1.一种基于神经网络的机械臂系统预设性能控制方法，其特征在于，所述控制方法包括以下步骤：步骤1，建立机械臂伺服系统模型；

1.1，机械臂伺服系统模型表示成如下形式其中， 和 为系统模型不确定项，d1,d2为外部干扰信号，q为机械臂关节角位置，θ电机的角位置，K为关节弹性系数，I,J分别机械臂和电机的惯性系数，M,g,L分别为机械臂质量、重力加速度和机械臂长度，τ为机械臂控制力矩；

1.2，设计障碍李雅普诺夫函数其中，tan(·)表示正切函数，e为系统误差，F(t)为大于零并且指数衰减的边界函数，‑nt表达式为F(t)＝(F0‑F∞)exp +F∞，F0,F∞,n为大于零的常数，满足0＜F∞＜F0，误差的初始值需要满足|e(0)|＜F0；通过设置F(t)相关参数值的大小，保证系统的稳态和瞬态性能要求；

当F(t)趋近于无穷大时，V转换为二次型形式，既 因此V同时适用于约束和非约束情况；

1.3，神经网络具有良好的逼近特性，被用来逼近非线性函数，把任意连续未知的非线性函数H(X)近似为*T

其中W 为理想权值，X为神经网络输入，ε为逼近误差且满足 为大于零的常数，为神经元激励函数，其表达式为其中，a,b,c,d为给定的参数；

1.4，定义状态变量x1＝q， x3＝θ， 则式(1)改写成如下状态空间形式其中，y为系统输出；

步骤2,反演控制器的设计；

2.1,定义跟踪误差e1为e1＝x1‑yd (6)

其中，yd为参考轨迹；定义李雅普诺夫函数‑nt

其中，F(t)为大于零并且指数衰减的边界函数，表示为F(t)＝(F0‑F∞)exp +F∞，F0,F∞,n为大于零的常数，满足0＜F∞＜F0，并且满足|e1(0)|＜F0；对式(7)求导得将式(5)中的 部分代入到式(8)得其中，e2＝x2‑α1，α1为虚拟控制量，根据式(9)设计虚拟控制律为其中，k1为大于零的常数；

记 其中，在e1＝0处对其求极限得 对S(e1)求导得在e1＝0处对其求极限 得由此得α1和其导数不存在奇异值问题，将式(10)代入到式(9)得

2.2,定义李雅普诺夫函数* *

其中，η1为大于零的常数， W1为神经网络理想权值， 为W1的估计值；求导式(12)得

其中，e3＝x3‑α2，α2为虚拟控制量，式(13)中存在的不确定部分Δ1和 利用神经网络逼近不确定部分Δ1和 表示为其中，ε1为逼近误差，且有 为神经网络输入，将式(14‑1)代入到式(13)中得

设计虚拟控制律α2为

其中，k2为大于零的常数，将式(11)和式(15)代入到式(14‑2)中得根据式(16)设计更新律为其中，σ1为大于零的常数，将式(17)代入式(16)得其中，δ1＝ε1+d1，存在一个正的常数 满足 根据杨氏不等式得将式(19)和式(20)代入到式(18)得

2.3,定义李雅普诺夫函数其中，η2为大于零的常数， 为理想的权值， 为 的估计值；求导式(22)得

其中，e4＝x4‑α3，α3为虚拟控制量，为了避免求 利用神经网络逼近它，表示为其中，ε2为逼近误差，且有 为神经网络输入；设计虚拟控制律α3为

其中，k3为大于零的常数，将式(24)和式(25)代入到式(23)中得设计更新律为

其中，σ2为大于零的常数；将式(27)代入式(26)得其中，δ2＝ε2，存在一个正的常数 满足 根据杨氏不等式得将式(21)、(29)和(30)代入到式(28)中得

2.4,定义李雅普诺夫函数其中，η3为大于零的常数，求导式(32)得利用神经网络逼近 表示为

其中，ε3为逼近误差，且有 为神经网络输入；设计控制器w为

其中，k4为大于零的常数，将式(34)和(35)代入到式(33)得根据式(36)设计更新律为其中，σ3为大于零的常数。

2.如权利要求1所述的一种基于神经网络的机械臂系统预设性能控制方法，其特征在于，所述控制方法还包括以下步骤：步骤3,稳定性分析；

将式(37)代入到式(36)中得其中，δ3＝ε2+d2，根据杨氏不等式得将式(31)、(39)和(40)代入到式(38)得其中， 式(41)被表示为其中,ρ,μ为

对式(42)求积分得对于 V4满足不等式

0≤V4(t)≤C(t) (44)其中， V4(0)为V4的初始值，由此证明了闭环系统所有信号是一致最终有界的；

根据式(32)和式(44)得解不等式(45)得

由此证明系统的跟踪误差始终约束在时变边界(‑F(t),F(t))。