基于模糊神经网络滑模控制器的一类非线性系统自适应控制_达飞鹏
控制系统中的自适应模糊神经网络控制算法研究
控制系统中的自适应模糊神经网络控制算法研究一、引言控制系统在工程领域中扮演着至关重要的角色。
随着技术的不断发展，人们对于控制系统的性能和效果的要求也越来越高。
为了提高控制系统的稳定性、精确性和适应性，自适应模糊神经网络控制算法应运而生。
本文旨在研究探讨控制系统中的自适应模糊神经网络控制算法。
二、自适应模糊神经网络控制算法的原理自适应模糊神经网络控制算法是一种基于模糊控制和神经网络的控制算法。
它通过对控制系统输入和输出的模糊化处理，建立模糊规则库，并利用神经网络的学习能力，通过不断调整神经网络参数来优化控制系统的性能。
三、自适应模糊神经网络控制算法的实现步骤1. 数据预处理：将控制系统的输入和输出数据进行归一化处理，消除数据间的量纲影响，使其具有相同的范围。
2. 模糊化处理：将预处理后的输入和输出数据通过模糊化方法转换为模糊集合，建立模糊规则库。
模糊化处理的关键是选择合适的隶属函数和模糊化算法。
3. 神经网络学习：将模糊规则库作为训练数据，通过神经网络的学习算法优化神经网络的权重和偏置。
常用的神经网络学习算法有误差逆传播算法和遗传算法。
4. 控制输出计算：将模糊规则库和神经网络的输出结合起来，通过解模糊化方法计算最终的控制输出。
5. 参数调整：根据控制系统的性能指标，通过反馈机制不断调整模糊规则库和神经网络的参数，以提高控制系统的性能。
四、自适应模糊神经网络控制算法的优势1. 适应性强：自适应模糊神经网络控制算法能够根据控制系统的工作状态和环境变化自动调整参数，具有较强的适应性。
2. 鲁棒性好：由于模糊规则库的建立和神经网络的学习算法，自适应模糊神经网络控制算法具有较好的鲁棒性，能够应对各种复杂的干扰和系统变化。
3. 精度高：通过优化神经网络的权重和模糊规则库的参数，自适应模糊神经网络控制算法能够提高控制系统的输出精度，实现更精确的控制效果。
五、自适应模糊神经网络控制算法的应用展望自适应模糊神经网络控制算法已广泛应用于各个领域的控制系统中，如机械控制系统、电力系统、交通系统等。
离散控制系统中的自适应模糊神经网络控制方法
离散控制系统中的自适应模糊神经网络控制方法离散控制系统是指其输入、输出和状态在连续时间内不连续变化的一类控制系统。
自适应模糊神经网络是一种结合模糊逻辑和神经网络的控制方法，具有良好的自适应性能和泛化能力。
本文将介绍一种在离散控制系统中应用自适应模糊神经网络的控制方法。
一、概述离散控制系统中的自适应模糊神经网络控制方法是基于模糊逻辑和神经网络的控制方法的组合。
它通过建立离散时间的模糊控制器和神经网络控制器，在离散时间内对系统进行控制和调节。
该方法结合了模糊控制的模糊推理和神经网络的学习能力，能够适应系统的变化和不确定性。
二、方法步骤1. 建立模糊控制器根据离散控制系统的具体需求，建立模糊控制器的输入、输出和规则库。
输入可以是系统的误差和误差变化率等，输出可以是控制信号。
规则库是由一系列if-then规则组成的，用来描述输入和输出之间的关系。
2. 训练神经网络使用训练数据对神经网络进行训练，以获得控制器的权值和阈值。
训练数据可以是系统的输入输出数据对，可以通过离线数据采集或者在线实时采集得到。
通过训练，神经网络可以学习系统的动态性能，并根据误差进行调整。
3. 联合控制将模糊控制器和神经网络控制器进行结合，在每个离散时间步骤中，输入当前的系统状态和误差，经过模糊推理得到模糊控制信号，然后输入到神经网络中进行修正和优化，最终得到最优的控制信号。
三、实例分析以温度控制系统为例，假设该系统的目标温度为25摄氏度，输入是环境温度和控制器输出的误差，输出是控制信号。
首先建立模糊控制器的规则库，如：如果误差为正，而且误差变化率为正，则输出增加信号；如果误差为负，而且误差变化率为负，则输出减小信号；其他情况，则输出不变信号。
然后，使用一系列训练数据对神经网络进行训练，得到权值和阈值。
训练数据可以是系统在不同环境温度下的输入输出数据对。
通过训练，神经网络可以学习到系统的动态性能，并根据误差进行调整。
最后，在每个离散时间步骤中，输入当前的系统状态和误差，经过模糊推理得到模糊控制信号。
基于神经网络的自适应控制技术研究
基于神经网络的自适应控制技术研究神经网络作为一种模拟人脑神经元网络的计算模型，在多个领域得到了广泛的应用。
其中，自适应控制技术是神经网络研究的重要方向之一。
使用神经网络进行自适应控制，可以有效地解决各种非线性、时变和模型不确定的动态系统控制问题。
