增长率有界的非线性系统的多模型自适应控制方法及系统

摘要

本发明涉及一种增长率有界的非线性系统的多模型自适应控制方法及系统，通过至少一个线性模型和至少一个基于神经网络的非线性模型对系统进行辨识，两个模型分别对应一个线性自适应控制器和一个基于神经网络的非线性自适应控制器；基于性能指标的切换单元在每个采样时刻切换到最优控制器来实现控制。与传统的非线性多模型自适应控制方法相比，本发明将非线性系统的非线性项的界限放宽到增长率有界，可以有效的扩大多模型自适应控制器的适应性。

主权项

一种增长率有界的非线性系统的多模型自适应控制方法，对一非线性系统进行控制，其特征在于，包括以下步骤：S1：设置第一控制器包括至少一个线性模型和与每个线性模型对应的线性鲁棒控制器和设置第二控制器包括至少一个非线性模型和与每个非线性模型对应的非线性神经网络控制器，初始化线性模型和非线性模型中线性部分的参数，初始化非线性神经网络模型部分的参数和神经网络的权值；所述非线性模型包括线性部分和非线性神经网络模型部分；S2：设定t＝0时刻，所述非线性系统的输出为0，t≠0时刻，所述非线性系统的输出为该系统的实际输出值；由非线性系统实际输出值与参考值作差得到控制误差e_c；由非线性系统实际输出与线性模型的输出作差得到线性模型误差e₁，由非线性系统实际输出与非线性神经网络模型部分输出作差得到非线性模型误差e₂；S3：利用每个线性模型的参数设计对应的第一控制器，由系统的控制误差e_c计算线性鲁棒控制器的输出值u₁(t)；利用每个非线性模型的参数设计对应的第二控制器，所述非线性神经网络控制器包括线性单元和非线性神经网络单元，由系统的控制误差e_c计算非线性神经网络控制器的输出值u₂(t)；S4:根据线性模型误差e₁和非线性模型误差e₂，线性模型的正则化的模型辨识误差ε₁和非线性模型的正则化的模型辨识误差ε₂，来计算线性模型的性能指标J₁(t)和非线性模型的性能指标J₂(t)：$J_s\left(t\right)=\underset{l=1}{\overset{t+d}{\Sigma }}\frac{{\Gamma }_0}{2}{{ϵ}_s}^2\left(l\right)+c\underset{l=k-N+1}{\overset{k}{\Sigma }}{e}_s^2\left(l\right),i=\mathrm{1,2},$其中s＝1,2，$e_s\left(t\right)={ϵ}_s(t+d)m_s^2\left(t\right),$Γ₀>0，c≥0，d为时延，N是不小于1的整数；S5：选择S4中得出的性能指标值较小的控制器在S3中产生的输出值，作为所述非线性系统、线性模型以及非线性模型的控制输入u(t)；S6：利用线性模型误差e₁和非线性模型误差e₂分别更新下一时刻的线性模型参数和非线性模型的参数和神经网络的权值；S7：重复S2‑S6。