基于等价模型的高超声速飞行器离散神经网络自适应控制方法

摘要

本发明公开了一种基于等价模型的高超声速飞行器离散神经网络自适应控制方法，用于解决现有的高超声速飞行器离散自适应控制难以工程实现的技术问题；该方法首先将高超声速飞行器的高度子系统模型转化为严格反馈形式，再通过欧拉法建立原有系统的离散严格反馈形式；考虑系统的因果关系，建立原系统的等价模型；等价模型充分利用未来输出，起到了预测功能；另外，通过模型分析，更多系统状态以及未来输出信息涉及其中，这为神经网络设计提供了必要的更加丰富的信息；采用标称系统，通过误差反馈并引入神经网络对系统未知进行估计，按照反步法策略设计控制器；结合计算机控制的特点，通过模型转换得到的控制器有效避免了非因果问题。

说明书

技术领域

本发明涉及一种高超声飞行器控制方法，特别是涉及一种基于等价模型的高超声 速飞行器离散神经网络自适应控制方法，属于飞行器控制领域。

背景技术

高超声速飞行器由于其突出的飞行能力，使得全球实时打击成为可能，因此受到 国内外的广泛关注；NASA X-43A试飞成功证实了这项技术的可行性；受自身复杂动 力学特性的影响以及机体发动机一体化设计，高超声速飞行器弹性机体、推进系统以 及结构动态之间的耦合更强，模型的非线性度也更高；此外，受飞行高度、马赫数和 飞行条件影响，飞行器对外界条件非常敏感。

针对高超声速飞行器的控制大都集中在连续域内；随着计算机技术的发展，未来 高超声速飞行器的控制系统需要使用计算机完成，因此研究高超声速飞行器的离散自 适应控制具有重要的意义；离散控制器的设计通常可采用两种方法：1)根据连续控制 对象设计控制器，然后将连续的控制器离散化；2)直接根据离散化的控制对象设计离 散控制器；第1种方法需要较快的采样速率，对系统的硬件提出了很高的要求；基于 离散化对象进行设计的控制器，便于对神经网络的权值收敛性进行分析，并且系统的 性能不依赖于采样速率。

《高超声速飞行器基于Back-stepping的离散控制器设计》(高道祥，孙增圻，杜 天容，《控制与决策》，2009年第24卷第3期)一文采用第二种方法将高度子系统转 化为一个四阶模型，通过设计虚拟控制量(航迹角，俯仰角以及俯仰角速度)分别实 现对上一状态量的控制，最后利用舵偏角控制俯仰角速度；该方法仅利用当前时刻与 下一时刻的信息，对于所需虚拟控制量的未来信息采用标称系统进行近似预估；由于 系统动力学参数存在不确定性，系统状态的未来信息无从得知，无法按照相关的表达 式获取虚拟控制量的未来信息，存在非因果问题，难以工程实现。

发明内容

为克服现有技术在高超声速飞行器离散自适应控制难以工程实现的不足，本发明 提出了一种基于等价模型的高超声速飞行器离散神经网络自适应控制方法，该方法通 过对已有的高超声速飞行器离散欧拉模型进行变换，得到等价模型，同时考虑系统的 不确定性，采用神经网络进行逼近，控制器采用标称方法，便于工程实现。

本发明解决其技术问题采用的技术方案是：一种基于等价模型的高超声速飞行器 离散神经网络自适应控制方法，通过以下步骤实现：

(a)高超声速飞行器纵向通道动力学模型为：

$\stackrel{·}{V}=\frac{T\cos \alpha -D}{m}-\frac{\mu \sin \gamma }{r^2}---\left(1\right)$

$\stackrel{·}{h}=V\sin \gamma ---\left(2\right)$

$\stackrel{·}{\gamma }=\frac{L+T\sin \alpha }{\mathrm{mV}}-\frac{\mu -V^{2}r\cos \gamma }{V{r}^2}---\left(3\right)$