一、神经网络的基本原理神经网络模仿人类大脑组织，由若干个神经元构成。
每个神经元接受若干个输入信号，并将它们加权求和后传递到激活函数中进行处理，最终得到输出信号。
多个神经元可以组成网络，进行更加复杂的信息处理和控制。
神经网络的学习过程是通过对输入和输出数据的训练实现的。
通常采用的训练方法是反向传播算法。
该算法基于一种误差反向传播的思想，通过计算每个神经元的误差，根据误差大小对神经元的权重进行更新和调整，不断减小网络的误差，达到有效的学习效果。
二、自适应控制技术自适应控制技术是一种针对动态系统进行控制的技术。
动态系统具有非线性、时变性、模型不确定等特性，传统的线性控制方法往往难以达到理想的效果。
自适应控制技术基于神经网络模型，可以进行模型自适应、参数自适应和信号处理等多种操作，以适应各种复杂的动态系统。
常见的自适应控制方法有基于模型参考自适应控制、基于模型自适应控制、基于直接自适应控制等。
其中，基于模型参考自适应控制是一种应用广泛的方法。
该方法将实际输出与期望参考模型的输出进行比较，通过误差反馈，计算调整控制器参数的信号，最终实现对动态系统的控制。
三、神经网络自适应控制技术的研究进展神经网络自适应控制技术在航空、机械、电力、化工等行业中得到了广泛的应用。
在航空领域，神经网络自适应控制技术可以应用于飞机自动驾驶、导航、起降控制等方面。
在机械领域，神经网络自适应控制技术可以应用于机械臂、机器人控制、数控机床等领域。
在电力、化工领域，神经网络自适应控制技术可以应用于发电机组调节、化工装置控制等领域。
目前，神经网络自适应控制技术的研究主要集中在以下几个方面：1.神经网络自适应PID控制技术PID控制是一种基于比例、积分、微分三个控制器参数的控制方法。
针对部分模糊非线性系统的滑模控制研究
针对部分模糊非线性系统的滑模控制研究随着科技的不断发展和应用的深入，非线性系统已经成为现代控制系统中不可或缺、越来越重要的一种形式。
非线性系统因为其本身的特性和动力学方式，带有一些线性系统所不具备的特殊性质，这些特殊性质增加了系统建模和控制的难度。
通常来说，非线性系统模型的复杂性是由于模型中各种未知非线性函数、未知参数和之间相互作用所导致的。
这些复杂特性对控制器的要求极高，传统线性控制方法已经无法胜任。
因此，针对部分模糊非线性系统的滑模控制研究早已成为控制领域研究的热点和难点。
一、什么是滑模控制滑模控制(SMC)是控制系统中一种常用的非线性控制方法，可以对非线性动态系统产生鲁棒性，从而提高系统的稳定性、精度和鲁棒性等指标。
滑模控制方法的目标是建立一个表面(滑模面)，使系统状态在该表面上滑行，以避免非线性、不确定因素对系统的影响。
滑模控制的核心思想是在系统状态反馈控制中引入“滑模面”，从而实现抑制系统干扰和抖动的目的。
通过设计合适的控制器，将系统状态保持在滑动模式下，在滑动模式下，快速抑制系统干扰和不确定因素。
二、滑模控制在非线性动态系统中的应用目前，滑模控制方法已经被广泛应用于非线性动态系统的建模和控制中。
其中，针对各种不同的非线性系统模型，滑模控制方法具有无可替代的优势。
滑模控制在非线性系统中的应用，主要有以下几个方面：1、系统非线性鲁棒控制对于部分非线性系统而言，系统动力学方程模型中存在未知的非线性函数和/或未知的参数。
针对这种情况，滑模控制方法可以采用滑动表面设计的方法，通过引入附加的滑动模态变量进行非线性问题的消除和抵消，从而实现非线性控制约束的鲁棒性。
2、系统自适应鲁棒控制在一些复杂非线性系统中，系统内部的动态特性存在着复杂循环、周期性变化，导致系统的建模和控制难度极大。
其中，滑模控制既可以设计鲁棒的滑动表面，同时也可以引入自适应控制策略，使系统的控制性能一直保持在一定的精度要求范围内，实现协调性和稳定性的平衡。
控制系统的神经网络模糊混沌滑模控制方法
控制系统的神经网络模糊混沌滑模控制方法控制系统的神经网络模糊混沌滑模控制方法是一种应用于复杂控制系统中的先进控制技术。
该方法通过神经网络模型的建立和混沌滑模控制策略的设计，实现对系统动态特性的有效控制。
本文将详细介绍控制系统的神经网络模糊混沌滑模控制方法的原理与应用。
1. 神经网络模型的建立神经网络模型是控制系统中关键的一部分，通过拟合系统的非线性映射关系，实现对系统输入和输出之间的关系建模。
神经网络模型通常由输入层、隐含层和输出层组成，其中隐含层的神经元数量和连接权值决定了模型的表达能力。
在建立神经网络模型时，可以使用多种算法进行参数训练，例如反向传播算法、遗传算法等。
