CN108897227B - 非线性严格反馈***全局有限时间神经网络控制方法 - Google Patents

非线性严格反馈***全局有限时间神经网络控制方法 Download PDF

Info

Publication number
CN108897227B
CN108897227B CN201810950233.6A CN201810950233A CN108897227B CN 108897227 B CN108897227 B CN 108897227B CN 201810950233 A CN201810950233 A CN 201810950233A CN 108897227 B CN108897227 B CN 108897227B
Authority
CN
China
Prior art keywords
neural network
formula
control
design parameter
following
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810950233.6A
Other languages
English (en)
Other versions
CN108897227A (zh
Inventor
许斌
王霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201810950233.6A priority Critical patent/CN108897227B/zh
Publication of CN108897227A publication Critical patent/CN108897227A/zh
Application granted granted Critical
Publication of CN108897227B publication Critical patent/CN108897227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种非线性严格反馈***全局有限时间神经网络控制方法，属于非线性***控制领域和神经网络控制领域，用于解决具有未知动力学的非线性严格反馈***全局神经网络控制问题。该方法基于反步法框架，引入切换机制实现有效逼近域内神经网络控制和逼近域外鲁棒控制之间的切换，同时基于跟踪误差和建模误差对神经网络权重进行更新，提高神经网络的学习性能，在此基础上给出鲁棒设计方案，可实现***跟踪误差的有限时间收敛。本发明保证一类具有未知动力学的严格反馈***神经网络控制始终在有效逼近域内工作，可实现闭环***全局稳定性，提高神经网络对未知动力学的学习性能，保证实际控制问题的性能要求。

