基于在线优化门控径向基函数神经网络的自适应控制

实时自适应控制具有未知动力学和时变扰动的非线性系统，需要精确建模和鲁棒参数适应。虽然现有的基于神经网络的策略在计算效率或时间依赖性不足方面存在困难，但本研究提出了一种混合控制框架，将时序门控径向基函数（TGRBF）网络与非线性鲁棒控制器相结合。TGRBF通过动态门控将径向基函数神经网络（RBFNN）和门控循环单元（GRU）协同起来，通过最小的参数开销（相比RBFNN增加14.5%）实现高效的离线系统识别和在线时间建模。在控制执行过程中，事件触发优化机制激活动量显式梯度下降来优化网络参数，利用历史数据抑制过拟合同时保持实时可行性。同时，非线性控制器通过源自TGRBF模型的基于雅可比矩阵的规则自适应调整增益，确保快速误差收敛和扰动抑制。基于Lyapunov的分析严格保证了跟踪误差和自适应参数的统一最终有界性。在非线性基准系统上的仿真证明了该框架的优越性：与PID和固定增益鲁棒控制器相比，所提方法将调节时间减少了14.2%，将超调量限制在10%，在动态扰动下实现了48.4%的积分时间加权绝对误差降低。通过将数据驱动的自适应性与稳定性保证的控制相结合，本工作推进了部分可观测、时变工业系统中的实时性能。