2. 模糊混沌滑模控制策略的设计模糊混沌滑模控制策略是控制系统中的一种优化控制方法，通过结合模糊控制理论和混沌理论，实现对系统的快速响应和鲁棒性改善。
该策略的核心思想是将混沌系统引入到滑模控制中，通过混沌系统的随机性和非线性特性，增加系统对干扰和参数变化的抵抗能力。
同时，利用模糊控制的模糊逻辑和推理能力，提高系统的自适应性和鲁棒性。
3. 控制系统的性能指标与优化方法在神经网络模糊混沌滑模控制方法中，性能指标的选择与优化方法的设计是至关重要的。
常见的性能指标包括响应速度、超调量和稳态误差等，可以根据具体的应用需求进行调整和优化。
优化方法主要包括参数整定和控制策略的选择，可以使用各种优化算法进行参数搜索和求解最优解。
4. 案例分析与仿真实验为了验证控制系统的神经网络模糊混沌滑模控制方法的有效性，本文将以某电力系统的调度控制为例进行案例分析和仿真实验。
通过对电力系统的动态特性建模和仿真，可以评估控制系统的性能和鲁棒性，并对系统参数进行优化和调整。
综上所述，控制系统的神经网络模糊混沌滑模控制方法是一种先进的控制技术，具有良好的控制效果和鲁棒性。
通过神经网络模型的建立和混沌滑模控制策略的设计，可以实现对复杂控制系统的高效控制和优化。
然而，在具体应用中，还需要综合考虑系统的特性、性能指标和优化方法，以实现最佳的控制效果。
控制系统的模糊神经网络滑模控制方法
控制系统的模糊神经网络滑模控制方法模糊神经网络（Fuzzy Neural Network，FNN）是一种将模糊逻辑和神经网络相结合的控制方法，具有较强的非线性建模和控制能力，在控制系统中得到广泛应用。
而滑模控制是一种基于变结构控制理论的控制方法，能够实现对系统的快速响应和强鲁棒性的控制。
本文将介绍控制系统中模糊神经网络与滑模控制相结合的方法，即模糊神经网络滑模控制方法。
一、模糊神经网络的基本原理模糊神经网络是通过模糊逻辑推理和神经网络学习相结合的方法，能够实现对系统的非线性建模和控制。
其基本原理如下：1. 模糊化处理：将输入和输出量转化为模糊量，通过隶属度函数描述其隶属度，得到模糊变量。
2. 规则库设计：构建一系列模糊规则，描述输入变量和输出变量之间的模糊关系。
3. 推理机制：根据输入变量通过模糊规则进行模糊推理，得到模糊输出。
4. 解模糊化处理：将模糊输出通过解模糊函数映射为实际输出量。
二、滑模控制的基本原理滑模控制是一种基于变结构控制理论的控制方法，其基本思想是通过引入滑模面，使得系统状态能够迅速地切换到滑模面，从而实现对系统的快速响应和强鲁棒性的控制。
其基本原理如下：1. 设计滑模面：根据系统的特性和要求，设计一个滑模面，使系统状态能够在其上快速切换。
2. 设计滑模控制律：根据滑模面的切换条件和系统模型，设计相应的滑模控制律，使系统状态能够快速地切换到滑模面。
3. 添加辅助控制律：为了降低滑模面的切换频率和振荡幅度，可以加入辅助控制律以提高系统的性能。
三、模糊神经网络滑模控制方法模糊神经网络滑模控制方法将模糊神经网络与滑模控制相结合，以充分发挥二者的优势，提高系统的控制性能。
其基本步骤如下：1. 建立模糊神经网络：根据系统的特性和要求，设计模糊神经网络的输入变量、输出变量和隐含层，确定隶属度函数和模糊规则，并通过神经网络学习算法训练网络参数。
2. 设计滑模面：根据系统的特性和要求，设计滑模面，并确定其滑模控制律。
基于神经网络的非线性系统反演模糊滑模控制_王航
Key words: back⁃stepping control；sliding control；neural network；fuzzy control
0 引言
点问题，相继有许多控制方法应用于此。Kanella⁃ 应用于一类非线性系统 。
[1]
非线性系统的控制问题是控制理论研究的热
针对一支种非匹配不确定非线性系统，提出了 状态参考自适应反演滑模控制方案，实现了不 采用自适应反演方法和变结构控制设计控制 确 定 非 线 性 系 统 的 鲁 棒 输 出 跟 踪 。 文 献 [5] 中 ，
定系统的控制中，取得了良好的结果。文献 [4]
kopoulos 等人在 1991 年首先提出了反演设计法， 反演法设计的基本思想是将复杂的非线性
律，实现了非匹配不确定系统的鲁棒调节。该 方法允许非参数化不确定性， 增强了控制系统 统中的非线性函数及扰动项，并利用模糊系统 来构造系统的虚拟控制量，从而实现对欠驱动 四旋翼飞行器的高精度控制。 考虑到反演设计与滑模控制各自的优点，将 二者用于同一个系统控制律的设计中，简化控制 器设计的同时又增强了系统对参数不确定项和外 部干扰的鲁棒性。 控制律的设计多是建立在系统模型的基础 的鲁棒性。文献 [6] 利用自适应模糊系统逼近系
