本文旨在向中文研究界介绍一篇发表于《IEEE Transactions on Fuzzy Systems》期刊的重要研究论文。该论文由华中科技大学人工智能与自动化学院、图像信息处理与智能控制教育部重点实验室的任芳敏、王晓平（IEEE高级会员）和曾志刚（IEEE Fellow）三位研究者共同完成，于2023年6月正式刊出（第31卷第6期）。论文标题为“Improved Fixed-Time Stabilization of Fuzzy Neural Networks with Distributed Delay via Adaptive Sliding Mode Control”，即《基于自适应滑模控制的具有分布时延的模糊神经网络改进固定时间稳定化研究》。这项研究属于控制理论与人工智能的交叉领域，具体聚焦于复杂动态系统的稳定性分析与控制设计。

一、 研究背景与目的

稳定性分析作为控制理论最基础的研究内容，根据系统收敛时间的不同，可分为渐近稳定、指数稳定、有限时间稳定和固定时间稳定。其中，有限时间控制和固定时间控制因其收敛时间有上界而备受关注。然而，有限时间控制的稳定时间依赖于系统的初始条件，这在初始值难以确定的实际工程中限制了其应用。为解决此问题，固定时间控制的概念被提出，其稳定时间与初始条件无关，对于任何有界初始条件，稳定时间都有一个固定的最大上界，因而更具工程实用性。

另一方面，模糊神经网络作为一种结合了模糊逻辑与神经网络优势的智能系统，具有强大的自学习和自调谐功能，在处理不确定性和非线性问题上表现出色。然而，在实际应用中，神经网络常受到时延（特别是分布时延）、外部干扰和参数切换等因素的影响，这些因素可能导致系统性能下降甚至失稳。因此，研究具有分布时延的模糊神经网络的稳定化控制问题具有重要的理论和实际意义。尽管已有一些关于固定时间控制的研究，但现有成果在稳定性条件的保守性、灵活性以及收敛时间估计的最优性方面仍面临挑战。同时，将自适应滑模控制应用于此类复杂网络的研究较少，部分原因在于计算复杂度的增加。

基于以上背景，本研究设定了两个主要目标：第一，针对非线性系统，建立更灵活、保守性更低的固定时间稳定性条件，并优化收敛时间的估计。第二，针对具有分布时延、模糊逻辑、外部干扰和切换权值的模糊神经网络模型，设计更具一般性和包容性的滑模变量，并构建相应的滑模控制器与自适应滑模控制器，以确保系统在固定时间内实现稳定。

二、 研究流程与方法

本研究主要包含理论推导、控制器设计、稳定性证明和数值仿真四个核心部分，其详细流程如下：

1. 理论基础构建：提出新的固定时间稳定性定理 研究首先从非线性系统的一般稳定性理论出发。研究者设计了一个全新的李雅普诺夫函数导数不等式形式： dV(χ(ι))/dι ≤ −(aV^α(χ(ι)) + bV^β(χ(ι)) − cV^γ(χ(ι)))^k 其中，V(χ) 是径向无界的正定李雅普诺夫函数，a, b, c, α, β, γ, k 为满足特定关系的正参数（例如 0 < β ≤ γ ≤ α, c ≤ min{2^(γ−α)a, b}, 0 ≤ βk < 1 < αk）。

与现有文献中常见的 − (aV^α + bV^β) 形式相比，新引入的 −cV^γ 项提供了更大的设计自由度。通过严谨的积分估计和变量替换技巧，论文推导出了系统原点为固定时间稳定的充分条件，并给出了稳定时间 T_max 的一个显式上界估计公式。该定理是本研究后续控制器设计的核心理论基石。作者指出，通过调整参数，该定理可以退化或涵盖许多已有的有限时间/固定时间稳定性结论，因此具有更广泛的适用性。

2. 系统模型与问题描述 研究对象是一个具有分布时延的模糊神经网络模型，其动力学方程如下： ∂ϕ_i(t)/∂t = −p_i ϕ_i(t) + ∑[j=1 to n] [ q_ij(ϕ_i(t)) h_j(ϕ_j(t)) + d_ij(ϕ_i(t)) ∫_{t−δ_j(t)}^{t} h_j(ϕ_j(π)) dπ + ∧ u_ij(ϕ_i(t)) h_j(ϕ_j(t−τ_j(t))) + ∨ v_ij(ϕ_i(t)) h_j(ϕ_j(t−τ_j(t))) ] + ω_i(t) + μ_i(t) 其中，ϕ_i 是状态变量，p_i 是自反馈连接权重，h_j(·) 是激活函数，τ_j(t) 和 δ_j(t) 分别是时变时延和分布时延，ω_i(t) 是外部干扰。∧ 和 ∨ 分别代表模糊“与”和模糊“或”运算。q_ij, d_ij, u_ij, v_ij 是基于状态的切换权重。μ_i(t) 是待设计的控制器。研究假设激活函数满足 Lipschitz 条件，干扰有界，时延有界。

