摘要：

本文研究了具有未知非线性的控制非线性动力系统中仿射的直接自适应调节问题。该方法基于一种新的神经-模糊动态系统定义，该定义使用了模糊动态系统（FDS）的概念，并与高阶神经网络函数（F-HONNF）结合使用。由于对象是未知的，我们首先提出用一种特殊形式的模糊动力系统（FDS）对其进行逼近，然后用适当的HONNF对模糊规则进行逼近。采用模糊递归高阶神经网络（F-RHONN）作为未知对象的模型，将原始未知系统实际转化为结构已知但包含多个未知常值参数的F-RHONM模型。该方案不需要先验专家关于输入变量隶属函数数量和类型的信息，因此不易受到初始设计假设的影响，速度极快，因此可以应用于一些困难且要求很高的实时工程应用中。当F-RHONN模型与未知对象匹配时，我们对闭环系统的稳定性特性进行了全面而严格的分析。在不需要参数（权重）收敛的情况下，保证了闭环中所有其他信号的状态收敛到零加上有界性，而参数（权值）收敛仅在满足充分激励条件时才得到保证。通过引入一种新的参数跳变方法并将其纳入权重更新律，可以确保控制信号的存在。仿真结果表明，与其他成熟的方法相比，该方案具有逼近优势。该方法的适用性也在众所周知的模拟非线性对象上进行了测试，结果表明，按照所提出的方法，可以获得渐近调节。还与简单的RHONN控制器进行了比较，表明我们的方法优于简单RHONN的情况。