摘要
时变非线性机械系统（如机械臂和混沌系统）由于强非线性、参数摄动、外部扰动和物理约束等因素，在轨迹跟踪方面面临重大挑战。传统的梯度神经动力学（GND）和Zhang神经动力学（ZND）方法无法同时实现全局搜索能力和局部跟踪精度。为解决这一问题，本文提出了一种由长短期记忆（LSTM）网络驱动的自适应GND-ZND融合框架，并结合平滑双曲正切投影约束，实现高精度、鲁棒且满足约束条件的轨迹跟踪。核心创新在于一种基于LSTM的在线权重自适应机制，该机制学习多时间尺度的误差特征和系统状态，动态平衡GND的全局探索与ZND的局部优化。此外，设计了一种无限可微的平滑投影函数，以消除梯度不连续性和颤振现象，确保系统始终在安全物理范围内运行。通过Lyapunov分析，证明了在标称稳态情况下神经动力学残差呈指数收敛，以及在存在有界时变和扰动时具有均匀最终有界性。在变负载、高斯噪声、周期扰动和脉冲干扰条件下，对六自由度（DOF）PUMA560机械臂和Lorenz混沌系统进行了对比仿真实验。结果表明，与传统的GND、ZND和固定权重融合方法相比，所提方法将轨迹跟踪均方根误差（RMSE）降低至0.032 mm，将收敛时间缩短至1.2 s，在100次重复试验中取得了98.7%的成功率，并将综合性能指标提高了40.3%。所提框架为复杂时变非线性机械系统的高性能约束轨迹跟踪问题提供了可行且有效的智能解决方案。