（5） T T ͂ ̂ ̂ 定义 , f (x) = f (x) - f (x) = W σ f (x) + ε f - W σ f (x) = ͂ T σ (x) + ε W
T f 4）
̂T σ (x) = ͂ (x) = g(x) - g ̂(x) = V T σ g (x) + ε g - V g g T ͂ V σ (x) + ε
α i - 1 是虚拟控制量。
基于非线性滑模控制的飞行器自稳定及鲁棒性分析
基于非线性滑模控制的飞行器自稳定及鲁棒性分析近年来随着无人机技术的快速发展，对于飞行器的自稳定和鲁棒性控制要求越来越高。
在众多控制策略中，非线性滑模控制成为一种重要的控制方法，具有较强的适应性、鲁棒性和抗扰性，在控制系统中得到了广泛应用。
本文以基于非线性滑模控制的飞行器自稳定及鲁棒性分析为主题，从概念、原理、应用等方面进行详细介绍。
一、非线性滑模控制的概念和原理非线性滑模控制，顾名思义，就是对非线性系统进行控制的一种方法。
在控制系统中，将非线性系统分成两部分，一部分是有限时间内能显著转移的系统（称为滑模面），另一部分是快速地使系统从当前状态转移到滑模面的控制器（称为滑模控制器）。
它的基本思想是，通过一个稳定的滑模面将非线性系统转换为可控、可观的线性系统，实现控制的目的。
滑模面的设计是非线性滑模控制的核心。
它的选择应考虑系统的非线性特性、外部扰动以及控制效果等因素。
一般来说，滑模面的设计要满足以下几个条件：1. 滑模面必须是可达的和稳定的；2. 滑模面必须是唯一的；3. 对于系统状态的任意初始值，都能在有限时间内到达滑模面；4. 对于系统的扰动和噪声具有良好的鲁棒性。
设计好滑模面之后，进一步需要设计与之匹配的滑模控制器，使得系统能够快速地在滑模面上滑动，并保持在滑模面上，实现对飞行器的控制。
二、非线性滑模控制在飞行器控制中的应用基于非线性滑模控制的飞行器控制方法已经广泛应用于各种类型的飞行器，如自主飞行器、直升机、飞艇等，取得了较好的控制效果。
飞行器的控制需求不同，针对不同需求设计的控制方案也不同。
例如，对于无人机这种自主飞行器，需要实现美妙的悬停和准确的飞行控制，因此在控制系统中需要加入高级控制策略，如航路跟踪、高度控制、姿态控制等。
而对于直升机这种复杂的飞行器，控制器的设计需要关注强烈的散射抖动、失速以及模态跳跃等问题。
三、非线性滑模控制的应用优势作为一种强鲁棒、适应性强的控制策略，非线性滑模控制不但可以帮助控制系统克服现实中各种不确定性和扰动，还可以指导控制系统对于故障和缺陷的检测和制动。
基于神经网络模型的自适应控制系统设计及仿真
第一章前言1.1 课题的意义：本毕业设计旨在学习并比较各种自适应控制算法，掌握matlab语言，利用simulink对自适应控制系统模型进行仿真分析。
自适应控制是人们要求越来越高的控制性能和针对被控系统的高度复杂化，高度不确定性的情况下产生的，是人工智能渗入到应用科技领域的必然结果。
并在常规控制理论的基础上得到进一步的发展和提高。
进入21世纪以来，智能控制技术和远程监测技术继续飞速发展，逐渐被应用到电力、交通和物流等领域。
从卫星智能控制，到智能家居机器人；从公共场所的无线报警系统，到家用煤气、自来水等数据的采集。
可以说，智能控制技术和远程监测技术己经渗透到了人们日常生活之中，节约了大量的人力和物力，给人们的日常生活带来了极大的便利。
目前，自适应控制的研究以认知科学、心理学、社会学、系统学、语言学和哲学为基础，有效的把数字技术、远程通信、计算机网络、数据库、计算机图形学、语音与听觉、机器人学、过程控制等技术有机的结合，提供了解决复杂问题的有效手段。
自适应控制是在人们在追求高控制性能、高度复杂化和高度不确定性的被控系统情况下产生的，是人工智能渗入到应用科技领域的必然结果，并在常规控制理论的基础上得到进一步的发展和提高。
主要研究对象从单输入、单输出的常系数线性系统，发展为多输入、多输出的复杂控制系统。
自适应控制理论的产生为解决复杂系统控制问题开辟了新的途径，成为当下控制领域的研究和发展热点。
1.2 国内外研究概况及发展趋势：1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。
此模型沿用至今，并且直接影响着这一领域研究的进展。
因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。
