matlab离散鲁棒最小二乘法自适应鲁棒控制代码

根据提供的引用内容，没有直接提供matlab离散鲁棒最小二乘法自适应鲁棒控制代码。但是，引用提到了设计线性鲁棒自适应解耦控制律和神经网络非线性自适应解耦控制律，并通过它们之间的切换对系统进行控制。因此，可以考虑使用matlab实现这两种控制律，并进行切换控制。同时，引用提供了绘制图像的代码，可以用于绘制控制效果的图像。

下面是一个简单的matlab代码示例，用于实现线性鲁棒自适应解耦控制律和神经网络非线性自适应解耦控制律，并进行切换控制：

% 线性鲁棒自适应解耦控制律
K1 = 0.1; % 控制增益
A = eye(2); % 系统矩阵
B = [1; 0.5]; % 输入矩阵
C = [1 0; 0 1]; % 输出矩阵
D = 0; % 直接通道矩阵
L = [0.5 0; 0 0.5]; % 鲁棒矩阵
x1 = [0; 0]; % 初始状态
u1 = 0; % 初始输入
y1 = [0; 0]; % 初始输出
r1 = [1; 1]; % 参考输入
for k = 1:100
    e1 = r1 - y1; % 跟踪误差
    u1 = -K1 * L * y1 + K1 * L * r1; % 控制输入
    x1 = A * x1 + B * u1; % 状态更新
    y1 = C * x1 + D * u1; % 输出更新
end

% 神经网络非线性自适应解耦控制律
K2 = 0.1; % 控制增益
net = feedforwardnet(10); % 神经网络
net = train(net, x1, y1); % 神经网络训练
x2 = [0; 0]; % 初始状态
u2 = 0; % 初始输入
y2 = [0; 0]; % 初始输出
r2 = [1; 1]; % 参考输入
for k = 1:100
    e2 = r2 - y2; % 跟踪误差
    u2 = -K2 * net(x2) + K2 * net(r2); % 控制输入
    x2 = A * x2 + B * u2; % 状态更新
    y2 = C * x2 + D * u2; % 输出更新
end

% 切换控制
for k = 1:100
    if mod(k, 2) == 1 % 奇数步使用线性鲁棒自适应解耦控制律
        e = r1 - y1; % 跟踪误差
        u = -K1 * L * y1 + K1 * L * r1; % 控制输入
        x1 = A * x1 + B * u; % 状态更新
        y1 = C * x1 + D * u; % 输出更新
    else % 偶数步使用神经网络非线性自适应解耦控制律
        e = r2 - y2; % 跟踪误差
        u = -K2 * net(x2) + K2 * net(r2); % 控制输入
        x2 = A * x2 + B * u; % 状态更新
        y2 = C * x2 + D * u; % 输出更新
    end
end