[发明专利]基于复合学习的非线性切换系统自适应滑模控制方法

权利要求书

1.一种基于复合学习的非线性切换系统自适应滑模控制方法，其特征在于步骤如下：

步骤1：考虑一类单输入单输出非线性能控标准型切换系统

其中，是系统状态向量；u_σ(t)∈R是系统输入，y∈R是系统输出；函数σ(t):[0,∞)→M＝{1,2,...,m}是切换信号，且σ(t)＝k时表示第k个子系统是激活的；是关于的未知平滑函数，是关于的未知非零平滑函数；d_σ(t)(t)是外部未知干扰；

步骤2：将系统输入非线性描述为

其中，u_v,k∈R是带死区的输入，b_r,k和b_l,k是未知的正常数；

可将(2)进一步描述为

其中

信号u_k存在如下关系

其中是u_v,k的上界值；

则系统(1)可进一步写为

其中，

步骤3：针对未知函数和用神经网络来逼近

其中，和是神经网络最优权重向量，和是神经网络基函数向量，ε_f,k和ε_G,k是神经网络残差且存在和和是正常数；

则和的估计值可写为

其中，和是神经网络最优权重向量估计值；

定义Δu_k＝u_v,k-u_c,k，则x_n的导数可写为

其中，

步骤4：针对非线性切换系统(1)，基于复合学习策略设计自适应滑模控制器；

定义输出跟踪误差其中e＝x₁-y_d，y_d是控制参考指令；

设计滑模面为

s＝[Λ^T 1]E (11)

其中，Λ＝[τ^n-1,(n-1)τ^n-2,...,(n-1)τ]^T，τ＞0；

滑模面s的导数为

其中，

设计控制器为

其中

其中，是D_k(t)的估计值，β_k是正的设计参数，m_k是滑模增益函数；

构造预测误差z_nNN为

其中，可由如下的平行估计模型得到

其中，λ_k是正的设计参数；

设计滑模增益函数为

m_k＝-γ_z,kλ_kz_nNN (19)

其中，γ_z,k是正的设计参数；

设计神经网络权重更新律为

其中，γ_f,k，γ_G,k，δ_f,k和δ_G,k是正的设计参数；

设计切换扰动观测器为

其中，ξ_n是中间变量，L_k是正的设计参数；

步骤4：根据步骤3中(13)得到的控制量u_c,k，返回到系统模型(1)，对系统输出y进行跟踪控制。