1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。
控制系统的模糊神经网络混沌滑模控制方法
控制系统的模糊神经网络混沌滑模控制方法控制系统的模糊神经网络混沌滑模控制方法是一种应用于复杂系统控制中的先进方法。
本文将从控制系统的基本原理、模糊神经网络、混沌滑模控制等方面进行论述，分析该方法在控制系统中的应用及优势。
一、控制系统的基本原理控制系统是指通过对系统内部及外部的各种控制因素进行调节和控制，以使系统状态达到预定的目标状态的一种技术方法。
控制系统主要由传感器、执行器和控制器组成。
传感器用于对系统的各种状态量进行测量，执行器用于通过执行力或输出信号对系统进行控制，而控制器则是通过比较测量值和目标值，并根据调节规则进行控制策略的决策。
二、模糊神经网络模糊神经网络是一种模拟人脑神经元工作原理的计算模型。
它具有模糊推理和学习能力，能够对复杂、不确定、模糊的问题进行处理和决策。
模糊神经网络由输入层、隐含层和输出层组成，通过训练学习得到网络的权值和阈值，从而实现对输入数据的模糊推理和处理。
三、混沌滑模控制混沌滑模控制是基于滑模控制理论和混沌控制理论的一种控制方法。
滑模控制是一种对系统进行非线性控制的方法，通过引入一个滑动模式面，使得系统在该面上运动，从而实现对系统状态的控制。
混沌控制是指通过对混沌系统的控制变量进行调节，使混沌系统的状态从混沌状态转化为稳定状态。
混沌滑模控制通过引入滑模控制和混沌控制的方法，对控制系统进行精确的控制，提高系统的控制品质。
四、控制系统的模糊神经网络混沌滑模控制方法基于以上的控制原理和理论，控制系统的模糊神经网络混沌滑模控制方法可以分为以下几个步骤：1. 系统建模和状态观测：首先对控制系统进行建模，确定系统的状态变量，并利用传感器对系统状态进行实时观测。
2. 模糊神经网络设计和训练：根据系统的控制需求，设计相应的模糊神经网络结构，并通过训练学习得到网络的权值和阈值。
3. 滑模控制面设计：根据系统的状态变量和目标状态，确定滑模控制面的设计方法和参数，使系统在该面上能够实现控制目标。
- 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)。
（东南大学自动化所，江苏 南京 ２１００９６）
ADAPTIVE CONTROL FOR A CLASS OF NONLINEAR SYSTEMS BASED ON FNNSMC
DA Fei-peng, SONG Wen-zhong （Research Institute of Automation, Southeast University, Nanjing 210096, China）
1
Introduction
In general, it is difficult to design the adaptive controller for nonlinear systems [1][2]. This is because that firstly it is hard to find proper structure of uncertain dynamic nonlinear systems, secondly there do not exist common adaptive control laws. Sli-ding mode control gives a new way for the control of a class of nonlinear systems [3]. Since sliding mode can be designed as one expects and is robust to dis-turbance signals and parameter variations in systems. However, high frequency chattering is the shortco-ming of the sliding mode control. The chattering may excite high-frequency dynamics associated with the control system which have been neglected in the course of modeling, sometimes it can even cause system unstable. Chattering is undesired