Neural Learning Control for State Constrained Strict-Feedback Systems: A State Predictor Method

doi:10.1109/tase.2026.3724909

Neural Learning Control for State Constrained Strict-Feedback Systems: A State Predictor Method

2026-08-18

0

PRE

AI

DOI：10.1109/tase.2026.3724909

原文链接

原文求助

摘要

En 中文

本文聚焦于严格反馈非线性系统（SFNSs）的神经网络学习控制（NLC）问题，尽管存在时变状态约束。通过应用非线性变换函数（NTF），从原始约束系统中获得无约束系统。基于转换后的无约束系统，为每个子系统构建状态预测器。然后，基于预测误差而非常用的跟踪误差，开发了一种解耦的神经网络权重更新律，这有助于神经权重的收敛。此外，通过结合一阶滤波器和反步法，建立自适应神经网络控制器以确保预定的状态约束。此外，不同于传统的系统分解策略，提出一个有效引理以解决验证神经网络输入重复性质的困难，从而促进神经网络权重的指数收敛。凭借收敛的神经网络权重，即学习到的知识，构建了一种NLC方案，该方案不仅能保证预定的状态约束，还能提升控制性能并减轻在线计算负担。最后，进行仿真以展示所提出方法的有效性和正确性。实践者注意——本文研究了具有时变状态约束的一类SFNSs的NLC问题，所考虑的系统模型已在工程领域得到广泛应用，例如海洋水面船舶、机器人操作器等。需注意，两种场景在实践应用中普遍存在：1）系统状态需要满足预定的约束条件；2）神经网络权重无法指数收敛。因此，引入NTF以解决状态约束问题。随后，基于预测误差开发了一种有效的神经网络权重更新律，并辅以支持引理，以促进权重的收敛。在此基础上，通过结合收敛的神经网络权重，提出了NLC策略。仿真表明，所开发的策略能有效地提升控制性能并节省在线计算资源，具有良好的应用前景。

Keyword:

Neural learning control

state predictor

neural networks

time-varying state constraints

Neural Learning Control for State Constrained Strict-Feedback Systems: A State Predictor Method

摘要

期刊

机构

引用论文