模糊滑模控制算法研究综述
滑模变结构控制理论及其算法研究与进展
滑模变结构控制理论及其算法研究与进展一、本文概述滑模变结构控制理论，作为一种独特的非线性控制方法，自其诞生以来，就因其对系统参数变化和外部干扰的强鲁棒性，以及易于实现的优点，在控制工程领域引起了广泛的关注和研究。
本文旨在对滑模变结构控制理论及其算法的研究进展进行综述，分析其基本原理、特性、设计方法以及在实际应用中的表现，以期为后续研究提供有益的参考。
文章首先回顾了滑模变结构控制理论的发展历程，从最初的滑动模态概念提出，到后来的各种改进和优化算法的出现，展示了该理论在理论和实践上的不断进步。
接着，文章将详细介绍滑模变结构控制的基本原理和特性，包括滑动模态的存在条件、滑动模态的稳定性分析、以及滑模面的设计等。
在此基础上，文章将重点探讨滑模变结构控制算法的研究进展，包括各种新型滑模面设计、滑动模态优化方法、以及与其他控制策略的融合等。
文章还将对滑模变结构控制在各类实际系统中的应用进行案例分析，以展示其在实际工程中的有效性和潜力。
文章将总结滑模变结构控制理论及其算法的研究现状，分析当前研究中存在的问题和挑战，并对未来的研究方向进行展望。
希望通过本文的综述，能为滑模变结构控制理论的发展和应用提供有益的启示和参考。
二、滑模变结构控制理论基础滑模变结构控制（Sliding Mode Variable Structure Control，简称SMVSC）是一种特殊的非线性控制方法，其理论基础主要包括滑模面的设计、滑模运动的稳定性分析以及控制算法的实现。
滑模变结构控制的核心思想是在系统状态空间中构建一个滑动模态区（即滑模面），并设计控制策略使得系统状态在受到扰动或参数摄动时，能够在有限时间内到达并维持在滑模面上滑动，从而实现对系统的有效控制。
滑模面的设计是滑模变结构控制的关键。
滑模面需要满足一定的条件，如可达性、存在性和稳定性等，以确保系统状态能够到达滑模面并在其上滑动。
一般来说，滑模面的设计需要综合考虑系统的动态特性、控制目标以及约束条件等因素。
模糊控制的现状与发展
模糊控制的现状与发展模糊控制：从理论到实践的全面解析引言随着科技的快速发展，自动化和智能化成为了各个领域追求的目标。
在控制领域中，模糊控制是一种重要的智能控制方法，它通过对不确定性和模糊信息的处理，实现了对复杂系统的有效控制。
本文将介绍模糊控制的现状、挑战及未来发展。
现状模糊控制作为一种经典的智能控制方法，已经在许多领域得到了广泛的应用。
例如，在工业生产中，模糊控制被用于控制温度、压力等参数；在汽车控制系统中，模糊控制被用于优化燃油喷射、变速器控制等。
虽然模糊控制已经取得了许多成果，但仍然存在一些不足之处，如缺乏完善的理论基础、控制精度不够高等。
挑战1、理论方面的问题：模糊控制的理论体系尚不完善，许多关键问题仍未得到很好的解决。
例如，如何建立有效的模糊推理机制，如何选择合适的模糊集合和运算符等。
2、实际应用面临的困难：虽然模糊控制在某些领域已经得到了成功的应用，但在面对复杂的、大规模的系统时，其性能和稳定性仍有待提高。
此外，模糊控制在处理具有高度非线性和不确定性的系统时，也存在着一定的难度。
展望1、技术趋势：随着机器学习、深度学习等技术的发展，未来的模糊控制将更加注重自适应、自组织和自学习的能力。
通过引入新的理论和技术，模糊控制将更好地应对各种复杂和不确定的环境。
2、应用前景：随着工业4.0、智能家居、自动驾驶等领域的快速发展，模糊控制将有着更广泛的应用前景。
例如，在智能家居中，模糊控制可以用于优化能源消耗；在自动驾驶中，模糊控制可以用于实现车辆的稳定性和安全性控制。
结论模糊控制作为智能控制的一个重要分支，具有广泛的应用前景和重要的理论价值。
虽然目前模糊控制还存在一些问题和挑战，但随着技术的不断进步和应用领域的扩展，模糊控制将会有更大的发展空间和更重要的地位。
因此，我们应该充分重视模糊控制的研究和应用，为其发展提供更多的支持和资源，同时也需要进一步加强学科交叉和融合，推动模糊控制技术的不断创新和发展。
滑模变结构控制研究综述
滑模变结构控制研究综述滑模变结构控制作为一种非线性控制，与常规控制的根本区别在于控制的不连续性。