Description

非线性严格反馈***全局有限时间神经网络控制方法
技术领域
本发明涉及一种非线性严格反馈***全局有限时间神经网络控制方法，属于非线性***控制领域和神经网络控制领域。
背景技术
非线性严格反馈***控制问题已成为国内外学者的一个研究热点，在许多实际控制问题中，如高超声速飞行器再入段控制、柔性机械臂控制、MEMS陀螺控制以及四旋翼飞行器控制等，都需要利用严格反馈***进行描述。神经网络可对未知动力学和模型不确定性进行逼近，被广泛应用于飞行器控制，但目前大多数方法假设神经网络在整个区域内一直可进行有效逼近为前提进行控制器设计，这就使得闭环***只能保证半全局稳定性，在实际应用中难以保证该前提。《Global neural dynamic surface tracking control ofstrict-feedback systems with application to hypersonic flight vehicle》(BinXu,Chenguang Yang,Yongping Pan，《IEEE Transactions on Neural Networks andLearning Systems》,2015,26(10):2563-2575)文针对高超声速飞行器纵向通道模型设计动态面控制，基于切换机制实现神经网络控制和鲁棒控制的切换，可保证闭环***全局稳定性，但该设计仅基于跟踪误差进行神经网络权重更新，不能实现跟踪误差的快速有限时间收敛，故在实际工程应用具有一定的限制。
发明内容
要解决的技术问题
针对目前飞行器神经网络控制方法较少考虑在控制过程中神经网络逼近是否一直有效的问题，本发明设计了一种非线性严格反馈***全局有限时间神经网络控制方法，该方法利用切换机制能够实现有效逼近域内神经网络控制和有效逼近域外鲁棒控制之间的切换，保证神经网络在有效逼近域内工作，实现闭环***的全局稳定性，同时基于跟踪误差和建模误差对神经网络权重进行更新，提高神经网络的学习性能，在此基础上给出鲁棒设计方案，可实现***跟踪误差的有限时间收敛。
技术方案
一种非线性严格反馈***全局有限时间神经网络控制方法，其特征在于步骤如下：
步骤1：考虑一类具有未知动力学的单输入单输出非线性严格反馈***：
其中，***状态向量x(t)＝[x1,...,xn]T∈Rn，***控制输入为u∈R，***输出为y∈R， 表示未知的非线性函数，满足其中表示已知平滑函数，表示非零已知项，满足其中和表示已知常数；
步骤2：设计切换函数为：
其中，
式中，λi2>λi1>0，i＝1,...,n表示神经网络有效逼近未知非线性函数的紧子集边界由设计者给定，b>0和τk>0为设计参数；
步骤3：第1步：
定义输出跟踪误差e1为：
e1＝x1-yr (4)
其中，yr为输出参考指令；
设计虚拟控制量为：
式中，k1>0，l1>0和0<υ1<1为设计参数，为输出参考指令的微分信号，表示根据式(2)设计的切换函数；设计自适应神经网络控制和鲁棒控制为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，神经网络基函数向量，为设计参数；
设计一阶滤波器为：
式中，表示通过滤波器(8)后获得的信号，α2>0为设计参数；
定义建模误差为：
其中由下式得到：
式中，β1>0为设计参数；
设计自适应律为：
式中，γ1>0，γz1>0和为设计参数；
第i步，i＝2,...,n-1：
定义跟踪误差ei为：
设计虚拟控制量为：
式中，ki>0，li>0和0<υi<1为设计参数，为滤波后得到的信号的微分信号，表示根据式(2)设计的切换函数；设计自适应神经网络控制量和鲁棒控制量为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，表示神经网络基函数向量，为设计参数；
设计一阶滤波器为：
式中，表示通过滤波器后获得的信号，αi+1>0为设计参数；
定义建模误差为：
其中由下式得到：
式中，βi>0为设计参数；
设计自适应律为：
式中，γi>0，γzi>0和为设计参数；
第n步：
定义跟踪误差en为：
设计控制输入u为：
式中，kn>0，ln>0和0<υn<1为设计参数，为滤波后得到的信号的微分信号，表示根据式(2)设计的切换函数；设计自适应神经网络控制量和鲁棒控制量为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，神经网络基函数向量，为设计参数；
定义建模误差为：
其中由下式得到：
式中，βn>0为设计参数；
设计自适应律为：
式中，γn>0，γzn>0和为设计参数；
步骤4：根据得到的控制量u，返回到模型(1)，对输出y进行跟踪控制。
有益效果
本发明提出的一种非线性严格反馈***全局有限时间神经网络控制方法，与现有技术相比有益效果为：
(1)本发明基于切换机制实现一类非线性严格反馈***有效逼近域内神经网络控制与有效逼近域外鲁棒控制之间的切换，保证神经网络始终在有效逼近域内工作。
(2)本发明所提出的切换机制充分考虑神经网络输入信息，可实现切换函数在0～1的平滑切换，减少控制能量的消耗。
(3)本发明给出基于跟踪误差和建模误差相结合的复合学习方法，可有效提高逼近域内神经网络的学习性能。
(4)本发明给出鲁棒设计方案，可实现***跟踪误差的有限时间收敛。
附图说明
图1是本发明非线性严格反馈***全局有限时间神经网络控制方法的流程图。
具体实施方式
