介电电活性聚合物(DEAP)是一种称为“人造肌肉”的新型智能材料,在仿生机器人领域具有巨大的潜力。 但是,这种材料广泛存在磁滞非线性,这会降低跟踪精度和系统稳定性。 针对这种情况,提出了一种基于径向基函数(RBF)的神经网络与滑模控制算法相结合的二阶DEAP线性执行器。 首先,基于Prandtl-Ishlinskii(PI)模型的逆磁滞算子用于消除磁滞行为。 其次,设计了一种自适应RBF神经网络滑模控制器,以获得较高的跟踪精度并保持系统稳定性。 所提出的算法使跟踪误差收敛到零,并在外部干扰和参数变化的情况下使系统保持全局稳定。 仿真结果表明,所提出的控制器具有优于纯滑模控制器的优势。