1.一种非线性系统的快速自学习改进ADRC控制方法，其特征在于：包括如下步骤：步骤一：创建自抗扰控制器(ADRC)：根据非线性控制系统特性，该自抗扰控制器包括跟踪微分器(TD)、扩张状态观测器(ESO)、非线性误差反馈(NLSEF)和扰动补偿四部分；

步骤11)建立跟踪微分器(TD)控制模型；

步骤12)建立扩张状态观测器(ESO)控制模型；

步骤13)建立非线性误差反馈(NLSEF)控制模型；

步骤14)建立扰动补偿控制模型；

步骤二：创建自学习自抗扰控制器(SADRC)：将自学习方法运用于非线性误差反馈(NLSEF)控制模型中，建立自学习非线性自抗扰控制系统模型；

步骤三：创建快速自学习自抗扰控制器(FSADRC)：采用附加动量项的方法，设计面向学习率的自适应机制，对自学习非线性自抗扰控制器(SADRC)进行改进，建立基于动态自适应学习率的快速自学习模型。

2.根据权利要求1所述的非线性系统的快速自学习改进ADRC控制方法，其特征在于：所述步骤11)中，所述跟踪微分器(TD)离散化后的形式为：令：

其中，v1为安排过渡过程量；v2为微分信号；h为采样周期，h0为滤波因子，δ为速度因子；

τ′为控制系数；d、d0、a、a0为中间参数；λ1为决定跟踪快慢的参数；系统最优控制函数fst(·)的形式为：

3.根据权利要求2所述的非线性系统的快速自学习改进ADRC控制方法，其特征在于：所述步骤12)中，扩张状态观测器(ESO)的控制模型为：其中，z1、z2、z3为观测器的状态；β1、β2、β3为大于零的观测器增益系数； 为扩张状态观测器(ESO)的输出(观测估计值)；e′为观测误差；ε1和ε2为构造函数系数；b为增益补偿；u为控制信号；非线性组合幂次函数fal(e′,ε,δ)表示为：

4.根据权利要求3所述的非线性系统的快速自学习改进ADRC控制方法，其特征在于：所述步骤13)中，非线性误差反馈(NLSEF)的控制模型为：其中，β01、β02、β03为输出误差校正增益；δ为线性段区间长度；e0，e1，e2为输入误差；α0、α1、α2为决定非线性函数fal的非线性度，且α0≤α1≤α2；u0为控制器的输出值；xm为GHo(z)预估器的输出；ym为GHP(z)预估器的输出。

5.根据权利要求4所述的非线性系统的快速自学习改进ADRC控制方法，其特征在于：所述步骤14)中，扰动补偿的模型为：其中，u为控制信号；u0为控制信号；b0为补偿因子。

6.根据权利要求4所述的非线性系统的快速自学习改进ADRC控制方法，其特征在于：所述步骤二中，自学习非线性自抗扰控制系统模型的建立方法如下：在非线性误差反馈(NLSEF)增加一个输入参数e0，由非线性误差反馈(NLSEF)的控制模型可知，线性控制效果与参数β01、β02、β03有关，而这三个参数存在不易调节的不足；在此基础上，将参数β01、β02、β03参数用传统kP、kI、kD表示，则可得到的非线性控制律为：u0＝kPfal(e1(k),α1,δ)+kIfal(e0(k),α0,δ)+kDfal(e2(k),α2,δ)    (7)其中，kP、kI、kD为可调节的参数，并且令：

将e0，e1，e2和u0分别作为神经网络自学习的输入和输出，以b1(k)，b2(k)，b3(k)作为神经网络隐层神经元的激励函数，以kP、kI、kD作为神经网络的权值；

参数kP、kI、kD自学习过程为，令E(k)＝v1(k)-z1(k)，神经网络输出层误差(损失函数)定义为：其中，E为标准误差；

为了最小化输出误差，采用最速梯度下降法调整神经网络权值，即：其中，偏导参数 为：

则P、I、D的偏导参数分别为：

其中：

E(k+1)和 都与系统的将来状态有关，这样会使神经网络权值训练困难；如果算法是收敛的，则必有|E(k+1)|＜|E(k)|，所以可得：|E(k+1)|＝ρE(k),0＜ρ＜1      (14)由于ρ可通过学习率η来弥补，因此可以用E(k)代替E(k+1)；此外，由于 未知，可用符号函数来近似代替，即：可得：

