第9篇 章 神经网络控制 智能控制第二版PPT.ppt

将控制律式（9.31）代入式（9.30）中，得到稳定的闭环系统为 （9.32） 其中 为理想的角度， ， 。 在实际工程中，对象的实际模型很难得到，即无法得到精确的 、、，只能建立理想的名义模型。 将机器人名义模型表示为 ， ， ，针对名义模型的控制律设计为： （9.33） 将控制律式（9.33）代入式（9.30）中，得 （9.34） 采用 分别减去上式左右两边，并取 ， ， 则 由式（9.35）可见，由于模型建模的不精确会导致控制性能的下降。因此，需要对建模不精确部分进行逼近。 式（9.35）中，取建模不精确部分为： 假设模型不确定项为已知，则可设计修正的控制律为： （9.37） 将控制律式（9.37）代入式（9.30）中，则可得到稳定的闭环系统式（9.32）。 在实际工程中，模型不确定项 为未知，为此，需要对不确定项进行逼近，从而在控制律中实现对不确定项 的补偿。 （9.36） 9.7.2 模型不确定部分的RBF网络逼近 采用RBF网络对不确定项 进行自适应逼近。 RBF网络算法为： ， （9.38） （9.39） 其中X为网络的输入信号，Y为网络的输出信号， 为高斯基函数的输出，为神经网络权值。 由已知证明可知[19,20]，在下述假设条件下，RBF网络针对连续函数在紧集范围内具有任意精度的逼近能力。 假设： （1）神经网络输出为连续； （2）存在理想逼近的神经网络输出，针对一个非常小的正数，有 （9.40） 其中， ， 为阶矩阵，表示对 最佳逼近的神经网络权值。 取 为理想神经网络的逼近误差，即 （9.41） 由RBF网络的逼近能力可知，建模误差 为有界，假设其界为 ，即 （9.42） 其中 （9.43） 控制器设计为