一种基于神经网络的磁控形状记忆合金执行器有限次迭代学习控制方法

本发明公开了一种基于神经网络的有限次迭代学习控制方法，用于解决磁控形状记忆合金执行器在有限迭代次数内实现精确跟踪控制的技术难题。本发明方法包括：1)利用神经网络逼近控制律中的非线性函数，提升控制器的自适应性和学习能力，实现磁控形状记忆合金执行器在有限次迭代内的精确跟踪控制。2)基于压缩映射原理和利普希茨条件，推导了跟踪误差与迭代次数上界之间的数学关系，并给出系统收敛的充分条件，为控制器设计提供理论依据。与现有技术相比，本发明具有更好的适应性和收敛速度，尤其适用于复杂工业过程中的精密控制，具有广泛的应用前景。