$\stackrel{·}{\alpha }=q-\stackrel{·}{\gamma }---\left(4\right)$

$\stackrel{·}{q}=\frac{M_{\mathrm{yy}}}{I_{\mathrm{yy}}}---\left(5\right)$

该模型由五个状态变量X_s＝[V，h，α，γ，q]^T和两个控制输入U_c＝[δ_e，β]^T组成；其中，V表 示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δ_e是舵偏角， β为节流阀开度；T、D、L和M_yy分别代表推力、阻力、升力和俯仰转动力矩；m、 I_yy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；

(b)定义X＝[x₁，x₂，x₃，x₄]^T，其中x₁＝h，x₂＝γ，x₃＝θ，x₄＝q，θ＝α+γ；因为γ非 常小，取sinγ≈γ；考虑到Tsinα远小于L，在控制器设计过程中近似忽略；

高度子系统(2)-(5)写成以下严格反馈形式：

${\stackrel{·}{x}}_1=V\sin x_2\approx V{x}_2=f_1\left(x_1\right)+g_1\left(x_1\right)x_2$

${\stackrel{·}{x}}_2=f_2(x_1,x_2)+g_2(x_1,x_2)x_3$

${\stackrel{·}{x}}_3=f_3(x_1,x_2,x_3)+g_3(x_1,x_2,x_3)x_4$

${\stackrel{·}{x}}_4=f_4(x_1,x_2,x_3,x_4)+g_4(x_1,x_2,x_3,x_4)u_A$

u_A＝δ_e

速度子系统(1)写为如下形式：

$\stackrel{·}{V}=f_V+g_V{u}_V$

u_V＝β

其中f_i，g_i，i＝1，2，3，4，V是根据(1)-(5)得到的未知项，分为标称值f_iN，g_iN与不确定性 Δf_i，Δg_i；

(c)考虑采样时间T_s非常小，通过欧拉近似法得到高度子系统离散模型：

x_i(k+1)＝x_i(k)+T_s[f_i(k)+g_i(k)x_i+1(k)]

                                                                 (6)

x₄(k+1)＝x₄(k)+T_s[f₄(k)+g₄(k)u_A(k)]

其中i＝1，2，3；

通过欧拉近似法建立速度子系统的离散模型：

V(k+1)＝V(k)+T_s[f_V(k)+g_V(k)u_V(k)]

进一步建立系统(6)的等价模型

x₁(k+4)＝x₁(k+3)+T_s[f₁(k+3)+g₁(k+3)x₂(k+3)]

x₂(k+3)＝x₂(k+2)+T_s[f₂(k+2)+g₂(k+2)x₃(k+2)]

                                                            (7)

x₃(k+2)＝x₃(k+1)+T_s[f₃(k+1)+g₃(k+1)x₄(k+1)]

x₄(k+1)＝x₄(k)+T_s[f₄(k)+g₄(k)u_A(k)]

通过以下定义，得到式(7)的简化形式(8)：

$F_i^C\left(X\left(k\right)\right)=x_i(k+4-i)+T_s{f}_i(k+4-i),$$G_i^C\left(X\left(k\right)\right)=T_s{g}_i(k+4-i)$

相应的标称值记为：$F_{\mathrm{iN}}^C\left(X\left(k\right)\right),G_{\mathrm{iN}}^C\left(X\left(k\right)\right),i=\mathrm{1,2,3,4};$

$x_i(k+5-i)=F_i^C\left(X\left(k\right)\right)+G_i^C\left(X\left(k\right)\right)x_{i+1}(k+4-i)$

                                           (8)

$x_4(k+1)=F_4^C\left(X\left(k\right)\right)+G_4^C\left(X\left(k\right)\right)u_A\left(k\right),i=\mathrm{1,2,3}$

