基于数据筛选估计的严格反馈系统有限时间跟踪自适应控制方法技术方案

本发明专利技术涉及一种基于数据筛选估计的严格反馈系统有限时间跟踪自适应控制方法，属于智能控制方法领域。该方法采用反步法和有限时间收敛算法设计控制输入并前馈至系统动力学模型中，利用特定的算法筛分在线数据质量，记录高质量数据而舍弃劣势数据(择优弃劣)，在线存储于动态历史堆栈中，根据数据信息推断出系统的不变状态依赖属性以构建全新的预测误差，将经具体选择的在线记录数据与实时数据相结合调节神经网络权重更新律。本发明专利技术方法解决了集总复合神经网络估计中的固定时间段选取数据可能会带来质量失真等问题。可能会带来质量失真等问题。可能会带来质量失真等问题。

【技术实现步骤摘要】
基于数据筛选估计的严格反馈系统有限时间跟踪自适应控制方法


[0001]本专利技术涉及一种非线性控制方法，特别是涉及一种基于数据筛选估计的严格反馈系统有限时间跟踪自适应控制方法，属于智能控制方法领域。

技术介绍

[0002]动态面设计控制算法在严格反馈非线性系统中得到了广泛的应用，不仅保证了控制系统稳定而且降低了设计复杂度。进一步考虑到严格反馈系统中动力学不确定性和非线性行，智能控制特别是神经网络估计算法得到了广泛的关注。针对神经网络估计控制，基于数据分析的复合估计算法通过动力学分析构建了预测误差，并应用于权重更新律中，能够实现良好的估计效果。然而固定时间段选取数据可能会带来质量失真等问题，反而降低了神经网络估计性能，同时存储全部的数据量增大所需存储空间，抑制了控制算法的估计速度。
[0003]《Neural Learning Control of Strict
‑
Feedback Systems Using Disturbance Observer》(Bin Xu，Yingxin Shou，Jun Luo，Huayan Pu，Zhongke Shi，《IEEE Transactions on Neural Networks and Learning Systems》，2019年，第30卷第5期)一文针对严格反馈系统中的未知动态和时变扰动的问题研究了基于在线数据估计的控制方法。论文在反步法的框架下设计控制器，基于在线数据构建预测误差以设计神经网络自适应更新律，采用扰动观测器处理系统复合扰动，实现了系统的快速稳定控制。但是，复合估计算法依然面临数据失真和存储过大等问题，因而影响控制性能。

