王 敏 ,胡 锐 ,辛学刚 ,时昊天

(1.华南理工大学自动化科学与工程学院,广东广州 510641;2.华南理工大学医学院,广东广州 510006)

1 引言

严格反馈系统是一种十分常见的非线性系统.在实际工程中,很多系统都可建模为严格反馈系统,例如机械臂[1]、移动机器人[2]、无人船[3].早期的严格反馈系统控制方案主要是针对系统完全已知或者部分参数未知情况[4–5].然而,实际系统由于外部干扰和阻尼等因素影响,通常无法精确建模.针对此问题,一些学者联合神经网络逼近原理和后推技术,提出了一些新颖的自适应神经网络控制方法,从而有效解决了存在未知动态的严格反馈系统控制问题[6–9].值得指出的是,现有的自适应神经网络控制方法学习能力较有限,对于相同或者相似的控制任务,仍需对神经网络进行重复的调整训练[10].此过程耗时严重并且在神经网络训练过程,控制系统的暂态跟踪效果较差.由此可见,如何从动力学系统的神经网络控制过程中实现未知动态的学习变得尤为重要.近年来,王聪教授等人以二阶Brunovsky系统为研究对象,提出了确定学习理论来尝试解决未知动态的学习问题[11–12].该理论证明了沿着周期轨迹的径向基函数神经网络满足持续激励条件,从而结合线性时变系统指数稳定性原理实现了神经网络权值的收敛以及对未知动态的精确逼近.结合系统解耦技术和动态面控制技术等,文献[13]将确定学习原理推广到了严格反馈系统……