本發(fā)明涉及自適應控制領(lǐng)域，尤其涉及一種多模型自適應控制系統(tǒng)及其控制方法。

背景技術(shù)：
現(xiàn)有的大部分實際系統(tǒng)都是非線性系統(tǒng)，通常具有模型結(jié)構(gòu)不確定，參數(shù)未知，參數(shù)變化頻繁等特點；自適應控制可以對非線性系統(tǒng)進行在線辨識，利用辨識得到的系統(tǒng)參數(shù)來設(shè)計控制器；這種方法可以廣泛用于非線性系統(tǒng)的控制，然而，當系統(tǒng)的不確定性很大時，比如操作條件的改變，傳統(tǒng)單辨識器的自適應控制方法可能出現(xiàn)暫態(tài)性能不好或喪失穩(wěn)定性的情況。多模型自適應控制方法的提出，通過包含以下兩部分來解決這個問題：1)一個多控制器，由多個辨識器和候選控制器組成，多個辨識器可以覆蓋整個參數(shù)空間；2)一個切換機構(gòu)，通過選擇候選控制器來產(chǎn)生控制輸入；目前對多模型自校正控制方法的研究主要集中在如何優(yōu)化多模型集，減小模型集規(guī)模，達到提高控制響應速度的目的；以及如何設(shè)計切換機構(gòu)，使得多模型自校正控制系統(tǒng)具有更好的暫態(tài)性能和魯棒性能。多模型自校正控制方法對非線性被控對象有一定要求，從而滿足非線性控制系統(tǒng)的穩(wěn)定性和魯棒性，這嚴重影響了此方法在實際中的廣泛應用，在放寬對被控對象的假設(shè)條件方面成果較少；最初，對非線性系統(tǒng)進行線性化，將系統(tǒng)分為線性部分和非線性高階函數(shù)項，要求非線性項是有界的，且非線性系統(tǒng)是最小相位系統(tǒng)；通過k差分算子的引入，非線性項有界被放寬到非線性項的增長速率有界；在非線性項增長速率有界的基礎(chǔ)上，廣義最小方差自適應控制器被引入，上述結(jié)論被推廣到非最小相位系統(tǒng)；但是這些條件對于非線性系統(tǒng)的要求還是比較嚴格，需要進一步放寬。因此，我們必須提出一種涉及一類線性有界非線性復雜控制系統(tǒng)的多模型神經(jīng)網(wǎng)絡(luò)自適應控制方法，以解決現(xiàn)有技術(shù)中對非線性系統(tǒng)的限制條件等的影響。

技術(shù)實現(xiàn)要素：
為了克服現(xiàn)有技術(shù)的缺陷，本發(fā)明旨在提供一種能夠放寬非線性系統(tǒng)的限制條件，并擴大多模型自適應控制方法的使用范圍的一種多模型自適應控制系統(tǒng)及其控制方法。為了實現(xiàn)上述目的，本發(fā)明提供了一種多模型自適應控制系統(tǒng)，針對一類線性有界的非線性離散時間系統(tǒng)的控制，包括兩個間接自適應控制器和切換機構(gòu)，所述切換機構(gòu)分別連接所述兩個間接自適應控制器和一被控對象的輸入端，所述兩個間接自適應控制器連接所述被控對象的輸出端；所述被控對象的輸出端與所述兩個間接自適應控制器之間設(shè)置有一閉環(huán)負反饋，且所述被控對象與所述兩個間接自適應控制器的模型輸出之間設(shè)置為相減關(guān)系；所述被控對象的輸入由所述切換機構(gòu)在所述兩個間接自適應控制器之間選擇產(chǎn)生，從而計算模型誤差，用于調(diào)整所述兩個模型的參數(shù)和神經(jīng)網(wǎng)絡(luò)的權(quán)值。較佳地，所述兩個間接自適應控制器包括線性魯棒自適應控制器和非線性神經(jīng)網(wǎng)絡(luò)自適應控制器。較佳地，所述線性魯棒自適應控制器包括線性魯棒自適應模型和線性魯棒控制器；所述線性魯棒自適應模型通過投影辨識算法，保證當所述多模型自適應控制系統(tǒng)的非線性項的限制條件被放寬到線性有界時，所述線性魯棒自適應模型的辨識誤差也有界。較佳地，所述線性魯棒控制器為線性極點配置自適應控制器，通過所述線性極點配置自適應控制器將所述多模型自適應控制系統(tǒng)的閉環(huán)極點配置到期望位置，從而獲得處理非最小相位系統(tǒng)和開環(huán)不穩(wěn)定系統(tǒng)的控制問題的能力。