Resumen

Este documento investiga un esquema de control de rendimiento prescrito compuesto de aprendizaje para un sistema de retroalimentación estricta incierto. En primer lugar, se desarrolla una condición de límite de rendimiento prescrito (PPB) para el error de seguimiento, y el sistema original se transforma en uno equivalente utilizando una función de transformación. Para garantizar que el error de seguimiento cumpla con el PPB, se proporciona una condición suficiente. Luego, se propone un esquema de control de PPC combinado con red neuronal (NN) y técnica de backstepping. Sin embargo, las funciones desconocidas no pueden garantizarse que se estimen con precisión mediante este método. Para resolver este problema, se definen errores predictivos aplicando datos registrados en línea y datos instantáneos. Además, se proponen nuevas leyes de aprendizaje compuesto para actualizar los pesos de la NN basadas en una condición de excitación persistente parcial (PE). Posteriormente, se garantiza la estabilidad del sistema en lazo cerrado y todas las señales se mantienen acotadas mediante

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Investigaciones; Aprendizaje compuesto; Control de rendimiento prescrito; Sistema incierto; Red neuronal; Resultados de simulación
• Keywords:Investigates; Composite learning; Prescribed performance control; Uncertain system; Neural network; Simulation results