(d)在动力学参数未知情况下，采用神经网络对系统不确定部分进行估计，按照标 称值设计控制器；

定义误差z₁(k)＝x₁(k)-x_1d(k)，设计虚拟控制量

$x_{2d}(k+3)=\frac{x_{1d}(k+4)+G_1{z}_1\left(k\right)-F_{1N}^C\left(X\left(k\right)\right)-{\hat{\omega }}_1^T\left(k\right)S_1\left({\theta }_1\left(k\right)\right)}{G_{1N}^C\left(X\left(k\right)\right)}$

这里θ₁(k)＝[X^T(k)，x_1d(k+4)]^T，x_1d(k+4)为高度参考指令在k+4时刻的值，0＜C₁＜1为 误差比例系数，为神经网络权重向量的估计值，S₁(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_1(k+1)={\hat{\omega }}_1\left(k_1\right)-{\lambda }_1{z}_1(k+1)S_1\left({\theta }_1\left(k_1\right)\right)-{\delta }_1{\hat{\omega }}_1\left(k_1\right)$

其中λ₁＞0，0＜δ₁＜1，k₁＝k-3；

定义z₂(k)＝x₂(k)-x_2d(k)，设计虚拟控制量

$x_{3d}(k+2)=\frac{x_{2d}(k+3)+C_2{z}_2\left(k\right)-F_{2N}^C\left(X\left(k\right)\right)}{G_{2N}^C\left(X\left(k\right)\right)}-{\hat{\omega }}_2^T\left(k\right)S_2\left({\theta }_2\left(k\right)\right)$

其中θ₂(k)＝[X^T(k)，x_2d(k+3)]^T，0＜C₂＜1为误差比例系数，为神经网络权重向 量的估计值，S₂(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_2(k+1)={\hat{\omega }}_2\left(k_2\right)-{\lambda }_2{z}_2(k+1)S_2\left({\theta }_2\left(k_2\right)\right)-{\delta }_2{\hat{\omega }}_2\left(k_2\right)$

其中λ₂＞0，0＜δ₂＜1，k₂＝k-2；

定义z₃(k)＝x₃(k)-x_3d(k)，设计虚拟控制量

$x_{4d}(k+1)=\frac{x_{3d}(k+2)+C_3{z}_3\left(k\right)-F_{3N}^C\left(X\left(k\right)\right)-{\hat{\omega }}_3^T\left(k\right)S_3\left({\theta }_3\left(k\right)\right)}{G_{3N}^C\left(X\left(k\right)\right)}$

其中θ₃(k)＝[X^T(k)，x_3d(k+2)]^T，0＜C₃＜1为误差比例系数，为神经网络权重向 量的估计值，S₃(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_3(k+1)={\hat{\omega }}_3\left(k_3\right)-{\lambda }_3{z}_3(k+1)S_3\left({\theta }_3\left(k_3\right)\right)-{\delta }_3{\hat{\omega }}_3\left(k_3\right)$

其中λ₃＞0，0＜δ₃＜1，k₃＝k-1；

定义z₄(k)＝x₄(k)-x_4d(k)，设计实际控制量

$u_A\left(k\right)=\frac{x_{4d}(k+1)+C_4{z}_4\left(k\right)-F_{4N}^C\left(X\left(k\right)\right)}{G_{4N}^C\left(X\left(k\right)\right)}-{\hat{\omega }}_4^T\left(k\right)S_4\left({\theta }_4\left(k\right)\right)$

其中θ₄(k)＝[X^T(k)，x_4d(k+1)]^T，0＜C₄＜1为误差比例系数，为神经网络权重向量 的估计值，S₄(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_4(k+1)={\hat{\omega }}_4\left(k_4\right)-{\lambda }_4{z}_4(k+1)S_4\left({\theta }_4\left(k_4\right)\right)-{\delta }_4{\hat{\omega }}_4\left(k_4\right)$

