针对具有传感器攻击的随机非线性系统的神经网络自适应事件触发控制

《IEEE Transactions on Computational Social Systems》：Neural-Network-Adaptive Event-Triggered Control for Stochastic Nonlinear Systems With Sensor Attacks

自适应神经网络在随机非线性系统传感器攻击下的安全控制研究，提出基于事件触发的控制方案和NN观测器，利用反步法设计自适应控制算法，验证系统稳定性与误差收敛性，并通过仿真验证有效性。

　　

摘要：

本文研究了在遭受传感器攻击的随机非线性系统中，基于自适应神经网络（NN）的事件触发安全控制问题。神经网络用于识别未知的非线性动态，并建立了一个神经网络状态估计器来解决由于状态无法测量而产生的问题。同时提出了一个神经网络观测器来估计未知的传感器攻击信号。为了节省有限的通信资源并减少控制器更新次数，引入了事件触发控制（ETC）方案。然后，通过反向步进控制方法设计了一种自适应神经网络事件触发安全控制算法。实验结果表明，在传感器攻击下，该控制系统具有稳定性，并且跟踪误差能够持续收敛。最后，仿真验证了所研究理论的有效性。

引言

近年来，随机非线性系统在非线性系统领域中成为一个特殊且重要的研究方向。与确定性非线性系统[1]、[2]、[3]不同，随机非线性系统存在随机干扰，这可能导致控制系统的不稳定性。鉴于随机干扰在工业过程中的普遍存在，研究随机非线性系统的控制问题变得至关重要，相关成果已有大量文献记录[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]。在[4]中，作者通过构建四阶李雅普诺夫函数引入了随机非线性系统的稳定性概念。在此基础上，[5]进一步研究了随机非线性系统的输出反馈控制问题。此外，在[6]中，假设子系统的逆动态在随机输入下是稳定的，作者开发了一种基于观测器的分布式控制器。然而，[4]、[5]、[6]中的控制策略要求控制系统中的非线性函数是已知的，因此在处理控制系统中的未知动态时这些策略无法应用。由于模糊逻辑系统（FLS）和神经网络（NN）在近似未知非线性动态方面具有强大的能力，它们为解决控制系统中的未知非线性函数问题提供了有效的解决方案。在[7]中，作者提出了一种利用神经网络的近似策略来验证含有非单调激活函数Swish的神经网络鲁棒性的方法。在[8]中，作者讨论了针对未知控制方向和预设性能的不确定严格反馈系统的自适应神经优化控制。在[9]中，使用径向基函数神经网络在线近似未知连续函数，并提出了一类适用于不确定随机非线性系统的自适应神经跟踪控制方案，这些系统具有非严格反馈形式和预定的跟踪精度。在[10]中，作者针对不确定的非严格反馈非线性系统提出了一种事件触发模糊自适应预设性能控制（PPC）策略。