非高斯变量的非线性随机系统的跟踪控制误差熵最小化算法是一篇研究论文，该论文介绍了针对一类动态随机系统的一个误差熵最小化跟踪控制算法。这些系统由一组时间变化的离散非线性方程来表示，具有非高斯随机输入特性，其中随机输入的统计特性是未知的。通过使用高斯核的Parzen窗估计误差的概率密度函数，提出了一种递归算法，设计控制器以最小化跟踪误差。算法的性能与均方误差最小化的算法进行了比较。该文通过模拟结果对误差熵最小化与均方误差最小化的性能进行了对比，并列出了一系列关键词。
文章的研究背景是随机控制理论，它处理被随机噪声污染的数据，并旨在设计出即使存在干扰也能以最小成本完成期望控制任务的最优控制器。随着Pontryagin最大原理、Bellman动态规划和Kalman线性二次控制的发展，随机最优控制理论自20世纪60年代初以来得到了良好的发展，主要集中在高斯随机系统上。
随机控制是控制理论的一个重要分支，它主要研究的是那些受到随机噪声影响的数据。随机控制系统的目标是设计出最优控制器，即便在干扰存在的情况下，也能以最小的成本完成期望的控制任务。控制理论是研究如何利用数学模型和数学分析方法来预测和控制实际系统的理论。控制系统通常由传感器、控制器、执行器和被控制对象组成，传感器负责收集系统的状态信息，控制器利用这些信息来计算控制输入，执行器则将控制输入转换为实际的物理作用力或影响，以调整系统的状态。
该论文中提到的跟踪控制误差熵最小化算法，是基于一个数学概念——熵。在信息论中，熵是衡量信息量的单位，用来描述一个系统的不确定性。在随机控制理论中，使用熵来衡量误差的不确定性，尝试通过最小化熵来达到最小化误差的目的。在很多实际场景下，系统的随机性不是高斯分布的，因此研究非高斯变量对于理解系统的不确定性具有重要意义。
文章中提及的Parzen窗法是一种非参数估计方法，用于概率密度函数的估计。其基本原理是通过对有限个样本点的分析，估计出整个样本空间的概率密度函数。Parzen窗法采用一个窗口函数（如高斯核），将窗口置于每个样本点附近，根据窗口函数的形状来确定局部概率密度的估计值。窗口函数的选择会影响估计的精度和稳定性。
递归算法是一种在每一步计算中都使用上一步计算结果的算法。在控制系统设计中，递归算法能够根据系统的动态行为和当前的观测结果，递推地更新控制输入，从而能够适应系统动态特性的变化。
研究论文中的模拟结果部分，通常是用来展示算法在特定条件下的性能。通过与其他算法的比较，可以直观地展示误差熵最小化算法的优越性。这对于评估算法的有效性至关重要，并为该算法的进一步研究和实际应用提供了基础。
关键词部分列出的“最小误差熵”、“信息势”、“非高斯变量”、“概率密度函数”和“随机系统”，是本论文研究的核心概念。最小误差熵指的是一种优化目标，即最小化系统的跟踪误差的熵值；信息势是指系统状态达到某种期望状态所需要的信息量；非高斯变量指的是那些不符合高斯分布的随机变量；概率密度函数是用来描述随机变量取值可能性的数学函数；随机系统是指系统的某些部分或者行为具有随机性质的系统。
这篇论文对具有非高斯变量的非线性随机系统的跟踪控制误差熵最小化算法进行了深入研究，提出了一种新的算法模型，通过递归算法设计控制器以最小化系统跟踪误差，并通过模拟结果验证了该算法的有效性。论文中涉及的概念和技术在控制理论和信息处理等领域具有重要的研究和应用价值。