其中λ₄＞0，0＜δ₄＜1，k₄＝k；

针对速度子系统，定义θ_V(k)＝[V(k)，X^T(k)，V_d(k+1)]^T，z_V(k)＝V(k)-V_d(k)，

$F_V^C\left(X_s\left(k\right)\right)=V\left(k\right)+T_s{f}_V\left(k\right),$$G_V^C\left(X_s\left(k\right)\right)=T_s{g}_V\left(k\right)$

设计控制器

$u_V\left(k\right)=\frac{V_d(k+1)+C_V{z}_V\left(k\right)-F_{\mathrm{VN}}^C\left(X_s\left(k\right)\right)}{G_{\mathrm{VN}}^C\left(X_s\left(k\right)\right)}-{\hat{\omega }}_V^T\left(k\right)S_V\left({\theta }_V\left(k\right)\right)$

其中0＜C_V＜1为误差比例系数，是和的 标称值，为神经网络权重向量的估计值，S_V(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_V(k+1)={\hat{\omega }}_V\left(k\right)-{\lambda }_V{S}_V{(\theta }_V\left(k\right))z_V(k+1)-{\delta }_V{\hat{\omega }}_V\left(k\right)$

其中λ_V＞0，0＜δ_V＜1；

(e)根据得到的舵偏角u_A(k)和节流阀开度u_V(k)，返回到高超声速飞行器的动力学 模型(1)-(5)，对高度和速度进行跟踪控制。

本发明与现有技术相比有益效果为：

(1)本发明通过将原有模型进行转换得到等价模型，将原有系统的分层递阶特点 充分利用，有效避免了“非因果”设计难以工程实现问题；

(2)该控制器设计过程中，充分考虑模型的结构特点，控制器充分考虑未来输出， 具有预测功能；

(3)根据等价模型，分析系统的不确定性，得到相应的神经网络变量输入；由于 等价模型与未来输出有着紧密的联系，使得神经网络的输入包含了更多的信 息，实现对系统未知部分进行充分分析与逼近；

(4)在控制器设计中引入了误差比例项，调节系统的动态特性。

下面结合附图和实施例对本发明作详细说明。

附图说明

图1是本发明基于等价模型的高超声速飞行器离散神经网络自适应控制方法的流 程图。

具体实施方式

参照图1，本发明基于等价模型的高超声速飞行器离散神经网络自适应控制方法 通过以下步骤实现：

(a)考虑公式组(1)-(5)的高超声速飞行器动力学模型

$\stackrel{·}{V}=\frac{T\cos \alpha -D}{m}-\frac{\mu \sin \gamma }{r^2}---\left(1\right)$

$\stackrel{·}{h}=V\sin \gamma ---\left(2\right)$

$\stackrel{·}{\gamma }=\frac{L+T\sin \alpha }{\mathrm{mV}}-\frac{\mu -V^{2}r\cos \gamma }{V{r}^2}---\left(3\right)$

$\stackrel{·}{\alpha }=q-\stackrel{·}{\gamma }---\left(4\right)$

$\stackrel{·}{q}=\frac{M_{\mathrm{yy}}}{I_{\mathrm{yy}}}---\left(5\right)$

该模型由五个状态变量X_s＝[V，h，α，γ，q]^T和两个控制输入U_c＝[δ_e，β]^T组成；其中，V表 示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δ_e是舵偏角， β为节流阀开度；T、D、L和M_yy分别代表推力、阻力、升力和俯仰转动力矩；m、 I_yy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；

相关的力矩及参数定义如下：

$\bar{q}=\frac{1}{2}{\mathrm{\rho V}}^2,$$L=\bar{q}S{C}_L,$$D=\bar{q}S{C}_D,$$T=\bar{q}S{C}_T,$

$M=\bar{q}S\bar{c}(C_M\left(\alpha \right)+C_M\left(q\right)+C_M\left({\delta }_e\right)),$C_L＝0.6203α，

