（physical model）
模型的表示
传递函数（transfer function）
凡事能用传递函数描述的系统，皆为线性确定系统。因此，系统比较简单，实际中大多为非线性系统，目前研究中已经很少使用。
状态空间方程（state space equation）
- $\mathbf{x}\in \mathbb{R}^n$表示系统状态，$\mathbf{y}\in \mathbb{R}^r$，$\mathbf{u}\in \mathbb{R}^m$表示系统输入，通常情况$n\geq m\geq r$；
- 矩阵$\mathbf{A}\in \mathbb{R}^{n\times n}$和$\mathbf{B}\in \mathbb{R}^{n\times m}$是系统参数；
- 通常 $\mathbf{D}=\mathbf{0}$；
- $\mathbf{A},\mathbf{B},\mathbf{C}$可以引入时变参数，若无时变参数则为线性时不变（LTI，Linear Time-Invariant）系统。
更一般的形式可表述为
$f(x)$为非线性函数，例如$f(x)=\sin x+e^{x^2}+\frac{1}{1+e^x}$。$g(\mathbf{x})$表示控制增益，通常$\forall \mathbf{x},g(\mathbf{x})\neq 0$。
严格反馈型（strict-feedback form）
- $\mathbf{x}\in \mathbb{R}^n, n\geq 1$；
- $z_1,\ldots, z_k$是标量；
- $u$是系统的输入标量。
这是最一般的模型。最流行的方法是利用神经网络处理非线性项。
神经网络
（略）
基本要素：基函数$\psi_i$（basis function）、权值$w_i$（weight）、神经元个数$N$。
万能逼近能力，$\left\vert f(\cdot)-f_N\right\vert\leq\epsilon$。
研究几个基本要素变换情况时神经网络的逼近能力。