其中，η为学习率；

为了避免权值过大，引起神经网络训练过程中出现的振荡现象，对权值进行归一化处理，可得：

7.根据权利要求6所述的非线性系统的快速自学习改进ADRC控制方法，其特征在于：所述步骤三中，基于动态自适应学习率的快速自学习模型的建立方法为：附加动量项是一种广泛用于加速梯度下降法收敛的优化方法，其核心思想是在梯度下降搜索时，若当前梯度下降与之前梯度下降方向相同，则加速搜索，反之则减速搜索；

神经网络标准BP算法的参数更新项为：

Δw(k)＝ηg(k)    (18)

式中，Δw(k)为第k次迭代的参数调整量，η为学习率，g(k)为第k次迭代所计算出的梯度；

在添加动量项之后，基于梯度下降的参数更新项为：

Δw(k)＝η[(1-μ)g(k)+μg(k-1)]    (19)式中，μ为动量因子(取值0～1)，上式也等效于：Δw(k)＝αΔw(k-1)+ηg(k)     (20)式中α被称为遗忘因子，αΔw(k-1)代表之前梯度下降的方向和大小信息对当前梯度下降的调整作用；

附加动量法面临学习率的选取的困难，进而产生收敛速度与收敛性之间的矛盾，于是引入学习速率自适应调整方法，即：η(k)＝σ(k)η(k-1)     (21)式中，σ(k)为第k次迭代时的自适应学习速率因子；

可得：

Δw(k)＝αΔw(k-1)+σ(k)η(k-1)g(k)     (24)式中，P、I、D各参数更新项由下式得到：

8.根据权利要求7所述的非线性系统的快速自学习改进ADRC控制方法，其特征在于：σ(k)为第k次迭代时的自适应学习速率因子，且：σ(k)＝2λ     (22)

其中，λ为梯度方向，表达形式为：

λ＝sign(g(k)g(k-1))。     (23)

9.根据权利要求1-8任一项所述的非线性系统的快速自学习改进ADRC控制方法，其特征在于：所述非线性系统的传递函数为：其中，s为复变量；K为放大系数；T1、T2为时间常数；τ为纯滞后时间。

对于大时滞非线性控制系统，其闭环传递函数为：

其特征方程为：

1+Gc(s)Go(s)e-τs＝0     (29)其中，Y(s)为输入量的拉普拉斯变换；R(s)为输入量的拉普拉斯变换；Gc(s)为调节器传递函数；GO(s)为被控对象传递函数；τ为纯滞后时间；

针对非线性控制系统的大时滞控制问题，Smith提出了一种纯滞后补偿模型，其原理是与控制器并连一个补偿环节，该补偿环节称为Smith预估器；具体的，将被控对象离散化为控制器GP(z)和控制器GO(z)，其中GHP(z)和GHO(z)分别为控制器GP(z)和控制器GO(z)的估计模型，D为负荷扰动，则：e2(k)＝e1(k)-xm(k)+ym(k)＝r(k)-y(k)-xm(k)+ym(k)     (30)若被控模型是精确的，则：

其中，e2(k)为数字控制器GO(z)的输入，GO(z)和GP(z)分别为控制器GO(z)和控制器GP(z)采用的控制算法；e1(k)为系统整体误差值；xm(k)为GHO(z)预估器的输出；ym(k)为GHP(z)预估器的输出；r(k)为系统输入信号值；y(k)为系统输出信号值；k为采样间隔；

取采样周期为hs，结合Smith预估法将式(27)中的传递函数转化成离散形式，可得到非线性系统的离散化模型为：其中，u为控制信号；den、denx、deny、den′、den′x、den′y、num、numx、numy、num′、num′x、num′y均是传递函数转成离散形式得到的系数；τ为纯滞后时间。