一种改进共轭梯度在线学习滑模控制算法

摘要

对于一类基于T-S模糊模型描述的非线性不确定系统,滑模控制算法的稳态误差和动态品质与T-S模糊算法描述模型的准确度相关,利用最小二乘支持向量机算法(LSSVM)学习T-S模糊模型可以很好的逼近实际系统。但是由于LSSVM算法对数据量有一定要求,而且学习速度比较慢,对要求动态响应较高或者内存较小的系统不适用。提出了一种基于改进共轭梯度在线学习算法学习T-S模型,可以实时逼近实际模型,配合滑模控制算法可以达到控制系统的渐进稳定。在不同误差条件下对该控制算法进行仿真实验,在随机误差幅值100以内,系统稳态误差为0.01,同时对时变误差表现出快速的稳定特性,显示了该控制算法较强的鲁棒性。最后,实验还对随机误差幅值为500的系统验证了T-S模型对于系统学习数据的随机误差具有去噪能力。