神经网络自适应代学习控制用于严格反未知延迟系统对输入和

科学领域:

• 控制工程 控制工程 控制工程
• 非线性系统理论 非线性系统理论
• 人工智能在控制中

背景情况:

• 严格反的非线性系统往往表现出未知的状态延迟和输入和,这给控制带来了重大挑战.
• 传统的控制方法在这些复杂系统特征的同时存在方面存在困难.
• 代学习控制 (ILC) 为提高系统在重复任务中的性能提供了一个框架.

研究的目的:

• 开发一种新的神经网络自适应代学习控制 (ILC) 策略.
• 在严格反非线性系统中有效解决未知状态延迟和输入和.
• 确保控制系统的趋同和稳定.

主要方法:

• 构建Lyapunov-Krasovskii (L-K) 功能,用于处理未知状态延迟的子系统.
• 在虚拟控制器设计过程中使用命令过器来减轻衍生爆炸.
• 将辅助系统集成到后退框架中,以弥补输入和和过器的缺陷.
• 超标触角函数和辐射基函数神经网络 (RBF NNs) 的应用用于奇点和未知项近似.

主要成果:

• 在严格反非线性系统中成功补偿未知状态延迟和输入和.
• 通过使用命令过器和辅助系统,证明了避免衍生爆炸.
• 闭环系统状态的保证趋同使用复合能量函数 (CEF) 方法.
• 通过模拟示例验证拟议的算法的有效性.

结论:

• 拟议的神经网络适应性ILC策略对于控制具有未知状态延迟和输入和度的严格反非线性系统是有效的.
• L-K 函数,命令过器,辅助系统和 RBF NNs 的组合提供了一个强大的解决方案.
• 该研究通过模拟证实了理论上的收特性,证实了算法的实际应用.