1.一种自适应神经网络模糊积分滑模控制方法，其特征在于，包括：通过T‑S模糊系统对非线性倒立摆系统进行逼近，构建T‑S模糊系统的状态空间方程；

针对所述状态空间方程，设计模糊积分切换函数和通过RBFNN估计扰动项，构建神经网络自适应模糊积分滑模控制律；

基于所述神经网络自适应模糊积分滑模控制律，求解所述模糊积分切换函数的控制增益矩阵；

根据所述控制增益矩阵更新所述神经网络自适应模糊积分滑模控制律，实现滑模控制；

其中，所述模糊积分切换函数 为：；

式中， 为第 个时刻的系统状态变量， 为初始时刻，为积分变量，为第 个时刻的切换增益矩阵， ， 为单位矩阵，分别为第 个模糊规则对应的系统状态矩阵、控制输入矩阵以及模糊隶属函数， 分别为第 个模糊规则对应的模糊隶属函数和控制增益矩阵；

所述通过RBFNN估计扰动项包括：确定第 个时刻的扰动项的估计值 ：；

式中， 为RBFNN的权矩阵， ；

为RBFNN的神经网络权函数， 为RBFNN的神经网络输出层和隐藏层的数目； 为回归函数向量，； ， 和 分别为高斯径向基函数的中心和宽度；

定义权重 ，基于所述定义权重 可得：

；

；

式中， 、 分别为 、 的估计误差， ， 为误差阈值；

所述构建神经网络自适应模糊积分滑模控制律包括：基于所述模糊积分切换函数 和RBFNN估计的扰动项 ，构建李雅普诺夫函数 ：；

式中， 为常数参数， ， 为 的估计值；

根据所述李雅普诺夫函数 的导数小于0的原则，分析滑模面，构建神经网络自适应模糊积分滑模控制律：；

式中，为常数参数。

2.根据权利要求1所述的自适应神经网络模糊积分滑模控制方法，其特征在于，所述非线性倒立摆系统的动态方程为：；

式中， 为第 个时刻的角位移和外力输入， 为 的导数， 为重力加速度、摆锤长度和摆锤质量， ， 为小车质量。

3.根据权利要求2所述的自适应神经网络模糊积分滑模控制方法，其特征在于，所述构建T‑S模糊系统的状态空间方程包括：确定T‑S模糊系统的系统状态变量 ：；

基于系统状态变量 确定状态空间方程 ：；

式中， 为第 个时刻的控制输入变量， 为第 个时刻的扰动项， 分别为第 个模糊规则对应的系统状态矩阵、控制输入矩阵以及模糊隶属函数：；

；

；

；

；

；

。

4.根据权利要求1所述的自适应神经网络模糊积分滑模控制方法，其特征在于，所述求解所述模糊积分切换函数的控制增益矩阵包括：对所述模糊积分切换函数 进行求导可得 ：；

令 ，获取等效控制律 ：；

将所述等效控制律 代入所述状态空间方程 ，获取滑动模态系统：；

定义正定矩阵 和任意矩阵 ，使其满足如下不等式，实现所述滑动模态系统渐近稳定：；

；

根据所述正定矩阵 和所述任意矩阵 求解控制增益矩阵 。

5.一种自适应神经网络模糊积分滑模控制装置，其特征在于，所述装置用于执行根据权利要求1‑4任一项所述方法的步骤，所述装置包括：系统逼近模块，用于通过T‑S模糊系统对非线性倒立摆系统进行逼近，构建T‑S模糊系统的状态空间方程；

控制律模块，用于针对所述状态空间方程，设计模糊积分切换函数和通过RBFNN估计扰动项，构建神经网络自适应模糊积分滑模控制律；

增益求解模块，用于基于所述神经网络自适应模糊积分滑模控制律，求解所述模糊积分切换函数的控制增益矩阵；

滑模控制模块，用于根据所述控制增益矩阵更新所述神经网络自适应模糊积分滑模控制律，实现滑模控制。

6.一种电子设备，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1‑4任一项所述方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1‑4任一项所述方法的步骤。