C_D＝0.6450α²+0.0043378α+0.003772，

C_M(α)＝-0.035α²+0.036617α+5.3261×10^-6，

$C_M\left(q\right)=(q\bar{c}/2V)\times (-6.796{\alpha }^2+0.3015\alpha -0.2289)$

C_M(δ_e)＝0.0292(δ_e-α)

其中表示动压，ρ表示空气密度，C_i(j)，i＝D，L，M，T，j＝α，β，q，δ_e表示j对i的系数， 表示平均气动弦长，S表示气动参考面积；

(b)为便于设计，定义X＝[x₁，x₂，x₃，x₄]^T，其中x₁＝h，x₂＝γ，x₃＝θ，x₄＝q，θ＝α+γ；

因为γ非常小，取sinγ≈γ；考虑到Tsinα远小于L，在控制器设计过程中近似忽略； 高度子系统(2)-(5)写成以下严格反馈形式：

${\stackrel{·}{x}}_1=V\sin x_2\approx V{x}_2=f_1\left(x_1\right)+g_1\left(x_1\right)x_2$

${\stackrel{·}{x}}_2=f_2(x_1,x_2)+g_2(x_1,x_2)x_3$

${\stackrel{·}{x}}_3=f_3(x_1,x_2,x_3)+g_3(x_1,x_2,x_3)x_4$

${\stackrel{·}{X}}_4=f_4(x_1,x_2,x_3,x_4)+g_4(x_1,x_2,x_3,x_4)u_A$

u_A＝δ_e

其中f₁＝0，g₁＝V，$f_2=-(\mu -V^{2}r)\cos \gamma /\left(V{r}^2\right)-0.6203\bar{q}\mathrm{S\gamma }/\left(\mathrm{mV}\right),$$g_2=0.6203\bar{q}S/\left(\mathrm{mV}\right),$

f₃＝0，g₃＝1，$f_4=\bar{q}S\bar{c}[C_M\left(\alpha \right)+C_M\left(q\right)-0.0292\alpha ]/I_{\mathrm{yy}},$$g_4=0.0292\bar{q}S\bar{c}/I_{\mathrm{yy}};$

速度子系统(1)写成如下形式：

$\stackrel{·}{V}=f_V+g_V{u}_V$

u_V＝β

其中$f_V=\left(\begin{array}{cc}-(\frac{D}{m}+\frac{\mu \sin \gamma }{r^2})& \beta <1\\ -(\frac{D}{m}+\frac{\mu \sin \gamma }{r^2})+\frac{0.0224\bar{q}S\cos \alpha }{m}& \beta \ge 1\end{array}\right),$$g_V=\left(\begin{array}{cc}\frac{\bar{q}S\times 0.02576\cos \alpha }{m}& \beta <1\\ \frac{\bar{q}S\times 0.00336\cos \alpha }{m}& \beta \ge 1\end{array}\right);$

这里f_i，g_i，i＝1，2，3，4，V是根据(1)-(5)得到的未知项，分为标称值f_iN，g_iN与不确定性 Δf_i，Δg_i；

(c)考虑采样时间T_s非常小，通过欧拉近似法得到离散模型：

x_i(k+1)＝x_i(k)+T_s[f_i(k)+g_i(k)x_i+1(k)]，i＝1，2，3

                                                              (6)

x₄(k+1)＝x₄(k)+T_s[f₄(k)+g₄(k)u_A(k)]

V(k+1)＝V(k)+T_s[f_V(k)+g_V(k)u_V(k)]

对i＝1，2，3，进行两步预测得到

x_i(k+2)＝x_i(k+1)+T_s[f_i(k+1)+g_i(k+1)x_i+1(k+1)]

对i＝1，2，进行三步预测得到

x_i(k+3)＝x_i(k+2)+T_s[f_i(k+2)+g_i(k+2)x_i+1(k+2)]

对i＝1，进行四步预测得到

x_i(k+4)＝x_i(k+3)+T_s[f_i(k+3)+g_i(k+3)x_i+1(k+3)]

