[发明专利]基于RBF神经网络的变体飞行器自适应反演控制方法

说明书

本发明公开了一种基于RBF神经网络的变体飞行器自适应反演控制方法，包括以下步骤：设置RBF神经网络估计由于飞行器变形导致模型不确定以及外部扰动共同引起的弹道倾角未知影响项dsubgt;γ/subgt;和俯仰角速度未知影响项dsubgt;q/subgt;，获得RBF神经网络针对弹道倾角未知影响项的自适应权值，以及RBF神经网络针对俯仰角速度未知影响项的自适应权值；设置反演自适应控制器，将RBF神经网络的自适应权值加入至控制器的控制律中，通过反演自适应控制器实现对变体飞行器的控制。本发明公开的基于RBF神经网络的变体飞行器自适应反演控制方法，使用RBF逼近未知影响项并在控制律中进行补偿从而提高控制器的精度和鲁棒性。

技术领域

本发明涉及一种基于RBF神经网络的变体飞行器自适应反演控制方法，属于制导控制领域。

背景技术

变体飞行器可在多种复杂飞行条件下根据不同飞行环境改变气动外形以保持优越的飞行性能，变体飞行器控制大致可分为：线性控制方法、非线性控制方法和智能控制方法。

线性控制方法最早应用于解决变体飞行器控制问题，并在此基础上衍生出极点配置、调度增益、最优控制和鲁棒控制等方法，这些方法仅考虑了平衡点附近的状态稳定，并不能保证整个飞行过程的全局稳定。

非线性控制可以针对变体飞行器变形过程的非线性特性设计非线性控制器以提高控制性能，虽然能够提高系统的稳定性，但存在系统不确定性带来扰动的问题。虽然可以通过配合状态观测器以抵消系统不确定性带来的扰动，但传统状态观测器鲁棒性较差，且配合状态观测器的方式，变形过程中会出现控制抖颤问题。

因此，有必要对变体飞行器控制方法进一步研究，以解决上述问题。

发明内容

为了克服上述问题，本发明人进行了深入研究，设计出一种基于RBF神经网络的变体飞行器自适应反演控制方法，包括以下步骤：

设置RBF神经网络估计由于飞行器变形导致模型不确定以及外部扰动共同引起的弹道倾角未知影响项d_γ和俯仰角速度未知影响项d_q，获得RBF神经网络针对弹道倾角未知影响项的自适应权值以及RBF神经网络针对俯仰角速度未知影响项的自适应权值

设置反演自适应控制器，将RBF神经网络的自适应权值加入至控制器的控制律中，通过反演自适应控制器实现对变体飞行器的控制。

在一个优选的实施方式中，所述RBF神经网络表示为：

其中，x₁，x₂为RBF神经网络的输入向量，W_γ、W_q为RBF神经网络的权值参数，ε_γ、ε_q为RBF神经网络的逼近误差，Φ()是径向基函数。

在一个优选的实施方式中，所述反演自适应控制器的控制对象模型设置为变体飞行器纵向高度模型，表示为：

其中，

θ＝α+γ

h表示飞行器高度、γ表示弹道倾角、θ表示俯仰角、α表示攻角、q俯仰角速度、V表示飞行器速度；m表示飞行器的质量、g表示重力加速度、I_y表示飞行器的转动惯量；