它利用一种特殊的滑模控制方式，强迫系统的状态变量沿着人为规定的相轨迹滑到期望点。
由于给定的相轨迹与控制对象参数以及外部干扰变化无关，因而在滑模面上运动时系统具有比鲁棒性更加优越的不变性。
加之滑模变结构控制算法简单，易于工程实现，从而为复杂工业控制问题提供了一种较好的解决途径。
本文首先介绍了变结构理论，并着重描述了滑模面设计、滑模条件、抖动问题、离散变结构、状态观测等方面的原理和方法，然后介绍了其主要应用情况，最后对本研究工作的发展方向进行了展望。
1 变结构控制理论变结构控制是前苏联学者Emelyanov、Utkin和Itkin在二十世纪六十年代初提出的一种设计方法[1、2、3]。
当初研究的主要是二阶和单输入高阶系统，并用相平面法来分析系统特性。
进入二十世纪七十年代，则开始研究状态空间线性系统，使得变结构控制系统设计思想得到了不断丰富，也提出了多种变结构设计方法。
但这其中只有带滑动模态的变结构控制被认为是最有发展前途的。
所谓滑动模态是指系统的状态被限制在某一子流形上运动。
一般来说，系统的初始状态未必在该子流上，而变结构控制器的作用就在于把系统的状态在有限时间内驱动到并维持在该子流形上。
这一过程称为到达过程。
这里变结构控制体现在非线性控制，使得以下设计目标得以满足：（1）滑动模态存在（2）满足到达条件：在切换面0S i以外的相轨迹将于有限时间内到x)(达切换面（3）滑模运动渐近稳态并具有良好的动态品质而以上三个设计目标可归纳为下面两个设计问题：选择滑模面和求取控制律。
下面我们针对几个问题叙述变结构控制系统的发展情况。
1.1 滑模面设计变结构控制通常要求具有理想的滑动模态，良好的动态品质和较高的鲁棒性，这些性能要通过适当的滑模面来实现。
线性滑模面的设计有极点配置、几何、最优控制等多种方法，文献[4]中列举了较常见的。
变论域模糊控制算法研究
展望未来，永磁同步电机变论域自适应模糊PID控制方法还有许多值得深入研 究的方向。例如，如何进一步提高该方法的响应速度和鲁棒性，以及如何将其 应用于更为复杂的电机控制问题，都是值得深入探讨的课题。此外，随着人工 智能和机器学习技术的快速发展，可以尝试将新型的智能算法引入到永磁同步 电机的控制中，以实现更为高效和精准的控制。
通过分析实验数据和结果，我们可以得出以下结论：永磁同步电机变论域自适 应模糊PID控制方法相比传统PID控制方法具有更高的性能和适应性。在复杂 的运行环境和负载变化下，该方法可以更好地调整PID控制器的参数，实现更 为精准的速度控制。同时，模糊逻辑和自适应算法的引入，使得控制系统具有 了更好的自适应性，为永磁同步电机的广泛应用提供了强有力的支持。
变论域自适应模糊控制器通过将输入空间划分为不同的论域，并动态地调整每 个论域的模糊集合，以适应不同输入范围的变化。它利用模糊逻辑的原理，将 输入值映射到相应的论域，并根据论域内的模糊规则进行推理，得出相应的控 制输出。同时，控制器还通过自适应算法不断调整模糊集合的形状和大小，以 适应系统特性的变化。
参考内容二
随着现代工业技术的飞速发展，永磁同步电机（PMSM）作为一种高效的电机驱 动系统，在许多关键领域都得到了广泛应用。为了满足复杂多变的运行环境和 严格的动态性能要求，研究更为先进的控制策略势在必行。本次演示将探讨永 磁同步电机变论域自适应模糊PID控制的相关问题，旨在为提高电机驱动系统 的性能和适应性提供新的思路。
展望未来，变论域模糊控制算法将在更多领域得到应用和发展。结合、神经网 络等先进技术，变论域模糊控制算法将不断得到优化和提升，更好地服务于工 业自动化、智能制造等领域的控制系统。加强变论域模糊控制算法与物联网、 大数据等技术的融合应用研究，也将为推动工业4.0和中国智能制造的发展提 供有力支持。
模糊控制技术发展现状及研究热点
模糊控制技术发展现状及研究热点一、引言模糊控制技术是一种基于模糊逻辑的控制方法，它能够处理不确定性和模糊性的问题，广泛应用于各个领域。
本文将对模糊控制技术的发展现状进行概述，并介绍当前的研究热点。
二、模糊控制技术的发展现状1. 历史回顾模糊控制技术最早由日本学者松原英利于1973年提出，随后逐渐发展起来。
