基于神经网络的周期扰动非线性系统自适应渐近跟踪控制.pdf

本文主要探讨了一种针对具有周期扰动和输入时滞的不确定非线性系统的自适应渐近跟踪控制策略，该策略基于神经网络和动态面控制理论。作者为吴健、孙永波和赵前进，发表在《控制与决策》2022年第37卷第4期上。 文章关注的问题是含有未知周期扰动和输入时滞的非线性系统的控制。这类系统在实际应用中广泛存在，如机械系统、电力系统和自动化设备等。周期扰动可能是由外部环境或内部机制引起的周期性变化，而输入时滞则可能导致控制响应的延迟和性能下降。 为了解决这个问题，作者提出了一种混合函数逼近器，它结合了径向基函数神经网络（RBFNN）和傅里叶级数展开。RBFNN是一种强大的非线性函数逼近工具，能有效逼近复杂的非线性关系。而傅里叶级数则用于解析周期性函数，将周期扰动分解为一系列简单的正弦和余弦函数。这种结合使得控制器能够更好地理解和预测系统中的周期性行为。 接着，为了应对输入时滞，文章引入了一个积分项。这个积分项可以补偿因输入延迟导致的控制信号与实际状态之间的差距，从而改善系统的动态响应。 此外，文章还采用了带有非线性滤波器的动态面控制方法。动态面控制是一种简化传统反推设计复杂性的技术，通过引入一个新的辅助变量，可以避免反推过程中可能出现的复杂性爆炸问题。非线性滤波器的设计有助于提高控制信号的平稳性和系统的稳定性。 论文的理论分析表明，所提出的神经网络控制方案能够确保闭环系统的所有信号半全局有界，这意味着尽管存在不确定性，但系统的动态表现仍能保持在可接受的范围内。同时，系统输出能够渐近地跟踪给定的参考信号，实现了精确的控制目标。 为了验证控制方案的有效性，作者进行了两个仿真案例。仿真结果表明，提出的控制策略在处理周期扰动和输入时滞的非线性系统时，能够有效地实现跟踪控制，证明了其理论分析的正确性和实用性。 总结来说，这篇文章提出了一种创新的神经网络控制策略，通过结合RBFNN、傅里叶级数和动态面控制，为含有周期扰动和输入时滞的不确定非线性系统提供了有效的自适应跟踪控制解决方案。这项工作对于理解非线性系统控制理论以及优化此类系统在实际应用中的性能具有重要的理论价值和实践意义。