較佳地，所述非線性神經(jīng)網(wǎng)絡(luò)自適應控制器包括非線性神經(jīng)網(wǎng)絡(luò)自適應模型和非線性神經(jīng)網(wǎng)絡(luò)控制器，且所述非線性神經(jīng)網(wǎng)絡(luò)自適應模型由線性部分和非線性部分組成，所述線性部分的系數(shù)作為自適應參數(shù)進行更新，所述非線性部分由神經(jīng)網(wǎng)絡(luò)構(gòu)成；所述非線性神經(jīng)網(wǎng)絡(luò)自適應模型通過在線調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值，從而獲得對所述被控對象的估計輸出。較佳地，所述非線性神經(jīng)網(wǎng)絡(luò)控制器為帶有非線性項的極點配置自適應控制器，通過所述帶有非線性項的極點配置自適應控制器提高所述多模型自適應控制系統(tǒng)的控制精度。較佳地，所述切換機構(gòu)設(shè)置有性能指標模塊，且所述性能指標模塊包括累積誤差部分和模型誤差部分，所述累積誤差部分用于防止所述多模型自適應控制系統(tǒng)的頻繁切換；所述切換機構(gòu)通過在每個控制時刻計算各個控制器的性能指標，從而選擇性能指標較小的控制器產(chǎn)生下一時刻的控制輸入。本發(fā)明還提出了一種多模型自適應控制方法，包括如下步驟：S1：系統(tǒng)初始化：隨機初始化線性魯棒自適應模型和非線性神經(jīng)網(wǎng)絡(luò)自適應模型的參數(shù)，并隨機初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值；S2：k=0時刻，被控對象的輸出為0；當k≠0時刻，被控對象的輸出為系統(tǒng)的實際輸出值，與系統(tǒng)的設(shè)定值作差得到系統(tǒng)的控制誤差ec，系統(tǒng)的實際輸出值與線性魯棒自適應模型的輸出作差得到模型誤差e1，系統(tǒng)的實際輸出值與非線性神經(jīng)網(wǎng)絡(luò)自適應模型作差得到模型誤差e2；S3：分別利用兩個模型的參數(shù)計算控制器的參數(shù)，將控制誤差ec作為線性魯棒控制器和非線性神經(jīng)網(wǎng)絡(luò)控制器的輸入，由兩個控制器分別產(chǎn)生控制量u1和u2；S4：計算線性魯棒控制器和非線性神經(jīng)網(wǎng)絡(luò)控制器的性能指標值，并選擇性能指標值較小的控制器產(chǎn)生的輸入ui，作為被控對象和線性魯棒自適應模型與非線性神經(jīng)網(wǎng)絡(luò)自適應模型的控制輸入u；S5：分別更新線性魯棒自適應模型和非線性神經(jīng)網(wǎng)絡(luò)自適應模型的參數(shù)和神經(jīng)網(wǎng)絡(luò)的權(quán)值；S6：轉(zhuǎn)到步驟S2。較佳地，所述神經(jīng)網(wǎng)絡(luò)設(shè)置為單隱層，且所述神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元的個數(shù)通常設(shè)置為6-10個。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：1、本發(fā)明通過多模型自適應控制方法可以看出，線性魯棒自適應控制器中包含一個線性魯棒自適應模型，該線性魯棒自適應模型通過引入帶標準化的修正的投影辨識算法，將被控對象的非線性項的限制條件放寬到線性有界，大大的擴寬了多模型自適應控制系統(tǒng)的適用范圍。2、本發(fā)明通過設(shè)置極點配置自適應控制器，將多模型自適應控制系統(tǒng)的閉環(huán)極點配置到期望的位置，通過給出極點體現(xiàn)對閉環(huán)系統(tǒng)的性能指標等的要求，使用極點配置自適應控制器可以保證非最小相位系統(tǒng)的穩(wěn)定性，從而將被控對象的限制條件從最小相位系統(tǒng)放寬到非最小相位系統(tǒng)。