基于模糊系统逼近的自适应控制 — 理论与 MATLAB 仿真

---

1. 核心思想

当被控对象的数学模型未知或高度非线性时，我们可以用 模糊系统 作为万能逼近器，在线估计未知的非线性函数，并据此设计自适应控制器，使系统输出跟踪期望轨迹。

• 模糊系统：通过 IF-THEN 规则和隶属函数，能够以任意精度逼近紧集上的连续函数。
• 自适应律：根据 Lyapunov 稳定性理论，在线调整模糊系统的参数（如结论参数），保证闭环信号有界且跟踪误差收敛。

---

2. 问题描述

考虑一类二阶 SISO 非线性系统：

$\ddot{x} = f(x,\dot{x}) + g(x,\dot{x})\,u$

其中：

• $x$ 为系统输出，$u$ 为控制输入；
• $f(\cdot)$ 为未知光滑非线性函数；
• $g(\cdot)$ 为已知或符号已知的函数（本文假设 $g=1$ 以便聚焦模糊逼近）；
• 状态 $x_1 = x$, $x_2 = \dot{x}$ 可测。

控制目标：设计控制律 $u$，使系统输出 $x(t)$ 跟踪给定的参考轨迹 $x_d(t)$，且所有信号有界。

---

3. 模糊系统设计

采用 Takagi-Sugeno 零阶模糊系统（也称模糊基函数网络）：

$\hat{f}(z|\theta) = \theta^T \xi(z)$

其中：

• $z = [x_1, x_2]^T$ 为输入向量；
• $\theta \in \mathbb{R}^M$ 为可调参数向量；
• $\xi(z) = [\xi_1(z), \dots, \xi_M(z)]^T$ 为模糊基函数向量，定义为：

$\xi_i(z) = \frac{\prod_{j=1}^2 \mu_{A_j^i}(z_j)}{\sum_{k=1}^M \prod_{j=1}^2 \mu_{A_j^k}(z_j)}$

• $\mu_{A_j^i}(z_j)$ 为高斯隶属函数（中心 $c_{ji}$，宽度 $\sigma_{ji}$）：

$\mu_{A_j^i}(z_j) = \exp\left(-\frac{(z_j - c_{ji})^2}{2\sigma_{ji}^2}\right)$

模糊系统万能逼近性质：对任意连续函数 $f(z)$，存在最优参数 $\theta^*$ 使得逼近误差有界。

---

4. 自适应控制器设计

4.1 误差动态

定义跟踪误差：

$e = x_d - x, \quad \dot{e} = \dot{x}_d - \dot{x}$

定义滤波误差：

$s = \dot{e} + \lambda e, \quad \lambda > 0$

则：

$\dot{s} = \ddot{x}_d - \ddot{x} + \lambda \dot{e} = \ddot{x}_d - f - u + \lambda \dot{e}$

4.2 控制律与自适应律

取控制律：

$u = \ddot{x}_d + \lambda \dot{e} + k s - \hat{f}(z|\theta), \quad k > 0$

其中 $\hat{f}$ 为模糊系统对 $f$ 的估计。

代入 $\dot{s}$：

$\dot{s} = -k s + (\hat{f} - f) = -k s + \tilde{\theta}^T \xi(z) - w$

其中 $\tilde{\theta} = \hat{\theta} - \theta^*$，$w = f - \theta^{*T}\xi$ 为最小逼近误差（假设有界 $|w| \leq \bar{w}$）。

4.3 Lyapunov 分析与自适应律

选取 Lyapunov 函数：

$V = \frac{1}{2}s^2 + \frac{1}{2\gamma}\tilde{\theta}^T\tilde{\theta}, \quad \gamma > 0$

求导：

$\dot{V} = s\dot{s} + \frac{1}{\gamma}\tilde{\theta}^T \dot{\hat{\theta}} = s(-k s + \tilde{\theta}^T\xi - w) + \frac{1}{\gamma}\tilde{\theta}^T \dot{\hat{\theta}} = -k s^2 - s w + \tilde{\theta}^T\left(s\xi + \frac{1}{\gamma}\dot{\hat{\theta}}\right)$

