考模型的输出， 因而，神经网络控制器的目标函数为：
式中，T2为控制周期。
[0020] -般情况下，通过被控对象的实际输出y(k)来修正神经网络控制器的权值是比较 困难的，可通过神经网络辨识器预测出的输出来代替被控对象的实际输出y(k)，因 而改进后的神经网络控制器的目标函数可近似为：
步骤四：预测控制： a) 参考轨线： 参考轨迹是根据预测输出和实际输出规定的一条渐进趋向于未来设定值的曲线，以防 止控制量剧烈变化而出现超调，使系统的输出量能够平缓地达到设定值，一般，参考轨迹的 形式如下： w(k+j)=aJy(k)+(l-aJ)yr(k) 式中，0<aj< 1，（ j = 1，2，…η)为柔化系数，由系统的性能指标加以确定。 b) 预测模型： 预测模型是用来描述被控对象的动态特性的，它是根据被控对象过去的输出以及未来 的输入对系统未来的输出进行预测。由于神经网络能够以任意精度来逼近任意连续或非连 续的函数，不受系统模型的限制，不用建立实际系统的数学模型，便可以实现非线性系统的 建模，从而预测模型采用神经网络方法来对被控对象进行建模。
[0021 ]预测模型可用下式来表示： ym(k+l)=g[y(k)，···，y(k-n+l)，u(k)，···，u(k-m+l)] g[ ·]未知，由具有三层结构的前向BP神经网络进行在线训练，采用非线性PID时延神 经网络DTNN来实现。
[0022] c)滚动优化： 目前，预测控制最常用的目标函数是二次型目标函数，如下式所示：
式中，为系统输入;y为系统输出；AU为系统的控制增量;p为最大预测长度，应大于B (Z+1)的阶数;m为控制长度，一般要求m<P;A(j)为控制加权系数，λ〇)>〇,为方便计算，可 取M j)=l为一个常数。
[0023] 式中，目标函数加入了 2 +、/ - i)f项，其目的是抑制过大的控制增 量的产生，防止系统出现过大的超调而引起的系统振荡。 预测控制实际上就是求解目标函数的最小值，以达到系统的优化控制，即求A u(k)，Δ u(k+l)，···，Δ u(k+m-l)，使得J为最小。
[0024] 通常，为了进行柔性控制，系统的输出不是直接跟踪给定的输入，而是跟踪某一参 考轨迹。则目标函数可以写成如下形式：
d)输出反馈校正： 由于液压四足机器人系统不可避免的存在时变性、非线性和各种随机干扰，并且预测 模型存在失配问题，因此，模型预测的预测输出不可能与被控对象的实际输出完全一致。此 时需要采用反馈校正不断地对预测模型进行修正。在基于模型参考的神经网络预测解耦控 制算法中，每一步都要对系统的实际输出进行检测，并将其与模型的预测输出加以比较，以 构成系统的预测误差，然后依据该预测误差对预测模型进行修正，以得到下一步的预测输 出。为了实现系统的实时控制，采用在线校正方法对误差进行修正。则k时刻的预测误差可 表示为： em(k)=y(k)-ym(k) 那么，得到反馈校正后下一步的预测输出为： yP(k+l) =ym(k)+hem(k) 式中，h为误差修正系数。 与现有技术相比，本发明的有益效果是：
[0025] (1)降低了机器人各关节精确建模的工作量。 本发明采用神经网络预测方法建立关节的模型，该方法具有自适应、自学习等能力，可 以实现更精确的建模，不受系统模型的限制，降低了对模型精度的依赖。
[0026] (2)对外部扰动具有较强的抑制能力。 由于模型参考自适应控制不但能够很好地实现系统的解耦，而且能自动地调整控制器 去补偿干扰等因素的影响，以保证整个系统能够协调运转，提高了控制器对扰动的抵抗能 力，改善了机器人运行的稳定性。
[0027] (3)很好地实现了系统性能的优化。 由于模型预测控制能够预测系统未来的行为，通过滚动优化能及时地对各种因素引起 的不确定性进行校正，与一次优化相比，滚动优化对实际过程的适应性更强，鲁棒性也更 强，能够实现对复杂控制系统的优化。