在过去的几十年中，模糊控制技术在工业控制、机器人、交通系统等领域得到了广泛应用，并取得了显著的成果。
2. 应用领域模糊控制技术被广泛应用于以下几个领域：(1) 工业控制：模糊控制技术在工业自动化中起到了重要的作用，能够处理复杂的控制问题，提高生产效率和产品质量。
(2) 机器人：模糊控制技术在机器人控制中广泛应用，能够使机器人具备自主决策和适应性。
(3) 交通系统：模糊控制技术在交通信号控制、智能交通系统等方面有着广泛的应用，能够提高交通效率和减少交通事故。
(4) 医疗领域：模糊控制技术在医疗设备控制、疾病诊断等方面有着广泛的应用，能够提高医疗效果和患者生活质量。
3. 发展趋势随着科技的不断进步，模糊控制技术也在不断发展。
目前，模糊控制技术的发展趋势主要体现在以下几个方面：(1) 模糊控制算法的改进：研究者们正在不断改进模糊控制算法，提高控制系统的性能和鲁棒性。
(2) 模糊控制与其他技术的结合：模糊控制技术与神经网络、遗传算法等其他智能控制技术的结合，能够进一步提高控制系统的性能。
(3) 模糊控制系统的优化：研究者们正在研究如何优化模糊控制系统的结构和参数，以提高系统的控制性能。
(4) 模糊控制技术在新领域的应用：模糊控制技术正在拓展到新的应用领域，如金融、环境保护等。
三、模糊控制技术的研究热点1. 模糊控制系统的建模与设计(1) 模糊控制系统的建模方法：研究者们正在研究如何准确地建立模糊控制系统的数学模型，以便更好地进行控制系统设计和分析。
(2) 模糊控制系统的设计方法：研究者们正在研究如何设计出性能优良的模糊控制系统，以满足不同应用领域的需求。
控制系统中的模糊控制算法设计与实现
控制系统中的模糊控制算法设计与实现现代控制系统在实际应用中，往往面临着多变、复杂、非线性的控制问题。
传统的多变量控制方法往往无法有效应对这些问题，因此，模糊控制算法作为一种强大的控制手段逐渐受到广泛关注和应用。
本文将从控制系统中的模糊控制算法的设计和实现两个方面进行介绍，以帮助读者更好地了解和掌握这一领域的知识。
一、模糊控制算法的设计1. 模糊控制系统的基本原理模糊控制系统是一种基于模糊逻辑的控制系统，其基本思想是通过将输入和输出变量模糊化，利用一系列模糊规则来实现对系统的控制。
模糊控制系统主要由模糊化、规则库、模糊推理和解模糊四个基本部分组成，其中规则库是模糊控制系统的核心部分，包含了一系列的模糊规则，用于描述输入和输出变量之间的关系。
2. 模糊控制算法的设计步骤（1）确定输入和输出变量：首先需要明确系统中的输入和输出变量，例如温度、压力等。
（2）模糊化：将确定的输入和输出变量进行模糊化，即将其转换为模糊集合。
（3）建立模糊规则库：根据实际问题和经验知识，建立一系列模糊规则。
模糊规则关联了输入和输出变量的模糊集合之间的关系。
（4）模糊推理：根据当前的输入变量和模糊规则库，利用模糊推理方法求解输出变量的模糊集合。
（5）解模糊：将求解得到的模糊集合转换为实际的输出值，常用的方法包括最大值法、加权平均法等。
3. 模糊控制算法的设计技巧（1）合理选择输入和输出变量的模糊集合：根据系统的实际需求和属性，选择合适的隶属函数，以便更好地描述系统的特性。
（2）精心设计模糊规则库：模糊规则库的设计是模糊控制算法的关键，应根据实际问题与经验知识进行合理的规则构建。
可以利用专家经验、试验数据或者模拟仿真等方法进行规则的获取和优化。
（3）选用合适的解模糊方法：解模糊是模糊控制算法中的一项重要步骤，选择合适的解模糊方法可以提高控制系统的性能。
常用的解模糊方法有最大值法、加权平均法、中心平均法等，应根据系统的需求进行选择。
基于全程滑模的模糊滑模控制(二阶多输入多输出非线性系统)
x21 x21d
2
4
time/s
6
8
10
图 2-2 状态 x21 的跟踪性能
3
20 10 0 u -10 -20 -30 0
u1 u2
2
4
time/s
6
8
10
图 2-3 控制量 u1 和 u2
0.05 0 -0.05 0 1 0 -1 0 s s
s 放大图
基于全程滑模的模糊滑模控制二阶多输入多输出非线性系统二阶滑模高阶滑模滑模控制滑模施工滑模施工动画滑模摊铺机滑模观测器滑模变结构滑模施工视频