技术实现思路

[0004]要解决的技术问题
[0005]为了解决集总复合神经网络估计中的固定时间段选取数据可能会带来质量失真等问题，本专利技术提出了一种基于数据筛选估计的严格反馈系统有限时间跟踪自适应控制方法。
[0006]技术方案
[0007]一种基于数据筛选估计的严格反馈系统有限时间跟踪自适应控制方法，其特征在于步骤如下：
[0008]步骤1：采用严格反馈非线性系统的动力学模型：
[0009][0010]式中，ξ
i
为系统状态量，i＝1,
…
,n，μ为控制输入，y为输出信号，
为关于的未知光滑函数，为已知非零函数，d
i
(t)为时变扰动；
[0011]步骤2：第一步：定义跟踪误差为：
[0012]e1＝ξ1‑
y
r
ꢀꢀꢀ
(2)
[0013]式中，y
r
为期望指令；
[0014]设计系统的虚拟控制量为
[0015][0016]式中，为神经网络最优权重的估计值，为神经网络基函数向量，且区间[t,t+Δt],内，存在有界使得正定，为期望指令的导数，为复合扰动估计，k1>0和κ1>0为设计参数，ν1为补偿后跟踪误差：
[0017]ν1＝e1‑
z1ꢀꢀꢀ
(4)
[0018]其中，z1为补偿信号可设计如下：
[0019][0020]其中，l1>0为设计参数，z2在后续设计中给出；
[0021]设计一阶Levant微分器为：
[0022][0023]式中，r
11
>0，r
12
>0为滤波器参数。
[0024]定义矩阵和作为数据存储堆栈，矩阵长度为可表示如下：
[0025][0026]式中，p1为存储数据的编号；
[0027]当堆栈中数据饱和时，采用最大最小奇异值算法过滤系统数据以更新历史堆栈矩阵和定义最后存储编号为当系统基函数数据满足第一和第二替换条件则可用于将此时刻系统数据用于替换堆栈中原有数据；
[0028]设计第一替换条件为：
[0029][0030]式中，ι>0为设计参数；
[0031]将满足第一替换条件的基函数一一带入中各列，计算相对应的最小奇异值为：
[0032][0033]设计第二替换条件为：
[0034][0035]记录满足第二替换条件所对应的矩阵的列数为p
1k
，并将系统数据存储入的第p
1k
列中，可表示为：
[0036][0037]定义预测误差为：
[0038][0039]式中，为的第j个数据记录点，t
s
为采样间隔，信号通过下式获得：
[0040][0041][0042]其中，为的第j个数据记录点，χ
1,j
为χ1的第j个数据记录点；
[0043]设计神经网络权重的自适应更新律为：
[0044][0045]式中，λ1>0，k
ω1
>0和δ1>0为设计参数；
[0046]设计扰动观测器为
[0047][0048][0049]式中，L1>0为设计参数；
[0050]第i步，i＝2,
…
,n
‑
1：定义跟踪误差为：
[0051][0052]设计系统的虚拟控制量为
[0053][0054]式中，为神经网络最优权重的估计值，为神经网络基函数向量，且区间[t,t+Δt],内，存在有界使得正定，为复合扰动估计，k
i
>0为设计参数，ν
i
为补偿后跟踪误差：
[0055]ν
i
＝e
i
‑
z
i
ꢀꢀꢀ
(20)
[0056]其中，z
i
为补偿信号可设计如下：
[0057][0058]其中，l
i
>0为设计参数；
[0059]设计一阶Levant微分器为：
[0060][0061]式中，r
i1
>0，r
i2
>0为滤波器参数；
[0062]定义矩阵和作为数据存储堆栈，矩阵长度为可表示如下：
[0063][0064]式中，p
i
为存储数据的编号；
[0065]当堆栈中数据饱和时，采用最大最小奇异值算法过滤系统数据以更新历史堆栈矩阵和定义最后存储编号为当系统基函数数据满足第一和第二替换条件则可用于将此时刻系统数据用于替换堆栈中原有数据；
[0066]设计第一替换条件为：
[0067][0068]将满足第一替换条件的基函数一一带入中各列，计算相对应的最小奇异值为：
[0069][0070]设计第二替换条件为：
[0071][0072]记录满足第二替换条件所对应的矩阵的列数为p
ik
，并将系统数据存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据筛选估计的严格反馈系统有限时间跟踪自适应控制方法，其特征在于步骤如下：步骤1：采用严格反馈非线性系统的动力学模型：式中，ξ
i
为系统状态量，i＝1,
…
,n，μ为控制输入，y为输出信号，为关于的未知光滑函数，为已知非零函数，d
i
(t)为时变扰动；步骤2：第一步：定义跟踪误差为：e1＝ξ1‑
y
r
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，y
r
为期望指令；设计系统的虚拟控制量为式中，为神经网络最优权重的估计值，为神经网络基函数向量，且区间[t,t+Δt],内，存在有界使得正定，为期望指令的导数，为复合扰动估计，k1>0和κ1>0为设计参数，ν1为补偿后跟踪误差：ν1＝e1‑
z1ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，z1为补偿信号可设计如下：其中，l1>0为设计参数，z2在后续设计中给出；设计一阶Levant微分器为：式中，r
11
>0，r
12
>0为滤波器参数；定义矩阵和作为数据存储堆栈，矩阵长度为可表示如下：式中，p1为存储数据的编号；
当堆栈中数据饱和时，采用最大最小奇异值算法过滤系统数据以更新历史堆栈矩阵和定义最后存储编号为当系统基函数数据满足第一和第二替换条件则可用于将此时刻系统数据用于替换堆栈中原有数据；设计第一替换条件为：式中，ι>0为设计参数；将满足第一替换条件的基函数一一带入中各列，计算相对应的最小奇异值为：设计第二替换条件为：记录满足第二替换条件所对应的矩阵的列数为p
1k
，并将系统数据存储入的第p
1k
列中，可表示为：定义预测误差为：式中，为的第j个数据记录点，t
s
为采样间隔，信号通过下式获得：过下式获得：其中，为的第j个数据记录点，χ
1,j
为χ1的第j个数据记录点；设计神经网络权重的自适应更新律为：式中，λ1>0，k
ω1
>0和δ1>0为设计参数；设计扰动观测器为
式中，L1>0为设计参数；第i步，i＝2,
…
,n
‑
1：定义跟踪误差为：设计系统的虚拟控制量为式中，为神经网络最优权重的估计值，为神经网络基函数向量，且区间[t,t+Δt],内，存在有界使得正定，为复合扰动估计，k
i
>0为设计参数，ν
i
为补偿后跟踪误差：ν
i
＝e
i
‑
z
i
ꢀꢀꢀꢀꢀꢀ
(20)其中，z
i
为补偿信号可设计如下：其中，l
i
>0为设计参数；设计一阶Levant微分器为：式中，r
i1
>0，r
i2
>0为滤波器参数；定义矩阵和作为数据存储堆栈，矩阵长度为可表示如下：式中，p
i
为存储数据的编号；当堆栈中数据饱和时，采用最大最小奇异值算法过滤系统数据以更新历史堆栈矩...

【专利技术属性】
技术研发人员：许斌，寿莹鑫，马波，唐勇，倪静，
申请(专利权)人：中国航空工业集团公司成都飞机设计研究所，
类型：发明
国别省市：