附加惯性项神经网络云台自抗扰控制研究

针对自抗扰控制器参数较多且不易整定的缺陷,以三轴增稳云台内框为研究对象,提出一种附加惯性项神经网络云台自抗扰控制方法。该方法首先通过添加附加惯性项的RBF神经网络对被控对象进行辨识,从而获得单神经网络自学习需要的Jacobian信息,然后将扩展的积分系数、非线性误差反馈控制律中的比例系数和微分系数作为单神经元的权重,利用单神经元的自学习能力改进自抗扰控制器。仿真结果表明:加入神经网络的自抗扰控制器具有较好的鲁棒性,与参数固定的常规自抗扰控制器相比具有更高的精度和更快的响应速度。