针对变体飞机非线性模型的不确定性问题,提出了一种基于径向基神经网络(radial basis function neural networks,RBFNN)的高精度自适应反步控制方法。首先,在变体飞机静态和动态气动参数分析的基础上,运用传统反步法设计了非线性控制律...针对变体飞机非线性模型的不确定性问题,提出了一种基于径向基神经网络(radial basis function neural networks,RBFNN)的高精度自适应反步控制方法。首先,在变体飞机静态和动态气动参数分析的基础上,运用传统反步法设计了非线性控制律,并引入径向基神经网络在线逼近系统的不确定项,提高系统鲁棒性;并设计鲁棒项消除径向基神经网络带来的逼近误差。其次,通过对虚拟控制变量进行求导项设计微分跟踪器,解决了传统反步法中存在的“微分膨胀”问题。通过Lyapunov稳定性分析,证明该方法能保证闭环系统跟踪误差最终收敛且一致有界。最后,基于Matlab/Simulink搭建了变体飞机的数字仿真模型,并与常规反步法进行了对比分析,仿真结果表明该方法具有控制精度高、鲁棒性强的特点。展开更多
文摘针对变体飞机非线性模型的不确定性问题,提出了一种基于径向基神经网络(radial basis function neural networks,RBFNN)的高精度自适应反步控制方法。首先,在变体飞机静态和动态气动参数分析的基础上,运用传统反步法设计了非线性控制律,并引入径向基神经网络在线逼近系统的不确定项,提高系统鲁棒性;并设计鲁棒项消除径向基神经网络带来的逼近误差。其次,通过对虚拟控制变量进行求导项设计微分跟踪器,解决了传统反步法中存在的“微分膨胀”问题。通过Lyapunov稳定性分析,证明该方法能保证闭环系统跟踪误差最终收敛且一致有界。最后,基于Matlab/Simulink搭建了变体飞机的数字仿真模型,并与常规反步法进行了对比分析,仿真结果表明该方法具有控制精度高、鲁棒性强的特点。
