基于强化学习和径向基函数神经网络的自适应控制方法

本发明涉及信息技术技术领域，具体涉及基于强化学习和径向基函数神经网络的自适应控制方法，包括：建立具有未知时变不确定性的非线性系统的状态方程，定义系统状态变量和控制目标；在强化学习框架下，初始化控制策略和价值函数，设定初始网络参数，初步估计不确定性的上确界；利用径向基函数神经网络对系统的不确定性进行实时估计，通过调整径向基函数神经网络的参数，逼近不确定性的上确界；基于估计的不确定性，对控制策略进行迭代更新，在每次迭代中，利用强化学习算法优化控制策略；实时调整控制策略，基于最新的不确定性估计值，对控制策略参数进行优化，并通过收敛性分析得到最终稳定的控制策略。通过本发明，有效解决了需要预先知道不确定性上界的问题，提高了系统鲁棒性和控制精度，动态自适应能力强，简化了控制策略设计，增强了系统稳定性和响应效率。