3、本發(fā)明通過切換機構(gòu)的設(shè)計，使得多模型自適應控制系統(tǒng)的控制器在線性魯棒自適應控制器和非線性神經(jīng)網(wǎng)絡(luò)自適應控制器之間進行切換，并選擇性能指標值較小的控制器作為當前系統(tǒng)的控制輸入；且性能指標中包含一個誤差的累積項，使得系統(tǒng)輸出較為平滑；且由于線性魯棒自適應控制系統(tǒng)具有穩(wěn)定性，而本發(fā)明采用線性魯棒自適應控制器與非線性神經(jīng)網(wǎng)絡(luò)自適應控制器進行切換，從而使得本發(fā)明的多模型自適應控制系統(tǒng)具有穩(wěn)定性。附圖說明圖1為本發(fā)明設(shè)計的多模型自適應控制器的閉反饋控制系統(tǒng)方框圖；圖2為本發(fā)明線性魯棒自適應控制器結(jié)構(gòu)圖；圖3為本發(fā)明非線性神經(jīng)網(wǎng)絡(luò)自適應控制器結(jié)構(gòu)圖;圖4為本發(fā)明神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；圖5為本發(fā)明切換機構(gòu)的切換流程圖；圖6為仿真實驗結(jié)果圖。符號列表：M1-線性魯棒自適應模型，M2-非線性神經(jīng)網(wǎng)絡(luò)自適應模型，C1-線性魯棒控制器，C2-非線性神經(jīng)網(wǎng)絡(luò)控制器，100-切換機構(gòu)，200-被控對象。具體實施方式：參見示出本發(fā)明實施例的附圖，下文將更詳細的描述本發(fā)明。然而，本發(fā)明可以以不同形式、規(guī)格等實現(xiàn)，并且不應解釋為受在此提出之實施例的限制。相反，提出這些實施例是為了達成充分及完整公開，并且使更多的有關(guān)本技術(shù)領(lǐng)域的人員完全了解本發(fā)明的范圍。這些附圖中，為清楚可見，可能放大或縮小了相對尺寸?，F(xiàn)參考圖1詳細描述根據(jù)本發(fā)明實施的多模型自適應控制系統(tǒng)，該多模型自適應控制系統(tǒng)為一類線性有界非線性系統(tǒng)的多模型自適應控制系統(tǒng)及其控制方法，放寬非線性系統(tǒng)的限制條件，從而擴大多模型自適應控制方法的使用范圍。該多模型自適應控制系統(tǒng)有一線性魯棒自適應控制器、一神經(jīng)網(wǎng)絡(luò)間接自適應控制器和一切換機構(gòu)組成；其中該切換機構(gòu)一端連接被控對象的輸入端，另一端分別連接線性魯棒自適應控制器和神經(jīng)網(wǎng)絡(luò)間接自適應控制器；該線性魯棒自適應控制器和神經(jīng)網(wǎng)絡(luò)間接自適應控制器分別與被控對象連接，且兩個控制器與被控對象之間設(shè)置有一閉環(huán)負反饋，且被控對象與兩個控制器的模型輸出之間設(shè)置為相減關(guān)系，從而計算出模型誤差，且該模型誤差用于調(diào)整模型的參數(shù)與神經(jīng)網(wǎng)絡(luò)的權(quán)值。其中，線性魯棒自適應控制器包括線性魯棒自適應模型和線性魯棒控制器，線性魯棒自適應模型對應多模型自適應控制系統(tǒng)線性化后的線性部分，是一種線性自回歸滑動平均輸入輸出模型，自適應的參數(shù)為線性回歸向量的系數(shù)，自適應律采用帶標準化的修正投影辨識算法，根據(jù)確定等價原理利用辨識參數(shù)設(shè)計極點配置控制器，通過投影辨識算法，保證當多模型自適應控制系統(tǒng)的非線性項的限制條件被放寬到線性有界時，線性魯棒自適應模型的辨識誤差也有界。而且，線性魯棒控制器為線性極點配置自適應控制器，通過極點配置自適應控制器將多模型自適應控制系統(tǒng)的閉環(huán)極點配置到期望位置，從而獲得處理非最小相位系統(tǒng)和開環(huán)不穩(wěn)定系統(tǒng)的控制問題的能力。