since it may damage the controller. A trade-off is presented in [4] between tracking precision and robustness to mod-eling uncertainty: tracking accuracy is set according to the extent of parametric uncertainty and the frequency range of unmodelled dynamics. In [5], the Radical Basis Function (RBF) neural networks com-bined with sliding mode are used into the adaptive control for continuous-time dynamic nonlinear systems. Fuzzy Neural Networks (FNN) incorporate inf-erence of fuzzy logic and learning ability of neural networks, its physical meaning is clear [6]. In this
∑c e
i =1
n −1
i i
+ en = 0
(5)
Take the derivative of (4) and obtain∑Leabharlann ei =1n −1
i i +1
+ f ( X ) + g ( X )u + d ( X ) − x r
1
( n)
(6)
Then the control law is taken as u=
ABSTRACT: Sliding mode control is simple and insensitive to uncertainties and disturbances, but control input chattering is the main problem in the sliding mode controller (SMC). A new type controller-fuzzy neural networks sliding mode controller (FNNSMC) is presented firstly for a class of nonlinear systems. The FNNSMC can eliminate the chattering indeed and is robuster than the SMC while the bounds of the uncertainties and the disturbances of the system are unknown. However there has larger tracking error in the FNNSMC than that in the SMC. To overcome the problem, an adaptive controller, where the FNNSMC and the FNN are incorporated by the smooth transformation, is studied. This adaptive control scheme can decrease the tracking error, enhance the system’s robustness and eliminate the high frequency chattering in the control signal. The simulation results demonstrate the advantages of the algorithm. KEY WORDS: nonlinear systems; fuzzy neural networks; sliding mode control; adaptive control 摘要： 虽然滑模控制具有控制简单和对不确定性与扰动不灵 敏等优点， 但是控制信号中的颤动是其应用中需解决的主要 问题。 该文首先针对一类非线性系统提出了一个新型控制器 —模糊神经网络滑模控制器。 新控制器不仅能消除颤动，而 且比一般滑模控制器具有更强的鲁棒性。 然而它与一般滑模 控制器相比有较大的跟踪误差。为了解决这个问题，提出了 结合滑模控制器和模糊神经网络滑模控制器的自适应控制 方法。这种自适应控制方案可以减小跟踪误差，增强系统的 鲁棒性和消除控制信号中的颤动。 仿真结果说明了控制方案 的有效性。 关键词：非线性系统；模糊神经网络；滑模控制；自适应控 制 中图分类号：TM501 文献标识码：A
