鲁棒自适应反推控制：基于Hermite神经网络的扰动观测器

"该文提出了一种基于自组织Hermite多项式神经网络扰动观测器的鲁棒自适应反推控制策略，用于处理一类具有输入饱和、状态约束和未知复合干扰的非仿射非线性系统。通过双曲线正切函数的泰勒级数展开，将非仿射非线性系统转化为无输入饱和的时变仿射系统，简化了反推控制的设计过程。同时，设计的自组织Hermite多项式神经网络能实时估算复合干扰，辅助系统则解决了状态约束问题，而双曲正切函数用于近似饱和控制输入。仿真结果验证了这种方法的有效性。" 文章详细介绍了针对非仿射非线性系统的控制策略，主要关注在存在输入饱和、状态约束和未知干扰的情况下如何实现系统的稳定控制。首先，作者利用双曲线正切函数的泰勒级数展开方法，将非仿射非线性系统模型转化为一个无输入饱和的时变仿射系统。这种转换减少了反推控制设计的复杂性，因为传统的反推技术通常需要更多的步骤（n+1步）来处理输入饱和问题。 接着，文章提出了一种自组织Hermite多项式神经网络结构的扰动观测器。这种观测器能够在线估计系统中的复合干扰，包括未建模动态、外部扰动等，从而增强了系统的鲁棒性。神经网络的自组织特性允许它根据系统的动态变化自我调整，提高了对未知干扰的适应能力。 然后，为了处理状态约束问题，设计了辅助系统。这些辅助系统与主系统相结合，使得在满足约束条件下，仍能有效地控制系统的动态行为。此外，文章采用双曲正切函数来近似控制输入的饱和状态，这种方法既能避免输入饱和引起的控制问题，又能保持控制性能。 最后，通过数值仿真，展示了所提控制策略在实际应用中的有效性，证明了即使在存在各种复杂约束和干扰的情况下，该方法也能确保非仿射非线性系统的稳定性和性能。 这篇研究工作为非仿射非线性系统的控制提供了新的视角，尤其是对于那些受到输入饱和和状态约束困扰的系统，通过结合自组织神经网络和反推控制理论，实现了更高效、更鲁棒的控制设计。这种方法对于工程领域的控制系统设计，尤其是在机器人、航空航天、电力系统等领域的应用，具有重要的理论和实践价值。