本发明解决其技术问题采用的技术方案是：非线性严格反馈***全局有限时间神经网络控制方法，通过以下步骤实现：
(a)考虑一类具有未知动力学的单输入单输出非线性严格反馈***：
其中，***状态向量x(t)＝[x1,...,xn]T∈Rn，***控制输入为u∈R，***输出为y∈R， 表示未知的非线性函数，满足|其中表示已知平滑函数，表示非零已知项，满足其中和表示已知常数。
(b)设计切换函数为：
其中，
式中，λi2>λi1>0，i＝1,...,n表示神经网络有效逼近未知非线性函数的紧子集边界由设计者给定，b>0和τk>0为设计参数。
(c)第1步：
定义输出跟踪误差e1为：
e1＝x1-yr (4)
其中，yr为输出参考指令。
设计虚拟控制量为：
式中，k1>0，l1>0和0<υ1<1为设计参数，为输出参考指令的微分信号，表示根据(2)设计的切换函数。设计自适应神经网络控制和鲁棒控制为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，神经网络基函数向量，为设计参数。
设计一阶滤波器为：
式中，表示通过滤波器(8)后获得的信号，α2>0为设计参数。
定义建模误差为：
其中由下式得到：
式中，β1>0为设计参数。
设计自适应律为：
式中，γ1>0，γz1>0和为设计参数。
第i步,i＝2,...,n-1：
定义跟踪误差ei为：
设计虚拟控制量为：
式中，ki>0，li>0和0<υi<1为设计参数，为滤波后得到的信号的微分信号，表示根据(2)设计的切换函数。设计自适应神经网络控制量和鲁棒控制量为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，表示神经网络基函数向量，为设计参数。
设计一阶滤波器为：
式中，表示通过滤波器后获得的信号，αi+1>0为设计参数。
定义建模误差为：
其中由下式得到：
式中，βi>0为设计参数。
设计自适应律为：
式中，γi>0，γzi>0和为设计参数。
第n步：
定义跟踪误差en为：
设计控制输入u为：
式中，kn>0，ln>0和0<υn<1为设计参数，为滤波后得到的信号的微分信号，表示根据(2)设计的切换函数。设计自适应神经网络控制量和鲁棒控制量为：
式中表示的估计值，表示神经网络最优权重向量的估计值，神经网络基函数向量，为设计参数。
定义建模误差为：
其中由下式得到：
式中，βn>0为设计参数。
设计自适应律为：
式中，γn>0，γzn>0和为设计参数。
(d)根据得到的控制量u，返回到模型(1)，对输出y进行跟踪控制。
实施例：
参照图1，本发明非线性严格反馈***全局有限时间神经网络控制方法应用到三阶严格反馈动力学模型中，通过以下步骤实现：
(a)建立如下三阶非线性严格反馈***动力学模型：
其中，***状态向量x(t)＝[x1,x2,x3]T，***控制输入为u，***输出为y＝x1，表示未知非线性函数，满足 表示已知项，满足
(b)设计切换函数为：
其中，
式中，λi2>λi1>0，i＝1,2,3表示神经网络有效逼近未知非线性函数的紧子集边界，b＝2和τk＝1。
(c)定义输出跟踪误差为：
e1＝x1-yr (4)
其中，yr为输出参考指令。
设计虚拟控制量为：
式中，k1＝6，l1＝7和υ1＝0.2，为输出参考指令的微分信号，表示根据(2)设计的切换函数，紧子集边界为λ11＝0.72，λ12＝1。设计自适应神经网络控制和鲁棒控制为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，表示神经网络基函数向量，
设计一阶滤波器为：
式中，表示通过滤波器(8)后获得的信号，α2＝0.005。
定义建模误差为：
其中由下式得到：
式中，β1＝5。
设计自适应律为：
式中，γ1＝7，γz1＝2和
定义跟踪误差为：
设计虚拟控制量为：
式中，k2＝6，l2＝7和υ2＝0.2，为滤波后得到的信号的微分信号，表示根据(2)设计的切换函数，紧子集边界为λ21＝0.72，λ22＝1。设计自适应神经网络控制量和鲁棒控制量为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，表示神经网络基函数向量，
设计一阶滤波器如下：
式中，表示通过滤波器后获得的信号，α3＝0.005。
定义建模误差为：
其中由下式得到：
式中，β2＝5。
设计自适应律为：
式中，γ2＝7，γz2＝2和
定义跟踪误差e3为：
设计控制输入u为：
式中，k3＝8，l3＝7和υ3＝0.2，为滤波后得到的信号的微分信号，表示根据(2)设计的切换函数，紧子集边界为λ31＝0.72，λ32＝1。设计自适应神经网络控制量和鲁棒控制量为：
式中，表示的估计值，表示神经网络最优权重向量的估计值表示神经网络基函数向量，
定义建模误差为：
其中由下式得到：
式中，β3＝5。
设计自适应律为：
式中，γ3＝7，γz3＝2和
(d)根据得到的控制量u，返回到模型(1)，对输出y进行跟踪控制。
本发明基于反步法框架，引入切换机制实现有效逼近域内神经网络控制和逼近域外鲁棒控制之间的切换，同时基于跟踪误差和建模误差对神经网络权重进行更新，提高神经网络的学习性能，在此基础上给出鲁棒设计方案，可实现***跟踪误差的有限时间收敛。本发明保证一类具有未知动力学的严格反馈***神经网络控制始终在有效逼近域内工作，可实现闭环***全局稳定性，提高神经网络对未知动力学的学习性能，保证实际控制问题的性能要求。