基于全程滑模的模糊滑模控制
1 二阶多输入多输出非线性系统
考虑如下形式的二阶多输入多输出非线性系统
11 = x12 ⎧x ⎨ 2 2 12 = −2 x22 sin(3 x11 ) + cos t cos x12 sin(2 x11 ) + u1 ⎩x 21 = x22 ⎧x ⎨ 22 = 1.5 x12 cos( x21 ) + e − t x22 cos x11 + u2 ⎩x
7
Dtheta1=N*norm(s1)*fea1; theta1=theta1+Dtheta1*Dt; Dtheta2=N*norm(s2)*fea2; theta2=theta2+Dtheta2*Dt;
u1=-(-2*x22^2*sin(3*x11)+5*(x12-pi*cos(pi*t)-Dp1)-DDp1+pi^2*sin(pi*t)+(fea1'*theta1+alpha/ k*(exp(k*norm(s1))-1)+beta/k*(1-exp(-k*norm(s1)))^(q/p)*exp(k*norm(s1)))*s1/(norm(s1)+0.01 )); u2=-(1.5*x12*cos(x21)+5*(x22+pi/2*sin(pi*t/2)-Dp2)-DDp2+pi^2/4*cos(pi*t/2)+(fea2'*theta2+a lpha/k*(exp(k*norm(s2))-1)+beta/k*(1-exp(-k*norm(s2)))^(q/p)*exp(k*norm(s2)))*s2/(norm(s2) +0.01)); Dx11=x12; Dx12=-2*x22^2*sin(3*x11)+cos(t)*cos(x12^2)*sin(2*x11)+u1; x11=x11+Dx11*Dt; x12=x12+Dx12*Dt; Dx21=x22; Dx22=1.5*x12*cos(x21)+exp(-t)*x22*cos(x11)+u2; x21=x21+Dx21*Dt; x22=x22+Dx22*Dt; x_store(:,n)=[x11;x11d;x21;x21d]; u_store(:,n)=[u1;u2]; s_store(:,n)=[s1;s2]; theta1_store(:,n)=theta1; theta2_store(:,n)=theta2; t=t+Dt; n=n+1; end %驱动系统的吸引子 % figure(1) % plot(x_store(1,:),x_store(3,:)) % xlabel('x1') % ylabel('x2') figure(1) plot((1:n-1)*Dt,x_store(1,:),(1:n-1)*Dt,x_store(2,:)) legend('x11','x11d')
滑模控制——精选推荐
滑模控制：在数学中应用的综述Alessandro Pisano, Elio Usai公式要用公式编辑器输入！摘要：本文介绍了一个关于滑模变结构控制系统的简短的综述。
从等号右边不连续的动态系统的滑模开始，考虑到滑模控制系统的经典方法，并且得出对于这种不确定系统的控制的一般结论。
然后，提出高阶滑模作为消除控制作用的间断性的工具，当用高阶滑模处理相对高阶的系统和提高滑模作用精度时，必须把时间的离散性考虑在内。
最后，提出了滑模控制理论在应用数学问题方面的三个应用：受限制的QDE（常微分方程）的数量解，实时微分，以及寻找非线性系统的零点的问题。
第一种是几乎直接应用滑模控制理论，然而后两种是通过计算正确定义的动力系统的解完成的。
可以用一些仿真来解释这种方法。
1、简介非线性动态系统由于其可能产生的结果而被认为是研究领域一个感兴趣的话题。
其实，真正的系统总是非线性的，把它们的近似线性可能会给他们的工作范围施加过于严格的要求或产生不可行的结果。
而且非线性系统甚至可以比线性系统的性能更好，因此往往在反馈控制系统中有意引入一些非线性行为。
在非线性系统中，切换控制系统非常有趣，因为它实现简单甚至可能是一些控制问题的最优解。
