【技术实现步骤摘要】
一种自适应神经网络预设跟踪性能控制方法、系统及介质
[0001]本专利技术属于切换系统跟踪控制
，尤其涉及一种自适应神经网络预设跟踪性能控制方法
、
系统及介质
。
技术介绍
[0002]基于切换系统的特性，不确定的切换非线性系统能够更加准确的为复杂环境下的实际系统建模
。
扰动是系统不确定性问题中难以避免且常见的问题
。
在以往的研究中，假设系统扰动
d(t)
满足
|d(t)|≤d*
其中
d*
是未知常数
。
在此假设下，扰动问题被转化为处理未知常值参数
d*
的问题
。
众所周知，自适应方法是处理未知常值参数的有效工具之一
。
故当控制系统含有未知常值参数时，利用自适应方法能高效的设计出使系统状态实现
/
逼近最佳的控制器，不仅节省一定的时间和资源，而且在很大程度上提高了工作效率
。
但上述算法是在相对理想的假设下...
【技术保护点】
【技术特征摘要】
1.
一种自适应神经网络预设跟踪性能控制方法，其特征在于，包括以下步骤：步骤一：周期时变非线性参数化切换系统输出信号
、
参考信号和预设性能函数作为误差变换的输入；步骤二：将傅里叶级数展开方法和径向基神经网络方法结合，处理系统中未知周期时变非线性参数化函数；步骤三：结合反步法
、
自适应控制和命令滤波算法，处理未知常值参数和设计补偿信号，处理反步法设计控制器的过程中产生的“计算爆炸”问题；步骤四：设计出相应的控制器，施加在被控系统上
。2.
根据权利要求1所述的一种自适应神经网络预设跟踪性能控制方法，其特征在于，所述步骤一：系统输出信号
、
参考信号和预设性能函数作为误差变换的输入，具体包括：
1)
基于设计的预设性能函数
ρ
(t)
＝
(
ρ0‑
ρ
∞
)e
‑
ct
+
ρ
∞
，正常数
ρ0、
ρ
∞
分别表示性能函数的初始值和稳态下跟踪误差
e1(t)
的最大允许量；
c
表示性能函数
ρ
(t)
的递减速度，也是控制
e1(t)
收敛的速度和时间
t
，结合跟踪误差信号，进行误差变换，并构建一个李亚普诺夫函数
V1
：
v1是补偿误差信号；
2)
对设计的李亚普诺夫函数求导，由于周期时变参数化系统不确定，将出现带有未知周期时变参数的切换函数代表系统的切换信号，
θ1(t)
分别表示系统状态向量和一个已知周期的未知时变参数，根据杨氏不等式，将未知函数分为未知周期时变切换函数
Λ1和常数利用逼近算法傅里叶级数和神经网络构建新的逼近算法，傅里叶级数
‑
神经网络逼近算法
FSE
‑
RFBNN
，处理系统的未知函数：其中，基函数的输入向量
W
1*
表示逼近算法权值向量；
W
1*T
和均为权值向量的转置；逼近误差
μ1上界是未知常数；
3)
在
2)
的基础上，根据反步法，设计相应的虚拟控制器；
4)
在
3)
的基础上，为了避免求虚拟控制器的各阶偏导数产生的计算爆炸问题，使虚拟控制器通过一个二阶的命令滤波器，并设计补偿信号去补偿相应的滤波误差；基于自适应反步法，补偿信号
ξ1的自适应律设计为：
χ1为与误差信号和性能函数相关的函数
、
补偿信号的导函数，
l1是正常数，
x
2,c
表示以针对第1个子系统设计的虚拟控制器
α1为输入的命令滤波器的输出的导数，
ξ2是针对第2个子系统设计的补偿信号；
5)
为了处理逼近算法中的未知权值
A
1*T
,W
1*T
和逼近误差
δ1,
，重新设计李亚普诺夫函数：其中为正定对角矩阵，
λ1是正常数；基于自适应反步法，为逼近算法权值和逼近误差的估计和设计相应的自适应控制律：
其中，
c1和
λ1为正常数，
Γ1＝
Γ
1T
和
Y1＝
Y
1T
都是自适应增益矩阵；为逼近算法的基函数向量且分别为逼近算法权值和逼近误差的估计误差；
6)
将
3)
中设计的虚拟控制器
、4)
补偿信号自适应律和
5)
中设计的自适应律代入被控系统的第一个子系统中，并化简李亚普诺夫函数的导函数
。3.
根据权利要求2所述的一种自适应神经网络预设跟踪性能控制方法，其特征在于，所述步骤二：将傅里叶级数展开方法和径向基神经网络方法结合，处理系统中未知周期时变非线性参数化函数，具体包括：针对被控系统的前
n
‑1个子系统，设计相应的李亚普诺夫函数
V
i
：
v
i
代表第
i
步中的补偿误差信号，并重复设计过程，分别为第
i
个子系统设计虚拟控制器
α
i
：补偿信号
ξ
i
自适应律：和参数自适应律：其中
k
i
，
c
i
和
λ
i
为正常数
、z
i
为误差信号；
Z
i
是逼近算法的输入向量；是以针对第
i
‑1个子系统...
【专利技术属性】
技术研发人员：杨晓利，李靖，高新波，朱伟，冷佳旭，于南翔，陈昊升，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。