Claims (1)

1.一种非线性严格反馈***全局有限时间神经网络控制方法，其特征在于步骤如下：
步骤1：考虑一类具有未知动力学的单输入单输出非线性严格反馈***：
其中，***状态向量x(t)＝[x1,...,xn]T∈Rn，***控制输入为u∈R，***输出为y∈R， 表示未知的非线性函数，满足其中表示已知平滑函数，表示非零已知项，满足其中和表示已知常数；
步骤2：设计切换函数为：
其中，
式中，λi2>λi1>0，i＝1,...,n表示神经网络有效逼近未知非线性函数的紧子集边界由设计者给定，b>0和τk>0为设计参数；
步骤3：第1步：
定义输出跟踪误差e1为：
e1＝x1-yr (4)
其中，yr为输出参考指令；
设计虚拟控制量为：
式中，k1>0，l1>0和0<υ1<1为设计参数，为输出参考指令的微分信号，表示根据式(2)设计的切换函数；设计自适应神经网络控制和鲁棒控制为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，神经网络基函数向量，为设计参数；
设计一阶滤波器为：
式中，表示通过公式8所表达的滤波器后获得的信号，α2>0为设计参数；
定义建模误差为：
其中由下式得到：
式中，β1>0为设计参数；
设计自适应律为：
式中，γ1>0，γz1>0和为设计参数；
第i步，i＝2,...,n-1：
定义跟踪误差ei为：
设计虚拟控制量为：
式中，ki>0，li>0和0<υi<1为设计参数，为滤波后得到的信号的微分信号，表示根据式(2)设计的切换函数；设计自适应神经网络控制量和鲁棒控制量为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，表示神经网络基函数向量，为设计参数；
设计一阶滤波器为：
式中，表示通过滤波器后获得的信号，αi+1>0为设计参数；
定义建模误差为：
其中由下式得到：
式中，βi>0为设计参数；
设计自适应律为：
式中，γi>0，γzi>0和为设计参数；
第n步：
定义跟踪误差en为：
设计控制输入u为：
式中，kn>0，ln>0和0<υn<1为设计参数，为滤波后得到的信号的微分信号，表示根据式(2)设计的切换函数；设计自适应神经网络控制量和鲁棒控制量为：
式中，表示的估计值，表示神经网络最优权重向量的估计值，神经网络基函数向量，为设计参数；
定义建模误差为：
其中由下式得到：
式中，βn>0为设计参数；
设计自适应律为：
式中，γn>0，γzn>0和为设计参数；
步骤4：根据得到的控制量u，返回到模型(1)，对输出y进行跟踪控制。
CN201810950233.6A 2018-08-20 2018-08-20 非线性严格反馈***全局有限时间神经网络控制方法 Active CN108897227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810950233.6A CN108897227B (zh) 2018-08-20 2018-08-20 非线性严格反馈***全局有限时间神经网络控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810950233.6A CN108897227B (zh) 2018-08-20 2018-08-20 非线性严格反馈***全局有限时间神经网络控制方法

Publications (2)

Publication Number Publication Date
CN108897227A CN108897227A (zh) 2018-11-27
CN108897227B true CN108897227B (zh) 2019-09-24

Family

ID=64354630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810950233.6A Active CN108897227B (zh) 2018-08-20 2018-08-20 非线性严格反馈***全局有限时间神经网络控制方法

Country Status (1)

Country Link
CN (1) CN108897227B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109581873A (zh) * 2018-12-26 2019-04-05 河海大学 未知执行器死区切换***的有限时间指定性能控制算法
CN110333657B (zh) * 2019-07-10 2022-08-16 上海工程技术大学 用于死区非线性不确定***的自适应动态面跟踪控制方法
CN110320804B (zh) * 2019-07-19 2022-06-17 中国人民解放军空军工程大学 一种非仿射动力学***的控制方法
EP3885848A1 (en) * 2020-03-24 2021-09-29 Robert Bosch GmbH Controller with neural network and improved stability
CN112379595B (zh) * 2020-11-14 2022-06-21 西北工业大学 非线性严格反馈切换***复合干扰学习控制方法
CN113093539B (zh) * 2021-03-29 2022-08-09 西北工业大学 基于多模态划分的宽域飞行鲁棒自适应切换控制方法
CN113110540B (zh) * 2021-04-14 2023-01-13 西北工业大学 基于时标分解的弹性体飞行器全局有限时间控制方法
CN113146641A (zh) * 2021-05-14 2021-07-23 东北大学 基于奇异摄动和数据驱动反步法的单连杆柔性臂控制方法
CN114384800B (zh) * 2021-12-09 2023-09-12 上海工程技术大学 一种具有输入信号延时的未知非线性***反推控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6332105B1 (en) * 1999-05-21 2001-12-18 Georgia Tech Research Corporation Neural network based automatic limit prediction and avoidance system and method
GB2423377A (en) * 2002-12-09 2006-08-23 Georgia Tech Res Inst Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system.
CN103365296A (zh) * 2013-06-29 2013-10-23 天津大学 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
CN104765272A (zh) * 2014-03-05 2015-07-08 北京航空航天大学 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load
CN106094860A (zh) * 2016-08-29 2016-11-09 广西师范大学 四旋翼飞行器及其控制方法
CN106647781A (zh) * 2016-10-26 2017-05-10 广西师范大学 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法
CN107368091A (zh) * 2017-08-02 2017-11-21 华南理工大学 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法
CN107450584A (zh) * 2017-08-29 2017-12-08 浙江工业大学 一种基于固定时间滑模的飞行器自适应姿态控制方法
CN107450324A (zh) * 2017-09-05 2017-12-08 西北工业大学 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN107479383A (zh) * 2017-09-05 2017-12-15 西北工业大学 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050137724A1 (en) * 2003-10-10 2005-06-23 Georgia Tech Research Corporation Adaptive observer and related method