3. 新型积分滑模面与滑模控制器设计 为了实现固定时间稳定，研究者首先设计了一种新颖的积分滑模流形（滑动面）： ξ_i(t) = ∫_0^t ( â|ϕ_i(υ)|^α† + b̂|ϕ_i(υ)|^β† − ĉ|ϕ_i(υ)|^γ† ) sign(ϕ_i(υ)) dυ + m_i ϕ_i(t) 其中 m_i < 0，其余参数满足类似稳定性定理的条件。该滑模面的设计特点是参数较少且形式通用，通过选择不同的参数 (â, b̂, ĉ, α†, β†, γ†)，可以退化为文献中已有的多种滑模面形式，灵活性高。

当系统状态到达滑模面 (ξ(t)=0) 后，其等效滑动模态动力学由方程 ξ̇_i(t)=0 决定，这导出了一个简洁的微分方程。研究的目标是设计控制器 μ_i(t)，驱使系统状态在固定时间内到达该滑模面并保持在其上。

为此，论文设计了两种控制器： * 滑模控制器 (SMC)：μ_i(t) = ϕ̇^♦_i(t) − φ_i(t) 其中，ϕ̇^♦_i(t) 是滑动模态动力学的导数，φ_i(t) 包含一个符号函数项和一个幂次项，用于保证固定时间收敛。 * 自适应滑模控制器 (ASMC)：μ_i(t) = ϕ̇^♦_i(t) − φ̄_i(t) 其中，φ̄_i(t) 中的控制增益 η̃_i 不再是固定常数，而是通过一个自适应律在线更新：˙η̃_i(t) = m_i |ϕ_i(t)ξ_i(t)| − sign(η̃_i(t)−χ_i) / 2 * ( ā_i|η̃_i(t)−χ_i|^α2 + b̄_i|η̃_i(t)−χ_i|^β2 − c̄_i|η̃_i(t)−χ_i|^γ2 )。 自适应律的设计引入了绝对值运算，避免了相关研究中可能出现的虚数问题，提高了实用性。自适应控制能根据系统状态实时调整参数，增强了控制器的鲁棒性并削弱了滑模控制固有的抖振现象。

4. 稳定性分析与证明 对于所设计的控制器，研究者通过构造不同的李雅普诺夫函数，严格证明了闭环系统的固定时间稳定性。 * 到达阶段稳定性：分别针对滑模控制器（使用李雅普诺夫函数 V1(t)=Σ|ξ_i(t)| 和 V2(t)=Σ|ξ_i(t)|^x, x≥2）和自适应滑模控制器（使用李雅普诺夫函数 V4(t)=Σ[ξ_i(t)^2 + (η̃_i(t)−χ_i)^2]），在满足一定参数条件（与网络权重、时延上界、干扰上界等相关）下，证明了系统状态能在固定时间 T1_max (或 T3_max, T4_max, T6_max) 内到达滑模面 (ξ(t)=0)。 * 滑动模态稳定性：证明了在滑模面上，系统的等效动力学（即滑动运动）本身也是固定时间稳定的，其稳定时间 T5_max 也可被估计。这意味着系统状态在到达滑模面后，会沿着滑模面在另一个固定时间内收敛到原点。

5. 数值仿真验证 为了验证理论结果的有效性，论文提供了两个数值仿真实例（Example 1 和 Example 2）。每个例子都考虑了一个二维的具有分布时延和切换权重的模糊神经网络。在没有控制器时，系统状态是不稳定的。研究者根据理论设计了特定的滑模面参数和控制器参数，并进行了仿真。 * 仿真内容：展示了在控制器作用下，系统状态轨迹从不同初始值出发，都能在理论预估的时间范围内收敛到零。 * 仿真结果：包括系统相图、无控制时的状态轨迹、施加控制后的稳定轨迹、滑模变量 ξ(t) 的收敛过程（证明到达阶段）、滑动模态动力学的收敛过程（证明滑动阶段），以及自适应律 η̃_i(t) 的演化轨迹。所有仿真图形均清晰显示系统实现了固定时间稳定，且收敛时间与初始值无关，验证了所提控制方案的有效性。

