基于神经网络的周期扰动非线性系统自适应渐近跟踪控制
CSTR:
作者:
作者单位:

1. 安庆师范大学 计算机与信息学院,安徽 安庆 246013;2. 安徽理工大学 计算机科学与工程学院,安徽 淮南 232001;3. 安徽理工大学 数学与大数据学院,安徽 淮南 232001

作者简介:

通讯作者:

E-mail: jwu2011@126.com.

中图分类号:

TP273

基金项目:

国家自然科学基金项目(61603003);安徽省高校学科(专业)拔尖人才学术资助项目(gxbjZD21).


Neural-networks-based adaptive asymptotic tracking control for nonlinear systems with periodic disturbances
Author:
Affiliation:

1. School of Computer and Information,Anqing Normal University,Anqing 246013,China;2. College of Computer Science and Engineering,Anhui University of Science & Technology,Huainan 232001,China;3. College of Mathematics and Big Data,Anhui University of Science & Technology,Huainan 232001,China

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对一类具有周期扰动和输入时滞的不确定非线性系统,提出一种基于神经网络的自适应动态面控制方案.将径向基函数神经网络和傅里叶级数展开结合,构造一种混合函数逼近器来逼近系统中未知的周期扰动函数.通过引入一个积分项解决输入时滞问题,同时采用带有非线性滤波器的动态面控制方法,避免自适应反推控制方法中普遍存在的复杂性爆炸问题.所提出的神经网络控制方案能够确保闭环系统中所有信号是半全局有界的,并且系统输出能渐近地跟踪给定的参考信号.两个仿真结果验证了所提出的控制方案是有效的.

    Abstract:

    A dynamic surface control scheme based on neural networks is proposed for a class of uncertain nonlinear systems with periodic disturbances and input delay. Combining the radial basis function neural network(RBFNN) with the Fourier series expansion(FSE), a mixed function approximator is constructed to approximate the unknown periodic disturbances functions in the system. An integral term is introduced to solve the problem of input delay. At the same time, the dynamic surface control method with the nonlinear filter is developed to avoid the problem of explosion of complexity commonly existed in the adaptive backstepping control method. The semiglobal boundedness of all closed-loop signals is guaranteed, and the output of the system can track a given reference signal asymptotically. Finally, two simulation results show that the proposed control scheme is effective.

    参考文献
    相似文献
    引证文献
引用本文

吴健,孙永波,赵前进.基于神经网络的周期扰动非线性系统自适应渐近跟踪控制[J].控制与决策,2022,37(4):922-932

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2022-04-28
  • 出版日期:
文章二维码