仅x₄(k+1)、x₃(k+2)、x₂(k+3)和x₁(k+4)依赖于u_A(k)和当前的系统状态X(k)； 至此得到高度子系统离散模型的等价系统

x₁(k+4)＝x₁(k+3)+T_s[f₁(k+3)+g₁(k+3)x₂(k+3)]

x₂(k+3)＝x₂(k+2)+T_s[f₂(k+2)+g₂(k+2)x₃(k+2)]

                                                                     (7)

x₃(k+2)＝x₃(k+1)+T_s[f₃(k+1)+g₃(k+1)x₄(k+1)]

x₄(k+1)＝x₄(k)+T_s[f₄(k)+g₄(k)u_A(k)]

定义

$F_1^C\left(X\left(k\right)\right)=x_1(k+3)+T_s{f}_1(k+3)$$F_2^C\left(X\left(k\right)\right)=X_2(k+2)+T_s{f}_2(k+2)$

$G_1^C\left(X\left(k\right)\right)=T_s{g}_1{(k+3)}^{,}$$G_2^C\left(X\left(k\right)\right)=T_s{g}_2{(k+2)}^{,}$

$F_3^C\left(X\left(k\right)\right)=x_3(k+1)+T_s{f}_3(k+1)$$F_4^C\left(X\left(k\right)\right)=x_4\left(k\right)+T_s{f}_4\left(k\right)$

$G_3^C\left(X\left(k\right)\right)=T_s{g}_3{(k+1)}^{,}$$G_4^C\left(X\left(k\right)\right)=T_s{g}_4\left(k\right)$

相应的标称值记为：i＝1，2，3，4；

得到

$x_1(k+4)=F_1^C\left(X\left(k\right)\right)+G_1^C\left(X\left(k\right)\right)x_2(k+3)$

$x_2(k+3)=F_2^C\left(X\left(k\right)\right)+G_2^C\left(X\left(k\right)\right)x_3(k+2)$

                             (8)

$x_3(k+2)=F_3^C\left(X\left(k\right)\right)+G_3^C\left(X\left(k\right)\right)x_4(k+1)$

$x_4(k+1)=F_4^C\left(X\left(k\right)\right)+G_4^C\left(X\left(k\right)\right)u_A\left(k\right)$

(d)考虑动力学参数未知，采用标称值进行设计，利用神经网络对系统不确定部分 进行估计；

定义误差z₁(k)＝x₁(k)-x_1d(k)，设计虚拟控制量

$x_{2d}(k+3)=\frac{x_{1d}(k+4)+G_1{z}_1\left(k\right)-F_{1N}^C\left(X\left(k\right)\right)-{\hat{\omega }}_1^T\left(k\right)S_1\left({\theta }_1\left(k\right)\right)}{G_1^C\left(X\left(k\right)\right)}$

这里θ₁(k)＝[X^T(k)，x_1d(k+4)]^T，x_1d(k+4)为高度参考指令在k+4时刻的值，0＜C₁＜1为 误差比例系数，为神经网络权重向量的估计值，S₁(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_1(k+1)={\hat{\omega }}_1\left(k_1\right)-{\lambda }_1{z}_1(k+1)S_1\left({\theta }_1\left(k_1\right)\right)-{\delta }_1{\hat{\omega }}_1\left(k_1\right)$

其中λ₁＞0，0＜δ₁＜1，k₁＝k-3；

定义z₂(k)＝x₂(k)-x_2d(k)，设计虚拟控制量

$x_{3d}(k+2)=\frac{x_{2d}(k+3)+C_2{z}_2\left(k\right)-F_{2N}^C\left(X\left(k\right)\right)}{G_{2N}^C\left(X\left(k\right)\right)}-{\hat{\omega }}_2^T\left(k\right)S_2\left({\theta }_2\left(k\right)\right)$