而且，非線性神經(jīng)網(wǎng)絡(luò)自適應控制器包括非線性神經(jīng)網(wǎng)絡(luò)自適應模型和非線性神經(jīng)網(wǎng)絡(luò)控制器，非線性神經(jīng)網(wǎng)絡(luò)自適應模型通過在線調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值，獲得對被控對象的估計輸出；非線性神經(jīng)網(wǎng)絡(luò)自適應模型由線性部分和非線性部分組成，線性部分的系數(shù)作為自適應參數(shù)可以以任意方式進行更新，非線性部分由神經(jīng)網(wǎng)絡(luò)構(gòu)成，且該神經(jīng)網(wǎng)絡(luò)采用BP神經(jīng)網(wǎng)絡(luò)，利用誤差反向傳播方法來訓練，并根據(jù)確定等價原理，利用辨識參數(shù)與得到的神經(jīng)網(wǎng)絡(luò)模型，設(shè)計非線性極點配置自適應控制器；通過非線性極點配置自適應控制器提高多模型自適應控制系統(tǒng)的控制精度。另外，切換機構(gòu)設(shè)置有性能指標模塊，且性能指標模塊包括累積誤差部分和模型誤差部分，累積誤差部分用于防止多模型自適應控制系統(tǒng)的頻繁切換；切換機構(gòu)通過在每個控制時刻計算各個控制器的性能指標，從而選擇性能指標較小的控制器產(chǎn)生下一時刻的控制輸入。本發(fā)明還提出了一種多模型自適應控制方法，包括如下步驟：S1：系統(tǒng)初始化：隨機初始化線性魯棒自適應模型和非線性神經(jīng)網(wǎng)絡(luò)自適應模型的參數(shù)，并隨機初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值；S2：k=0時刻，被控對象的輸出為0；當k≠0時刻，被控對象的輸出為系統(tǒng)的實際輸出值，與系統(tǒng)的設(shè)定值作差得到系統(tǒng)的控制誤差ec，系統(tǒng)的實際輸出值與線性魯棒自適應模型的輸出作差得到模型誤差e1，系統(tǒng)的實際輸出值與非線性神經(jīng)網(wǎng)絡(luò)自適應模型作差得到模型誤差e2；S3：分別利用兩個模型的參數(shù)計算控制器的參數(shù)，將控制誤差ec作為線性魯棒控制器和非線性神經(jīng)網(wǎng)絡(luò)控制器的輸入，由兩個控制器分別產(chǎn)生控制量u1和u2；S4：計算線性魯棒控制器和非線性神經(jīng)網(wǎng)絡(luò)控制器的性能指標值，并選擇性能指標值較小的控制器產(chǎn)生的輸入ui，作為被控對象和線性魯棒自適應模型與非線性神經(jīng)網(wǎng)絡(luò)自適應模型的控制輸入u；S5：分別更新線性魯棒自適應模型和非線性神經(jīng)網(wǎng)絡(luò)自適應模型的參數(shù)和神經(jīng)網(wǎng)絡(luò)的權(quán)值；S6：轉(zhuǎn)到步驟S2。其中，神經(jīng)網(wǎng)絡(luò)設(shè)置為單隱層，且神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元的個數(shù)通常設(shè)置為6-10個。應用例如附圖1所示，本發(fā)明的多模型自適應控制方法所設(shè)計的控制器中，由一個線性魯棒自適應控制器、一個非線性神經(jīng)網(wǎng)絡(luò)自適應控制器和一個切換機構(gòu)組成。圖中，r(k+n)為多模型自適應控制系統(tǒng)的跟蹤參考信號，up(k)為被控對象的輸入，yp(k+n)為被控對象的輸出；線性魯棒自適應控制器包含線性魯棒自適應模型M1和線性極點配置自適應控制器C1，u1(k)是線性極點配置自適應控制器C1的輸出，yp(k+n)是線性魯棒自適應模型M1的輸出；非線性神經(jīng)網(wǎng)絡(luò)自適應控制器包含非線性神經(jīng)網(wǎng)絡(luò)自適應模型M2和非線性極點配置自適應控制器C2，u2(k)是非線性極點配置自適應控制器C2的輸出，y2(k+n)是非線性神經(jīng)網(wǎng)絡(luò)自適應模型M2的輸出。