【附图说明】 图1是本发明的控制结构框图； 图2是本发明的PID神经网络解耦控制模块框图； 图3是本发明的神经网络模型参考解耦控制模块框图； 图4是本发明的模型预测控制模块框图； 图5是本发明的预测模型的网络结构； 图6是本发明的解耦控制器的网络结构；
【具体实施方式】
[0030] 下面结合【具体实施方式】对本发明作进一步详细的描述。 本发明是一种液压四足机器人单腿关苄基于预测的解耦控制方法，如图1所示，包括 PID神经网络解耦控制模块(实线框）、神经网络模型参考解耦控制模块(虚线框)和预测控 制模块(点划线框)。
[0031] 所述PID神经网络解耦控制模块如图2所示，采用2个BP神经元子网络构成，各子网 络隐含层中均分别为比例(P)神经元、积分（I)神经元和微分(D)神经元。
[0032] 所述神经网络模型参考解耦控制模块如图3所示，包括参考模型、神经网络辨识 器、神经网络控制器。
[0033] 所述预测控制模块如图4所示，包括参考轨线、预测模型、反馈校正和滚动优化。为 了降低机器人各关节精确建模的工作量，提高对外部扰动的抑制能力，同时实现系统性能 的优化，本发明将PID神经网络解耦控制模块、神经网络模型参考解耦控制模块和预测控制 模块有机地结合，建立了液压四足机器人单腿关节的解耦控制，具体按照如下五个步骤进 行。
[0034] 步骤一:参考模型建立： 设定系统在无耦合情况下的参考模型:将液压四足机器人大小腿间存在耦合的模型中 次对角线的耦合项去掉，便可得到大小腿之间在无耦合情况下的参考模型：
(1) 步骤二:参考轨线改进： 通常，为了进行柔性控制，系统的输出不是直接跟踪给定的输入，而是跟踪某一参考轨 迹。从前面的一般形式的参考轨线的计算方法中可以看出，当V较小时，w(k+j)跟踪输入yr 就好，但轨线体现不出系统的输出状态；当V较大时，w(k+j)跟踪输出y较好，但轨线又体现 不出设定的输入状态。因此，不容易达到系统的控制指标要求。再者，一般形式的参考轨线 的柔化系数d是按系统设计、通过试凑法来确定的，一旦&确定了，参考轨线就固定了，适应 性较差。
[0035]为了克服以上不足，本发明采用自适应参考轨线方法，在线不断地修正参考轨线 来实现柔化控制，使系统的稳定性增强，同时又保持一定的快速性。自适应参考轨线方法由 PI算法确定，具体为： -f /) [yr (k} ~ v?] "5 (62) 式中，kp为比例系数，取0〈kP〈 1; ki为积分系数，取值范围3~5; τ为积分时间常数。三个 参数均可在线优化整定。
[0036]从式(2)可以看出，通过调整kP、Ια、τ，参考轨线能够自适应的跟随系统条件的变化 对其进行自修正，使参考轨线更具有参考性，很好的提高了系统的性能。 步骤三:神经网络预测模型建立： 预测模型是用来描述被控对象的动态特性的，它是根据被控对象过去的输出以及未来 的输入对系统未来的输出进行预测。由于神经网络能够以任意精度来逼近任意连续或非连 续的函数，不受系统模型的限制，不用建立实际系统的数学模型，便可以实现非线性系统的 建模，从而预测模型采用神经网络方法来对被控对象进行建模。
[0037] 预测模型可用下式来表示： ym(k+l)=g[y(k)，···，y(k-n+l)，u(k)，···，u(k-m+l)] (3) g[ ·]未知，由具有三层结构的前向BP神经网络进行在线训练，采用非线性PID时延神 经网络DTNN来实现。
[0038] 网络的输入为输出量和控制量序列{y(k)，u(k)}，网络的输出为模型输出7?(1〇， 仅考虑髋关节和膝关节之间的耦合关系，其预测模型的网络结构如图5所示。
[0039] 从图5中可以看出，预测