切换动态系统产生于有趣的数学问题，因为它们的特征是等号右边不连续的ODE （常微分方程），常微分方程的解通常定义和存在条件不再有效；因此必须适当地将经典微分方程理论进行扩展。
切换系统的特征是系统中存在动态变化，这些变化和状态空间中的不同状态集合有关系。
这些不同的集合彼此被边界线分隔开来，在一些混合动力系统的文献中被命名为卫兵，跨越边界的矢量场的方向有可能指向边界本身。
在这种情况下会形成滑模而且状态空间不同集合之间的边界定义了不同的矢量场，通常被称为滑动面。
在滑模稳定存在的情况下，滑动面是状态空间的一个不变集，在适当的条件下，状态轨迹独立于原来的系统动态特性，约束运动提出了一个半组属性。
这种不变性，对于滑模不确定性的匹配，引起了控制工程师的兴趣，工程师认为这是在反馈中有意引进切换的开关机会，不管系统的不确定性和外部扰动是否满足匹配条件，都能够使闭环控制系统有着满意的表现。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模糊滑模控制算法研究综述
作者：米文鹏蒋奇英郭刚
来源：《读写算·教研版》2014年第14期
摘要：模糊控制及滑模控制作为两种先进的控制方法，有着非常好的优势，但也存在着缺点，结合两者的优点，互补其缺点，从而形成了模糊滑模控制律，本文主要概述研究了模糊控制的一些基本算法。
关键词：模糊控制；滑模控制；复杂系统
中图分类号：G632 文献标识码：B 文章编号：1002-7661（2014）14-094-01
随着控制理论实践的不断深入，被控对象的结构及数学模型也越来越复杂，呈现出时变性、多输入多输出、高度复杂性、非线性、不确定性等特点。
面对这些复杂特征，传统的基于精确数学模型的控制理论的局限性日趋明显，于是出现了诸如变结构控制、自适应控制、模糊控制、神经网络控制以及智能控制等新的控制手段。
本文就模糊滑模控制的产生及发展现状做简单介绍。
滑模控制因其独特的优势在伺服机构、飞行器控制等领域有着广阔的发展前景。
但是，实际系统由于切换装置不可避免地存在惯性，变结构控制在不同的控制逻辑中来回切换，会导致实际滑模运动不是准确地发生在切换面上，容易引起系统的剧烈抖动。
这一缺点使其在实际应用中受到了很大的限制。
抖动不仅影响控制的精确性，增加能量消耗，而且系统中的高频未建模动态很容易被激发起来，破坏系统性能，甚至使系统产生振荡或失稳，损坏控制器部件。
而将模糊控制与滑模变结构控制结合应用来克服变结构控制所带来的抖动便成为很多专家学者的研究重点。
一、常规模糊滑模控制
模糊控制和滑模变结构控制各有优缺点，有某种相似之处，又有互补之处。
90年代以后专家学者把二者结合，构成模糊滑模控制，实现两者之间的取长补短。
同时还可在一定程度上削弱或克服滑模变结构控制的抖动现象。
目前，模糊控制与滑模变结构控制的结合运用主要有以下三种方式[1]。
1、通过模糊控制规则自适应地调节符号函数项的值，可以在保证趋近速度和减小抖动的前提下较好地选择和。
2、通过模糊控制规则直接确定滑模控制量，即直接把切换函数及其微分作为输入量，通过模糊推理获得滑模控制的控制量。
3、变结构控制、模糊控制的复合控制策略。
在大偏差时采用滑模变结构控制，在小偏差时采用模糊控制的运行方式。
二、自适应模糊滑模控制
普通的模糊滑模控制的设计仍然是基于经验的。
由于模糊规则的选取有很大的任意性，在很多情况下有效经验的获取并不是容易的事。
为了达到一定精度，选择的模糊规则可能非常复杂[2,3]，且系统参数在控制过程中也没有自适应和自学习能力。
为使系统在不确定性以及对象出现参数和结构变化的情况下保证不变性，自适应模糊滑模控制应运而生，并成为非线性系统自适应控制方法研究的主流[4]。
三、基于模糊神经网络的滑模控制
人工神经网络同样具有自学习和自适应的能力。
它和模糊系统的结合有助于扩大二者在滑模控制领域内的应用。
模糊神经网络（Fuzzy Neural Networks, FNN）结合了模糊控制与神经网络控制两者的优势，不仅具有神经网络自学习和快速处理的能力，而且具有模糊控制系统能够充分利用先验知识、以较少的规则数来表达知识的优势，避免了神经网络不能很好地利用已有经验知识，往往将初始权值取为零或随机数使网络训练时间变长或者陷入非要求的局部极值的缺点，也避免了模糊控制由于缺乏自学习和自适应能力，给控制器参数的学习和调整带来的困难。