n− 1 ( − ci ei +1 − fˆ( X ) + x r ( n) − g ( X ) i =1
2 Problem statement and Design of the SMC
Consider the affine nonlinear systems: x (n ) = f ( X ) + g ( X ) u + d ( X ), (1) & ,⋅ ⋅ ⋅, x (n −1) ) T ∈ R n ，x ∈ R ； where state vector X = ( x, x u ∈ R is the control input； f ( X ) and g(X) are unknown continuous functions, and d(X) is unknown disturbances. In the SMC design we usually assume f ( X ) = ˆ ˆ( X ) is the estimation of f ( X ) + ∆f ( X ) , where f f (X), and ∆f ( X ) is the model uncertainty. Let F(X) and D(X) are the upper bound function of ∆f ( X ) and d ( X ) respectively, i.e. d (X ) desired trajectory, and X track Xr ∆f ( X ) ≤ F(X) and has up to nth
第 22 卷 第 5 期 2002 年 5 月 文章编号：0258-8013(2002)05-0078-06
中
国 电 机 工 程 学 报 Proceedings of the CSEE
Vol.22 No.5 May 2002 ©2002 Chin.Soc.for Elec.Eng.
基于模糊神经网络滑模控制器的 一类非线性系统自适应控制
第5期
达飞鹏等： 基于模糊神经网络滑模控制器的一类非线性系统自适应控制
79
paper we firstly present FNNSMC by combining the FNN with the sliding mode algorithm. Since the continuous output of the FNN is used to replace the discontinuous sign term in the SMC, the FNNSMC can eliminate the chattering indeed while the bounds of the uncertainties and the disturbances of the system are unknown. However its tracking error is larger than that in the SMC. So based on the FNNSMC, an adaptive control scheme is proposed where the FNN-SMC and the FNN are integrated by the smooth transformation. We plan to let the FNNSMC force the state tracking error to slide into the boundary layer, then use the FNN in the boundary layer to let tracking error converge asymptotically to the neighbor of zero. Thus the new adaptive controller has more robustness and small tracking error while the control input chatt-ering is eliminated. Simulation results show the adv-antages of the algorithm. &( e) = s