为使 $\dot{V} \leq 0$（忽略 $w$ 时），取自适应律：

$\dot{\hat{\theta}} = -\gamma s \xi(z)$

则：

$\dot{V} = -k s^2 - s w \leq -k s^2 + |s|\bar{w}$

当 $|s| > \bar{w}/k$ 时 $\dot{V}<0$，因此 $s$ 一致最终有界，进而 $e,\dot{e}$ 有界。

注：实际应用中常加入 σ‑修正或死区以避免参数漂移。

---

5. MATLAB 仿真示例

5.1 被控对象

考虑 Duffing 混沌系统（未知 $f$）：

$\ddot{x} = -0.1\dot{x} - x^3 + 12\cos(t) + u$

即 $f(x,\dot{x}) = -0.1\dot{x} - x^3 + 12\cos(t)$，$g=1$。
我们假装不知道 $f$ 的表达式，用模糊系统逼近。

5.2 仿真代码

%% 基于模糊系统逼近的自适应控制仿真
clear; clc; close all;

%% 参数设置
dt = 0.001;                     % 仿真步长
T = 20;                         % 总时间
t = 0:dt:T;
N = length(t);

% 控制器参数
lambda = 5;
k = 10;
gamma = 50;                     % 自适应增益

% 模糊系统参数
% 输入范围：x1 ∈ [-3,3], x2 ∈ [-5,5]
% 每个维度划分 5 个隶属函数 → 共 25 条规则
numMF = 5;
x1_range = linspace(-3, 3, numMF);
x2_range = linspace(-5, 5, numMF);
sigma = 0.8;                    % 高斯宽度

% 生成所有规则的隶属函数中心和宽度
[c1, c2] = meshgrid(x1_range, x2_range);
centers = [c1(:), c2(:)]';      % 2×M
M = size(centers,2);

% 初始化参数 theta
theta = zeros(M,1);

% 参考轨迹
xd = @(t) sin(t);
dxd = @(t) cos(t);
ddxd = @(t) -sin(t);

% 状态初始化
x1 = 0; x2 = 0;
x1_history = zeros(1,N);
x2_history = zeros(1,N);
u_history = zeros(1,N);
theta_history = zeros(M,N);
s_history = zeros(1,N);

%% 仿真循环
for i = 1:N
    % 当前时间
    ti = t(i);
    
    % 参考信号及其导数
    xd_val = xd(ti);
    dxd_val = dxd(ti);
    ddxd_val = ddxd(ti);
    
    % 误差
    e = xd_val - x1;
    de = dxd_val - x2;
    s = de + lambda * e;
    
    % 计算模糊基函数
    z = [x1; x2];
    xi = zeros(M,1);
    for j = 1:M
        mu1 = exp(-(z(1)-centers(1,j))^2/(2*sigma^2));
        mu2 = exp(-(z(2)-centers(2,j))^2/(2*sigma^2));
        xi(j) = mu1 * mu2;
    end
    xi = xi / sum(xi);          % 归一化
    
    % 模糊系统输出
    f_hat = theta' * xi;
    
    % 控制律
    u = ddxd_val + lambda*de + k*s - f_hat;
    
    % 自适应律（欧拉法）
    theta = theta + dt * (-gamma * s * xi);
    
    % 施加控制到系统（真实动力学）
    % 真实 f = -0.1*x2 - x1^3 + 12*cos(ti)
    f_real = -0.1*x2 - x1^3 + 12*cos(ti);
    x2_dot = f_real + u;
    x1_dot = x2;
    
    % 更新状态（欧拉积分）
    x1 = x1 + dt * x1_dot;
    x2 = x2 + dt * x2_dot;
    