三、 主要研究结果

1. 理论创新：成功提出了一个更一般、更灵活的固定时间稳定性定理（定理1）。该定理通过引入额外的参数 c 和 γ，以及指数 k，提供了一个包含性更广的李雅普诺夫条件框架。基于此框架推导出的稳定时间上界估计，可以通过调节更多参数进行优化，为固定时间控制设计提供了更强大的理论工具。

2. 模型综合性强：研究所考虑的模糊神经网络模型同时包含了模糊逻辑、分布时延、外部干扰和基于状态的切换权重，比许多现有研究考虑的模型更复杂、更贴近实际系统。

3. 控制器设计新颖有效：

   • 设计的新型积分滑模面结构简洁、参数少，且能通过参数选择涵盖多种现有滑模面形式。
   • 提出的滑模控制方案能够确保模糊神经网络在固定时间内到达滑模面并保持在其上，最终实现系统状态的固定时间稳定。
   • 进一步设计的自适应滑模控制方案，结合了自适应控制的在线参数调整能力和滑模控制的强鲁棒性。其自适应律设计避免了虚数问题，并能有效减弱控制信号的抖振。

4. 严格的稳定性证明：通过构造多个李雅普诺夫函数并运用不等式技巧，为两种控制器分别提供了系统实现固定时间稳定的充分条件（定理2、定理3、定理5），并给出了具体的稳定时间上界计算公式。同时，也独立证明了滑动模态本身的固定时间稳定性（定理4）。

5. 仿真验证：两个数值例子全面验证了理论结果的正确性。仿真表明，无论采用滑模控制还是自适应滑模控制，所考虑的网络系统都能在预估的固定时间内从任意有界初始状态稳定到原点，且自适应控制器的参数能自动调整至期望值附近。

四、 研究结论与价值

本研究的核心结论是：针对一类同时包含模糊逻辑、分布时延、外部干扰和切换权重的复杂神经网络，通过设计新型的积分滑模面和相应的（自适应）滑模控制器，可以实现系统的固定时间稳定。其稳定时间上界与系统的初始状态无关，仅取决于控制器参数和系统维数，因此在实际工程中可预先设定。

该研究的价值体现在： * 理论价值：在固定时间稳定性理论方面做出了实质性推进，提出了更具一般性的判据。在滑模控制设计方面，提供了一种通用且灵活的积分滑模面构造方法，并成功将其与自适应控制结合，为解决一类复杂非线性系统的固定时间控制问题提供了系统的理论框架。 * 应用价值：所研究的模型更接近实际工程系统（如具有信号传输延迟、噪声干扰和参数不确定性的智能控制系统）。固定时间稳定意味着系统性能（收敛速度）有可预测的保证，自适应律则增强了控制器对未知参数或变化的适应能力。这对于需要高精度、快响应和强鲁棒性的实际应用场景，如机器人控制、电力系统、信号处理等领域中的神经网络控制器设计，具有重要的潜在应用价值。

五、 研究亮点

1. 理论框架的包容性：提出的固定时间稳定性定理（式(2)）是本研究最核心的理论亮点。它通过引入更多可调参数，形成了一个能够涵盖众多现有文献中稳定性条件的统一框架，显著降低了保守性，拓宽了理论的适用范围。
2. 控制方案的创新性与实用性：
   • 滑模面设计：设计的积分滑模面兼具简洁性与通用性，参数意义明确，易于调节以实现不同的收敛特性。
   • 自适应律改进：在自适应滑模控制中，对自适应律的改进（引入绝对值）解决了潜在的技术问题，使方法更具工程实用性。
   • 综合处理能力：控制方案能同时有效处理模糊逻辑、分布时延、有界干扰和切换权重等多种复杂因素。
3. 证明方法的系统性：研究通过分阶段（到达阶段、滑动阶段）、分情况（针对不同控制器和不同李雅普诺夫函数）的严谨证明，建立了完整的稳定性分析体系，逻辑清晰，论证充分。

六、 其他有价值的要点

论文在讨论部分（Remark部分）进行了深入的比较分析，清晰地指出了本研究工作与现有代表性成果（如文献[5], [6], [14], [17], [18], [30], [31]等）的联系与区别，突出了本工作的改进与优势所在。例如，指出了在滑模面设计中所需信息更少，固定时间稳定相较于有限时间稳定的优势，以及自适应控制相较于固定参数控制和观测器方法的优点等。这些讨论有助于读者在更广阔的学术背景下定位和理解本研究的贡献。

最后，作者也坦诚指出了当前工作的一个局限性：尽管控制效果良好，但在消除滑模控制抖振方面仍显保守。这为未来的研究方向指明了道路，即如何进一步减少或消除滑模控制带来的抖振问题。