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6332105B1 (en) * 1999-05-21 2001-12-18 Georgia Tech Research Corporation Neural network based automatic limit prediction and avoidance system and method
GB2423377A (en) * 2002-12-09 2006-08-23 Georgia Tech Res Inst Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system.
CN103365296A (zh) * 2013-06-29 2013-10-23 天津大学 一种四旋翼无人飞行器非线性输出反馈飞行控制方法
CN104765272A (zh) * 2014-03-05 2015-07-08 北京航空航天大学 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法
US9146557B1 (en) * 2014-04-23 2015-09-29 King Fahd University Of Petroleum And Minerals Adaptive control method for unmanned vehicle with slung load
CN106094860A (zh) * 2016-08-29 2016-11-09 广西师范大学 四旋翼飞行器及其控制方法
CN106647781A (zh) * 2016-10-26 2017-05-10 广西师范大学 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法
CN107368091A (zh) * 2017-08-02 2017-11-21 华南理工大学 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法
CN107450584A (zh) * 2017-08-29 2017-12-08 浙江工业大学 一种基于固定时间滑模的飞行器自适应姿态控制方法
CN107450324A (zh) * 2017-09-05 2017-12-08 西北工业大学 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN107479383A (zh) * 2017-09-05 2017-12-15 西北工业大学 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《Adaptive Dynamic Surface Control for a Hypersonic Aircraft Using Neural Networks》;Jongho Shin;《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》;20171010;第53卷(第5期);全文 *
《Neural Control for Longitudinal Dynamics of Hypersonic Aircraft》;Bin Xu;《2013 International Conference on Unmanned Aircraft Systems (ICUAS)》;20130531;全文 *
《RBF Neural Network based Adaptive Sliding Mode Control for Hypersonic Flight Vehicles》;Jianmin Wang;《Proceedings of 2016 IEEE Chinese Guidance, Navigation and Control Conference》;20160815;全文 *
《基于RBF 神经网络自适应PID四旋翼飞行器控制》;李砚浓;《控制工程》;20160331;第23卷(第3期);全文 *
《基于混合神经网络的鲁棒自适应飞行控制器的设计》;王丽;《电光与控制》;20161130;第23卷(第11期);全文 *

Also Published As

Publication number Publication date
CN108897227A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN108897227B (zh) 非线性严格反馈***全局有限时间神经网络控制方法
Huang et al. Finite-time distributed formation control for multiple unmanned surface vehicles with input saturation
Won et al. High-gain disturbance observer-based backstepping control with output tracking error constraint for electro-hydraulic systems
CN108958042B (zh) 基于两种趋近律的滑模控制方法
CN105223808B (zh) 基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法
Liu et al. A new control scheme for nonlinear systems with disturbances
CN108931917B (zh) 一种三阶严反馈混沌投影同步方法
CN110244561B (zh) 一种基于干扰观测器的二级倒立摆自适应滑模控制方法
Wu et al. Quantized fixed-time fault-tolerant attitude control for hypersonic reentry vehicles
Ghavidel et al. Robust control for MIMO hybrid dynamical system of underwater vehicles by composite adaptive fuzzy estimation of uncertainties
Devika et al. Sliding mode controller design for MIMO nonlinear systems: A novel power rate reaching law approach for improved performance
Shen et al. Dynamic surface control for tracking of unmanned surface vessel with prescribed performance and asymmetric time-varying full state constraints
CN109062054B (zh) 一种三阶严反馈混沌轨迹跟踪方法
Liu et al. Antisaturation fixed-time attitude tracking control based low-computation learning for uncertain quadrotor UAVs with external disturbances
Gong et al. Trajectory tracking control for autonomous underwater vehicles based on dual closed-loop of MPC with uncertain dynamics
Muñoz-Vázquez et al. Fractional integral sliding modes for robust tracking of nonlinear systems
CN113110048A (zh) 采用hosm观测器的非线性***输出反馈自适应控制***和方法
Yoo Low-complexity robust tracking of high-order nonlinear systems with application to underactuated mechanical dynamics
Shao et al. Robust discrete‐time fractional‐order control for an unmanned aerial vehicle based on disturbance observer
CN111752157B (zh) 一种有限时间收敛的二阶滑模控制方法
CN109062034B (zh) 一种改进双幂次趋近律滑模的三阶严反馈***控制方法
CN108614432B (zh) 一种基于粒子群算法的网络环境电机控制器设计算法
CN110376887A (zh) 基于时变滑模增益的飞行器离散滑模智能控制方法
CN113459083B (zh) 一种事件触发下的机械臂自适应固定时间控制方法及***
CN114839882A (zh) 一种输入约束下的非线性***复合自适应控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant