Resumen

Este documento proporciona un método de control de rendimiento prescrito basado en observador de perturbaciones para sistemas de retroalimentación estricta inciertos. Para garantizar que el error de seguimiento cumpla con una condición de límite de rendimiento prescrito (PPB) de diseño, se introduce una función de rendimiento prescrito mejorada. Y se utilizan redes neuronales de función de base radial (RBFNNs) para aproximar funciones no lineales, mientras que se emplean filtros de segundo orden para eliminar el problema de complejidad explosiva inherente en el método existente. Al mismo tiempo, se construyen observadores de perturbaciones para estimar la perturbación compuesta que incluye perturbaciones variables en el tiempo y errores de construcción de red. La estabilidad de todo el sistema de lazo cerrado se garantiza a través de la teoría de Lyapunov. Finalmente, los resultados de simulación comparativos confirman que el método de control propuesto puede lograr un mejor rendimiento de seguimiento.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Control de rendimiento prescrito; Observador de perturbaciones; Sistemas de retroalimentación estricta; Redes neuronales de función de base radial; Filtros de segundo orden; Teoría de Lyapunov
• Keywords:Prescribed performance control; Disturbance observer; Strict-feedback systems; Radial basis function neural networks; Second-order filters; Lyapunov theory