[發(fā)明專(zhuān)利]一種基于動(dòng)態(tài)增益的自適應(yīng)神經(jīng)網(wǎng)絡(luò)跟蹤控制方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202210467223.3
• 申請(qǐng)日: 2022-04-29
• 公開(kāi)（公告）號(hào): CN114815618B
• 公開(kāi)（公告）日: 2023-05-16
• 發(fā)明（設(shè)計(jì)）人: 于興虎;鄭曉龍;楊佳興;楊學(xué)博;李湛;高會(huì)軍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類(lèi)號(hào): G05B13/04
• 分類(lèi)號(hào): G05B13/04
• 代理公司: 哈爾濱華夏松花江知識(shí)產(chǎn)權(quán)代理有限公司 23213
• 代理人: 時(shí)起磊

1.一種基于動(dòng)態(tài)增益的自適應(yīng)神經(jīng)網(wǎng)絡(luò)跟蹤控制方法，其特征在于：所述方法具體過(guò)程為：

步驟一、根據(jù)系統(tǒng)的狀態(tài)變量x₁和x₂，輸出信號(hào)y和控制信號(hào)u，建立具有未知非線(xiàn)性控制方向函數(shù)的不確定非線(xiàn)性嚴(yán)格反饋系統(tǒng)的二維狀態(tài)空間模型，使系統(tǒng)輸出y(t)跟蹤目標(biāo)信號(hào)y_d(t)；

步驟二、定義擴(kuò)展?fàn)顟B(tài)變量x₃＝u，建立具有擴(kuò)展?fàn)顟B(tài)變量的三維非線(xiàn)性系統(tǒng)狀態(tài)空間模型，定義誤差變量z₁，z₂，z₃；

步驟三、利用步驟二中的誤差變量z₁，z₂，z₃設(shè)計(jì)李雅普諾夫函數(shù)V；

步驟四、利用步驟三中的李雅普諾夫函數(shù)V對(duì)時(shí)間求一階導(dǎo)數(shù)得到

步驟五、引入等價(jià)控制方向函數(shù)，定義需要依靠神經(jīng)網(wǎng)絡(luò)逼近的未知項(xiàng)F₁和F₂，改寫(xiě)步驟四中李雅普諾夫函數(shù)的一階導(dǎo)數(shù)

步驟六、引入動(dòng)態(tài)增益，根據(jù)步驟五中李雅普諾夫函數(shù)的一階導(dǎo)數(shù)利用反步法和自適應(yīng)神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)權(quán)值更新律、虛擬控制函數(shù)α₁和α₂及控制輸入u；

所述步驟五中引入等價(jià)控制方向函數(shù)，定義需要依靠神經(jīng)網(wǎng)絡(luò)逼近的未知項(xiàng)F₁和F₂，改寫(xiě)步驟四中李雅普諾夫函數(shù)的一階導(dǎo)數(shù)具體過(guò)程為：

1)利用等價(jià)控制方向函數(shù)改寫(xiě)步驟四中李雅普諾夫函數(shù)的一階導(dǎo)數(shù)

其中，b₁和b₂是等價(jià)控制方向函數(shù)，取值為正常數(shù)；

2)定義需要依靠神經(jīng)網(wǎng)絡(luò)逼近的未知項(xiàng)和即：

所述步驟六中引入動(dòng)態(tài)增益，根據(jù)步驟五中李雅普諾夫函數(shù)的一階導(dǎo)數(shù)利用反步法和自適應(yīng)神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)權(quán)值更新律、虛擬控制函數(shù)α₁和α₂及控制輸入u；具體過(guò)程為：

1)設(shè)計(jì)動(dòng)態(tài)增益：

其中，為動(dòng)態(tài)增益，i＝1，2，3；k_i為控制器參數(shù)，i＝1，2，3；1_i為控制器參數(shù)，i＝1，2，3；為控制器參數(shù)，i＝1，2，3；

2)利用神經(jīng)網(wǎng)絡(luò)和分別逼近未知項(xiàng)F₁和F₂，W₁、W₂表示神經(jīng)網(wǎng)絡(luò)的權(quán)值向量，表示實(shí)數(shù)，表示神經(jīng)網(wǎng)絡(luò)的權(quán)值向量W₁的元素，表示神經(jīng)網(wǎng)絡(luò)的權(quán)值向量W₂的元素，T表示轉(zhuǎn)置，為神經(jīng)網(wǎng)絡(luò)權(quán)值的更新律，S₁(X₁)、S₂(X₂)表示徑向基函數(shù)向量，表示向量S₁(X₁)的元素，表示向量S₂(X₂)的元素，N₁和N₂表示神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)，X₁、X₂為神經(jīng)網(wǎng)絡(luò)的輸入，為目標(biāo)信號(hào)y_d的二階導(dǎo)數(shù)，徑向基函數(shù)定義為：

其中，C_j和η_j分別是徑向基函數(shù)的中心向量和寬度；

3)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)權(quán)值更新律：

其中，μ₁，μ₂∈(0，1)是學(xué)習(xí)律，和分別是指令濾波器的輸出：

其中，和分別為指令濾波器的狀態(tài)變量，ρ₁，ρ₂＞0是濾波器參數(shù)；

4)根據(jù)步驟五中李雅普諾夫函數(shù)的一階導(dǎo)數(shù)利用反步法和自適應(yīng)神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)虛擬控制函數(shù)α₁和α₂：

其中，為期望的虛擬控制函數(shù)，ρ_α＞0為濾波器參數(shù)；

5)設(shè)計(jì)控制信號(hào)u：

其中，τ為積分變量；

式(18)為基于動(dòng)態(tài)增益的自適應(yīng)神經(jīng)網(wǎng)絡(luò)跟蹤控制器。