    % 记录
    x1_history(i) = x1;
    x2_history(i) = x2;
    u_history(i) = u;
    theta_history(:,i) = theta;
    s_history(i) = s;
end

%% 绘图
figure('Position', [100 100 900 800]);

subplot(3,1,1);
plot(t, xd(t), 'k--', 'LineWidth', 1.5); hold on;
plot(t, x1_history, 'r-', 'LineWidth', 1);
xlabel('Time (s)'); ylabel('x');
legend('Reference', 'Output');
title('跟踪性能');
grid on;

subplot(3,1,2);
plot(t, x1_history - xd(t)', 'b-', 'LineWidth', 1);
xlabel('Time (s)'); ylabel('Tracking error');
title('跟踪误差');
grid on;

subplot(3,1,3);
plot(t, u_history, 'g-', 'LineWidth', 1);
xlabel('Time (s)'); ylabel('Control input');
title('控制信号');
grid on;

figure;
% 显示部分参数收敛情况（取前5个规则）
plot(t, theta_history(1:5,:)');
xlabel('Time (s)'); ylabel('\theta');
title('模糊系统参数收敛（前5个规则）');
legend(arrayfun(@(i)sprintf('Rule %d',i),1:5,'UniformOutput',false));
grid on;

% 模糊逼近效果对比（在最后时刻）
z_test = [-2:0.1:2; -2:0.1:2];  % 测试点
f_true = -0.1*z_test(2,:) - z_test(1,:).^3 + 12*cos(T);
xi_test = zeros(M, length(z_test));
for j = 1:M
    mu1 = exp(-(z_test(1,:)-centers(1,j)).^2/(2*sigma^2));
    mu2 = exp(-(z_test(2,:)-centers(2,j)).^2/(2*sigma^2));
    xi_test(j,:) = mu1 .* mu2;
end
xi_test = xi_test ./ sum(xi_test,1);
f_approx = theta' * xi_test;

figure;
plot(z_test(1,:), f_true, 'b-', 'LineWidth', 1.5); hold on;
plot(z_test(1,:), f_approx, 'r--', 'LineWidth', 1.5);
xlabel('x_1'); ylabel('f(x, \dot{x})');
legend('True f', 'Approximated f');
title('模糊系统逼近效果（固定 \dot{x}=-2 截面）');
grid on;

参考代码 基于模糊系统逼近的自适应控制 www.youwenfan.com/contentcnv/81427.html

5.3 运行结果说明

• 跟踪性能：输出很快跟上参考信号，稳态误差很小。
• 模糊逼近：随着自适应进行，模糊系统参数收敛，对未知 $f$ 的逼近逐渐准确。
• 控制信号：初期因参数未收敛有较大波动，后期趋于平稳。

---

6. 扩展讨论

6.1 如何处理未知 $g(x)$？

若 $g$ 未知但符号已知（例如 $g>0$），可采用：

$u = \frac{1}{\hat{g}(z|\theta_g)}\left( \ddot{x}_d + \lambda\dot{e} + k s - \hat{f}(z|\theta_f) \right)$

并对 $\theta_f$ 和 $\theta_g$ 分别设计自适应律（需注意避免除零，可加正则项）。

6.2 如何提高逼近精度？

• 增加隶属函数数量（规则数）；
• 采用在线聚类或自适应网格划分；
• 结合神经网络（如 RBF 网络）作为逼近器。

6.3 鲁棒性增强

• 加入 $\sigma$-修正：$\dot{\hat{\theta}} = -\gamma s\xi - \sigma\hat{\theta}$；
• 使用死区技术：当 $|s|$ 小于阈值时不更新参数。

---

7. 总结

本方案利用模糊系统的万能逼近特性，结合 Lyapunov 自适应律，实现了对未知非线性系统的跟踪控制。仿真表明，该方法能有效补偿未知动力学，具有良好的瞬态和稳态性能。代码可直接复制运行，适用于教学和初步研究。