模糊神经网络与滑模控制的结合应用可以通过以下几种方式：一、用T-S模糊神经网络等价系统不确定的动态特性和，再按一般滑模控制的方法形成控制律。
控制过程中FNN 的参数根据实际系统的输入输出数据在线自学习。
或者以为输入的标准模糊神经网络实时估计系统动态不确定性的上界，以此与状态反馈相结合构造滑模控制。
也可用结构自组织的广义参数学习的模糊径向基函数网络完成系统动态不确定性的等价，在此基础上构造系统的滑模控制律。
这几种方式均是通过模糊神经网络来等效系统不确定项的，也可直接采用模糊神经网络构造滑模控制率，如：L in等[8]直接用以为输入的标准模糊神经网络构造滑模控制律，基于最小化用梯度下降方法完成FNN的参数自适应；为了保证滑模产生条件存在，还构造了带符号函数的监督控制律。
当与系统状态相关的李亚普洛夫函数值进入零的一个邻域时，监督律作用撤消。
于是从总体上保证了滑模产生条件的满足和稳态时的无抖振。
四、模糊滑模控制与其它策略的结合
除了以上所描述的问题之外，关于模糊滑模控制和其它策略相结合还有其他诸多方面的内容，它们体现了控制理论的交叉融合。
遗传算法作为一种优化算法，在模糊滑模控制中亦得到较多应用。
可以采用遗传算法对控制器增益参数、模糊规则、隶属函数进行优化，有效减小或消除抖振。
当然还有其他算法与模糊滑模控制的结合应用，在此就不在累述。
参考文献：
[1] 王翠红自适应模糊滑模控制的设计与分析[D] 西南交通大学 2002
[2] Yoo B, Ham W. Adaptive fuzzy sliding mode control of nonlinear system [J]. IEEE Trans. Fuzzy Syst., 1998, 6(2): 315-321
[3] Yu X, Man Z, Wu B. Design of fuzzy sliding-mode control systems [J], Fuzzy Sets and Systems, 1998, 95:295-306
[4] Kaynak O, Erbatur K, Ertugrul M. The fusion of computationally intelligent methodologies and sliding mode control-a survey [J]. IEEE Trans. Industrial Electronics, 2001, 48(1): 4-17
[5] Lu Y S, Chen J S. A self-organizing fuzzy sliding mode controller design for a class of nonlinear servo system [J]. IEEE Trans. on Industrial Electronic, 1994, 41(5): 492-502
[6] Lin S C, Chen Y Y. Design of adaptive fuzzy sliding mode for nonlinear system control[C]. Proc.of IEEE Int. Conf. on Fuzzy Systems, 1994, (1):35-39
[7] Kim Y T. An adaptive fuzzy sliding mode control of a direct drive motor[C]. Proc. Of IEEE Int. Conf. on Systems, Man and Cybernetics, 1997, (2): 1668-1673
[8]Lin F J, Hwang W J. A supervisory fuzzy neural network control system for tracking periodic inputs [J]. IEEE Trans. on Fuzzy Systems, 1999, 7(1): 41-52。