基于多核融合RBF神经网络的高超声速飞行器自适应滑模控制

摘要

针对高超声速飞行器由于模型存在未知复杂非线性函数而引起的控制难题，提出了一种基于多核融合径向基函数神经网络的自适应滑模控制方法。该方法首先构建多核融合径向基神经网络，以精确逼近高超声速飞行器模型中的复杂非线性函数;其次，基于自适应理论，设计了神经网络权值的实时更新策略，从而确保估计的收敛性与精度。在此基础上，将高超声速飞行器控制系统分解为速度和高度两个子系统，对状态变量较多的高度子系统采用反演理论进行简化。根据滑模控制理论，对两个子系统分别设计了控制律，并利用Lyapunov稳定性理论证明了所设计控制器的渐近收敛性，确保了控制策略的稳定性。仿真结果表明，在存在复杂扰动的情况下，本方法能够有效跟踪速度、高度等关键状态参数，且跟踪性能优于传统方法，显著提升了高超声速飞行器控制系统的稳定性和控制精度。

关键词

高超声速飞行器 / 径向基函数神经网络 / 滑模控制 / 自适应理论 / 控制律

基金资助

国家自然科学基金(52202475)