其中θ₂(k)＝[X^T(k)，x_2d(k+3)]^T，0＜C₂＜1为误差比例系数，为神经网络权重向 量的估计值，S₂(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_2(k+1)={\hat{\omega }}_2\left(k_2\right)-{\lambda }_2{z}_2(k+1)S_2\left({\theta }_2\left(k_2\right)\right)-{\delta }_2{\hat{\omega }}_2\left(k_2\right)$

其中λ₂＞0，0＜δ₂＜1，k₂＝k-2；

定义z₃(k)＝x₃(k)-x_3d(k)，设计虚拟控制量

$x_{4d}(k+1)=\frac{x_{3d}(k+2)+C_3{z}_3\left(k\right)-F_{3N}^C\left(X\left(k\right)\right)-{\hat{\omega }}_3^T\left(k\right)S_3\left({\theta }_3\left(k\right)\right)}{G_3^C\left(X\left(k\right)\right)}$

其中θ₃(k)＝[X^T(k)，x_3d(k+2)]^T，0＜C₃＜1为误差比例系数，为神经网络权重向 量的估计值，S₃(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_3(k+1)={\hat{\omega }}_3\left(k_3\right)-{\lambda }_3{z}_3(k+1)S_3\left({\theta }_3\left(k_3\right)\right)-{\delta }_3{\hat{\omega }}_3\left(k_3\right)$

其中λ₃＞0，0＜δ₃＜1，k₃＝k-1；

定义z₄(k)＝x₄(k)-x_4d(k)，设计实际控制量

$u_A\left(k\right)=\frac{x_{4d}(k+1)+C_4{z}_4\left(k\right)-F_{4N}^C\left(X\left(k\right)\right)}{G_{4N}^C\left(X\left(k\right)\right)}-{\hat{\omega }}_4^T\left(k\right)S_4\left({\theta }_4\left(k\right)\right)$

其中θ₄(k)＝[X^T(k)，x_4d(k+1)]^T，0＜C₄＜1为待定参数，为神经网络权重向量的估 计值，S₄(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_4(k+1)={\hat{\omega }}_4\left(k_4\right)-{\lambda }_4{z}_4(k+1)S_4\left({\theta }_4\left(k_4\right)\right)-{\delta }_4{\hat{\omega }}_4\left(k_4\right)$

其中λ₄＞0，0＜δ₄＜1，k₄＝k；

针对速度子系统，定义θ_V(k)＝[V(k)，X^T(k)，V_d(k+1)]^T，z_V(k)＝V(k)-V_d(k)，

$F_V^C\left(X_s\left(k\right)\right)=V\left(k\right)+T_s{f}_V\left(k\right),$$G_V^C\left(X_s\left(k\right)\right)=T_s{g}_V\left(k\right);$

设计控制器

$u_V\left(k\right)=\frac{V_d(k+1)+C_V{z}_V\left(k\right)-F_{\mathrm{VN}}^C\left(X_s\left(k\right)\right)}{G_{\mathrm{VN}}^C\left(X_s\left(k\right)\right)}-{\hat{\omega }}_V^T\left(k\right)S_V\left({\theta }_V\left(k\right)\right)$

其中0＜C_V＜1为待设定参数，是和的标 称值，为神经网络权重向量的估计值，S_V(·)神经网络基函数向量；

神经网络权重自适应更新律为：

${\hat{\omega }}_V(k+1)={\hat{\omega }}_V\left(k\right)-{\lambda }_V{S}_V{(\theta }_V\left(k\right))z_V(k+1)-{\delta }_V{\hat{\omega }}_V\left(k\right)$

其中λ_V＞0，0＜δ_V＜1；

(e)根据得到的舵偏角u_A(k)和节流阀开度u_V(k)，返回到高超声速飞行器的动力学 模型(1)-(5)，对高度和速度进行跟踪。

本发明未详细说明部分属于领域技术人员公知常识。