up(k)由切換機構(gòu)在u1(k)和u2(k)之間選擇產(chǎn)生。針對如下輸入輸出形式的離散時不變的非線性系統(tǒng)：yp(k+n)=-Σj=0n-1ajyp(k+j)+Σj=0Mbjup(k+j)+f(w(k))]]>=θw(k)+f(w(k))---(1)]]>式中θ=[θa,θb]，θa=[an-1,an-2,…,a0]T,θb=[bm,bm-1,…,b0]T,w(k)=[-yp(k+n-1),…,-yp(k),up(k+m),…,up(k)]T。令αn=[zn,…,z,1],A(z,k)=zn+θaTαn-1=zn+an-1zn-1+···+a0,]]>B(z,k)=θbTαm=bmzm]]>+bm-1zm-1+···+b0,]]>則系統(tǒng)可以表示為：A(z,k)yp(k)=B(z,k)up(k)+f(w(k))(2)對系統(tǒng)(1)兩邊進行濾波,Λp為階次為n的Hurwitz多項式,其根都在的區(qū)域內(nèi),0≤δ0<1。znyp(k)Λp=θTw(k)Λp+f(w(k))Λp---(3)]]>令ζ=znyp(k)Λp,φ(k)=w(k)Λp,η(k)=f(w(k))Λp,]]>則系統(tǒng)(1)可以寫成ζ(k)=θTφ(k)+η(k)(4)對系統(tǒng)(3)給出如下假設(shè)：假設(shè)1：系統(tǒng)階次n已知,且m≤n-1；假設(shè)2：假設(shè)|η(k)|≤μ||φ(k)||+γ,μ>0,γ>0；假設(shè)3：θ∈Ω,是一個已知的緊集。由附圖2所示線性魯棒間接自適應控制結(jié)構(gòu)圖，該控制器包括線性魯棒自適應模型和線性極點配置自適應控制器兩部分組成，建立系統(tǒng)的線性魯棒自適應模型M1：ζ^1(k)=θ1T(k-1)φ(k)---(5)]]>式中θ1(k)=[b1,0(k),…,b1,m(k),a1,0(k),…,a1,n-1(k)]T，是模型M1在k時刻的參數(shù)。根據(jù)假設(shè)3，可以得到一個N0>0，使得對于所有θ∈Ω有模型M1的參數(shù)采用如下的投影辨識算法進行更新，其中是θ1(t)的辨識：θ‾1(k)=θ^1(k-1)+Γ1ϵ1φ(k),θ1(0)∈Ω---(6)]]>θ^1(k)=θ‾1(k)if|θ‾1(k)|≤N0N0|θ‾1(k)|θ‾1(k)otherwise---(7)]]>ϵ1(k)=ζ(k)-θ^1T(k-1)φ(k)ms2(k)---(8)]]>ms2(k)=(τ+||φ(k)||)2+nd(k)---(9)]]>nd(k+1)=δ0nd(k)+|up(k)|2+|yp(k)|2(10)式中，nd(0)=0,0<Γ1<2,ε1是標準化的模型誤差。令θ1=[θ1a,θ1b],θ1a=[a1,n-1,a1,n-2,…,a1,0]T,θ1b=[b1,m,b1,m-1,…,b1,0]T,A^1(z,k)=zn+θ1aαn-1,]]>B^1(z,k)=θ1bαm.]]>根據(jù)線性魯棒自適應模型設(shè)計線性極點配置自適應控制器C1：L^1(z,k)Qm(z)u1(k)=-P^1(z,k)(yp(k)-ym(k))---(11)]]>由下式來確定和A^1(z,k)L^1(z,k)Qm(z)+P^1(z,k)B^1(z,k)=A*(z)---(12)]]>式中L^1(z,k)=zn-1+l‾1Tαn-2,P^1(z,k)=p10zn+q-1+p‾1Tαn+q-2,]]>A*(z)為Hurwitz的閉環(huán)特征多項式。由附圖3所示非線性神經(jīng)網(wǎng)絡(luò)自適應控制器結(jié)構(gòu)圖，該控制器包括非線性神經(jīng)網(wǎng)絡(luò)自適應模型M2和非線性極點配置自適應控制器C2兩部分。