1.针对飞行器系统的自适应神经网络控制方法，其特征在于，包括：根据拉格朗日力学模型，建立飞行器系统模型；

根据所述飞行器系统模型以及径向基神经网络的估计，构建飞行器系统对应的控制器和自适应律；

根据所述飞行器系统模型，构建李雅普诺夫方程；

判定所述李雅普诺夫方程的负定性，并根据所述负定性确定所述飞行器系统的稳定性；

当所述飞行器系统满足预设的稳定性条件时，对所述飞行器系统进行仿真控制，获取仿真效果信息；

其中，所述控制器用于对所述飞行器系统中飞行器进行运动控制；

所述自适应律用于对神经网络进行迭代更新；

所述根据所述飞行器系统模型以及径向基神经网络的估计，构建飞行器系统对应的控制器和自适应律中，所述控制器的表达式为：

所述自适应律的表达式为：

‑1

其中，U是控制器；G 代表系统参数逆矩阵；H(X)代表径向基神经网络的激活函数；z1代表角度跟踪误差；z2代表第二个误差变量； 是径向基神经网络估计权重的转置；表示虚拟控制器的导数；κ2表示增益系数； 是自适应律；Γ表示径向基神经网络的学习律；σ1是提高稳定性的正常数； 是径向基神经网络估计权重；

所述根据所述飞行器系统模型，构建李雅普诺夫方程这一步骤中，所述李雅普诺夫方程的表达式为：其中，V2代表李雅普诺夫函数；z1代表角度跟踪误差；z2代表第二个误差变量； 代表径向基神经网络权重误差；Γ表示径向基神经网络的学习律；

根据拉格朗日力学模型得到的系统的非线性动力学方程为：其中，Jpp和Jyy分别表示为围绕俯仰轴和偏航轴的惯性矩，Vp和Vy表示两个电机的输入电压，M表示直升机的质量，ln表示距离机身固定框架原点的质心距离，μ表示俯仰角，γ表示偏航角，Kpp表示俯仰螺旋桨中作用于俯仰轴上的扭矩推力增益，Kpy表示偏航螺旋桨中作用于俯仰轴上的扭矩推力增益，Kyy表示偏航螺旋桨中作用于偏航轴上的扭矩推力增益，Kyp表示俯仰螺旋桨中作用于偏航轴上的扭矩推力增益，Dpp和Dyy表示黏性摩擦系数,g表示重力加速度；代表俯仰角的角加速度；代表俯仰角的角速度；代表偏航角的角加速度；

代表偏航角的角速度；

T

角度误差设置为：z1＝x1‑xd，其中，x1为角度向量，xd＝[xd1,xd2]为期望的轨迹；

第二个误差变量设置为：z2＝x2‑α,其中，x2为角速度向量，α为虚拟控制器。

2.根据权利要求1所述的针对飞行器系统的自适应神经网络控制方法，其特征在于，所述根据拉格朗日力学模型，建立飞行器系统模型，包括：根据拉格朗日力学模型，构建所述飞行器系统的非线性动力学模型；

对所述非线性动力学模型进行参数简化处理，构造得到简化函数；

根据所述简化函数得到所述飞行器系统的非线性方程。

3.根据权利要求2所述的针对飞行器系统的自适应神经网络控制方法，其特征在于，所述根据拉格朗日力学模型，建立飞行器系统模型，还包括：根据预定义的第一参数信息，对所述非线性方程进行求解，得到第二参数信息；

通过径向基函数神经网络来估计所述非线性方程中未知项的信息；

根据所述第一参数信息、所述第二参数信息和所述未知项的信息，构建得到飞行器系统模型。

4.应用如权利要求1所述的针对飞行器系统的自适应神经网络控制方法的装置，其特征在于，包括：第一模块，用于根据拉格朗日力学模型，建立飞行器系统模型；

第二模块，用于根据所述飞行器系统模型以及径向基神经网络的估计，构建飞行器系统对应的控制器和自适应律；

第三模块，用于根据所述飞行器系统模型，构建李雅普诺夫方程；

第四模块，用于判定所述李雅普诺夫方程的负定性，并根据所述负定性确定所述飞行器系统的稳定性；

第五模块，用于当所述飞行器系统满足预设的稳定性条件时，对所述飞行器系统进行仿真控制，获取仿真效果信息；

其中，所述控制器用于对所述飞行器系统中飞行器进行运动控制；

所述自适应律用于对神经网络进行迭代更新。

5.一种电子设备，其特征在于，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如权利要求1至3中任一项所述的方法。

6.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至3中任一项所述的方法。