建立神經(jīng)網(wǎng)絡(luò)模型M2：ζ^2(k)=θ2T(k-1)φ(k)+η^(W(k),k)---(13)]]>是神經(jīng)網(wǎng)絡(luò)表示的有界的非線性函數(shù)逼近，W(k)是神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)，用誤差反向傳播方法更新。θ2(k)利用修正的投影辨識算法確定，是θ2(t)的辨識：θ‾2(k)=θ^2(k-1)+Γ2ϵ2φ(k),θ^2(0)∈Θ---(14)]]>θ^2(k)=θ‾2(k)if|θ‾2(k)|≤N0N0|θ‾2(k)|θ‾2(k)otherwise---(15)]]>ϵ2(k)=ζ(k)-θ^2T(k-1)φ(k)-η^(W(k),k)ms2(k)---(16)]]>ms2(k)=(τ+||φ(k)||)2+nd(k)---(17)]]>nd(k+1)=δ0nd(k)+|up(k)|2+|yp(k)|2(18)式中，nd(0)=0,0<Γ2<2,ε2是標準化的模型誤差。令θ2a=[a2,n-1,a2,n-2,…,a2,0]Tθ2b=[b2,m,b2,m-1,…,b2,0]TB^2(z,k)=θ2bαm.]]>根據(jù)非線性神經(jīng)網(wǎng)絡(luò)自適應模型M2，可得到系統(tǒng)的非線性極點配置自適應控制器C2：L^2(z,k)Qm(z)u2(k)=-P^2(z,k)(yp(k)-ym(k))+F(z)η^(W(k),k)---(19)]]>F(z)是反饋增益，由下式來確定和A^2(z,k)L^2(z,k)Qm(z)+P^2(z,k)B^2(z,k)=A*(z)---(20)]]>式中L^2(z,k)=zn-1+l‾2Tαn-2,P^2(z,k)=p20zn+q-1+p‾2Tαn+q-2.]]>由附圖4所示神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，該神經(jīng)網(wǎng)絡(luò)為包括輸入層、隱層和輸出層這三層神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)，上下層之間的各神經(jīng)元全連接，每層神經(jīng)元之間沒有連接，輸入層至中間層的連接權(quán)為lij,i=1,2,…,na+nb-2,j=1,2,…,p；隱層至輸出層的連接權(quán)為vj1,j=1,2,…,p；隱層各單元輸出閾值為τj,j=1,2,…,p；輸出層單元的輸出閾值為γ1；參數(shù)k=1,2,…,m，輸入為w(k)=[-yp(k+n-1),…,-yp(k),up(k+m),…,up(k)]T。隱層各神經(jīng)元的輸入sj為：用sj通過傳遞函數(shù)計算隱層各神經(jīng)元的輸出bj為：bj=g(sj),j=1,2,…,p.利用隱層的輸出bj、連接權(quán)vj1和閾值γ1計算輸出層神經(jīng)元的輸出Lt為：然后通過傳遞函數(shù)計算輸出層神經(jīng)元的響應為：利用連接權(quán)vj1、誤差e2(k)，和隱層的輸出bj，計算隱層各神經(jīng)元的誤差dj(t)。dj(k)=[e2(k)vj1]bj(1-bj)(21)利用輸出誤差e2(k)與隱層各神經(jīng)元的輸出bj來修正連接權(quán)vj1和閾值γ1：vj1=vj1+κe2(k)bjγ1=γ1+κe2(k)j=1,2,L,p,0<κ<1利用隱層神經(jīng)元的誤差dj(k)，輸入層的輸入w(k)=[-yp(k+n-1),…,-yp(k),up(k+m),…,up(k)]T來修正連接權(quán)l(xiāng)ij和閾值τj：lij=lij+σdj(k)wi(k)τj=τj+σdj(k)i=1,2,…,na+nb-2,j=1,2,…,p,0<σ<1.由附圖5的切換機構(gòu)的流程圖所示，首先為線性魯棒間接自適應控制和非線性神經(jīng)網(wǎng)絡(luò)間接自適應控制分別設(shè)計性能指標J1(k)和J2(k)，其計算方法如下：Ji(k)=Σl=1kΓ02ϵi2(l)+cΣl=k-N+1kei2(l),i=1,2---(22)]]>式中ei(k)=εims，Γ0>0，c≥0為定義的常數(shù)。在每一個系統(tǒng)時刻，分別計算J1和J2的值，控制器切換信號σ(k)=1J1(k)≤J2(k)2J1(k)>J2(k).]]>多模型自校正控制器C定義為：up(k)=uσ(k)(23)附圖6為本發(fā)明多模型自適應控制系統(tǒng)實驗結(jié)果，圖6（a）中“-”本發(fā)明多模型自適應控制器，“--”為線性魯棒自適應控制器，“.”為參考信號；從圖形中可看出不同控制值的在不同時間的輸出值；圖6（b）中縱坐標為切換結(jié)構(gòu)切換選擇值，其中1表示切換機構(gòu)選擇線性魯棒自適應控制器作為控制輸出；2表示切換機構(gòu)選擇非線性神經(jīng)網(wǎng)絡(luò)自適應控制器作為控制輸出。根據(jù)上面的討論，本發(fā)明的多模型自適應控制方法的具體實施在線控制步驟如下：S1：系統(tǒng)初始化：隨機初始化線性魯棒自適應模型M1和非線性神經(jīng)網(wǎng)絡(luò)自適應模型M2的參數(shù)和神經(jīng)網(wǎng)絡(luò)的權(quán)值，可根據(jù)先驗知識來確定；S2：k=0時刻，系統(tǒng)的輸出為零，即y(0)=0；當k≠0時刻，由系統(tǒng)的被控對象給出系統(tǒng)的真實輸出值yp(k)，由模型M1和M2分別給出模型的估計輸出y1(k)和y2(k)；y1(k+1)=θ^1T(k)ψ(k)]]>y2(k+1)=θ2T(k)w(k)+f2(W(k),w‾(k))]]>S3：計算模型的估計誤差分別為e1(k)=y(k)-y1(k)和e2(k)=y(k)-y2(k)；S4：由系統(tǒng)的參考輸入r(k)和系統(tǒng)的真實輸出y(k)計算系統(tǒng)的控制誤差ec(k)；S5：利用模型M1和M2的參數(shù)來設(shè)計控制器C1和C2的參數(shù)，根據(jù)式(5)(8)，由系統(tǒng)的控制誤差ec(k)分別計算線性魯棒控制器和非線性神經(jīng)網(wǎng)絡(luò)控制器的輸出值u1(k)和u2(k)；S6：由模型估計誤差計算各個控制器的性能指標J1(k)和J2(k)；S7：由切換機構(gòu)式(11)選擇性能指標的值較小的控制器ui(k)作為被控對象的控制輸入up(k)；S8：由模型估計誤差e1(k)和e2(k)，根據(jù)各自的自適應律(6)和(14)，分別更新線性魯棒自適應模型M1和非線性神經(jīng)網(wǎng)絡(luò)自適應模型M2的參數(shù)和神經(jīng)網(wǎng)絡(luò)的權(quán)值；S9：回到步驟S2。本發(fā)明提供的間接自適應控制器并不僅限于本實施例提出的線性魯棒自適應控制器和非線性神經(jīng)網(wǎng)絡(luò)自適應控制器，還可以包括其他非線性自適應控制器，從而實現(xiàn)多模型自適應控制；而且本發(fā)明提出的神經(jīng)網(wǎng)絡(luò)并不以此提出的BP神經(jīng)網(wǎng)絡(luò)為限，且神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元的個數(shù)也不僅限于本實施例提出的個數(shù)為限，還可以設(shè)置為其他層數(shù)的神經(jīng)網(wǎng)絡(luò)，從而能夠按照誤差逆?zhèn)鞑ニ惴ㄓ柧?，而本實施例提出的BP神經(jīng)網(wǎng)絡(luò)僅為一個廣泛應用的神經(jīng)網(wǎng)絡(luò)模型。顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進行各種改動和變形而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變形屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍內(nèi)，則本發(fā)明也意圖包含這些改動在內(nèi)。