简介：一个基于Matlab实现自适应RBF神经网络观测器设计与滑模控制的源码包，面向计算机、电子信息工程、数学等专业学习者，适合具备初步控制理论基础、希望深入理解智能控制算法的读者作为参考资料。包内共19个文件，包含16个m脚本与3个mdl仿真模型，整体仅27KB，体量小巧但覆盖完整。m脚本中安排了RBF网络输入设计、被控对象建模、观测器与控制器实现、结果绘图等模块，mdl文件对应Simulink仿真环境，便于直接运行和观察效果。目前已有570人学习浏览，说明该主题在相关领域颇具热度。借助这些源码，读者可以直观理解自适应RBF神经网络对未知动态的在线逼近能力，以及滑模控制在系统扰动下的鲁棒性；各模块按章节命名、清晰分层，方便逐段调试、替换参数和扩展功能，可作为课程设计、毕业设计或论文仿真部分的参考底稿。

1. 自适应RBF神经网络观测器与滑模控制：这份Matlab源码包解决的是“模型不精确也能控得住”

做控制系统的人都有这个感受：标称模型越漂亮，实物跑起来越尴尬。摩擦、间隙、负载突变、伺服驱动器死区，这些没法精确写进微分方程的因素，全都会变成误差和抖振的来源。滑模控制理论上很强鲁棒，但使用前必须先知道系统大概长什么样，模型参数一旦偏了，滑模面照样压不住高频抖动。要在这个环节上找突破，自适应RBF神经网络观测器就是一条相对务实的路：RBF网络在局部做函数逼近，在线估计未知模型和扰动，观测器给出的估计值直接喂给滑模控制器，让控制器不再依赖“唯一正确”的被控对象模型。这份基于Matlab实现的自适应RBF观测器与滑模控制源码包，把从权值更新律、滑模控制器到仿真曲线封装成了一整套可以连续跑完的程序，适合做机械臂、电机伺服、飞行器控制方向的课程设计、毕业设计，也适合工程上想快速验证“干扰观测器+滑模”组合方案的人。下面按我拆过这套代码的路径，从原理、复现到踩坑挨个说。

2. RBF网络与滑模面的结合方式：观测器结构、权值更新律与仿镇定条件

2.1 为什么选RBF而不是BP

RBF神经网络是典型的局部逼近网络，隐含层激活函数对输入的影响只在“中心点周围”一段范围内有效，最常用的高斯径向基函数可以写成：

h_j = exp( -||x - c_j||^2 / (2 b_j^2) )

其中c_j是第j个隐含层中心，b_j是宽度，x是网络输入向量。输出层是线性加权求和，网络输出就是 W^T h(x) 。这个结构和BP网络最大的区别在于：BP需要把误差从输出层逐层反传回去，每一轮训练都要迭代很多次；而RBF做在线逼近时，只需要在当前采样点计算一组基函数值，再用梯度或自适应律更新一次权值W，计算量小、实时性好。控制周期在1ms左右的仿真里，RBF几乎不拖慢主循环，这也是它在自适应控制里比BP常见得多的原因。

更关键的是RBF有明确的局部性。控制系统里要逼近的未知函数往往是“这个工作点附近有一个近似形状”，而不是全局复杂非线性。RBF的每个中心负责一小段区间，权值更新互相干扰小，适合在线增量式修正。相比之下BP一个权值误差会连带别的权值，在快节奏反馈控制里很容易发散。

2.2 自适应RBF观测器的数学结构与代码封装

先说清楚我们要观测什么。以最常见的二阶单输入系统为例：

x1_dot = x2 x2_dot = f(x) + g(x)u + d(x)

其中x1是位置或角度，x2是速度，f(x)是已知的模型项，g(x)是控制增益，d(x)是未知动态、未建模摩擦和外加扰动的总和。自适应RBF观测器的目标就是在线估计出d(x)，同时给出x1、x2的平滑估计。

观测器方程写成扩展状态观测器（ESO）的风格：

xh1_dot = xh2 + l1 * (x1 - xh1) xh2_dot = f(xh) + g(xh)*u + d_hat + l2 * (x1 - xh1)

其中d_hat是RBF网络的输出，代表对未知动态d(x)的估计。l1、l2是观测器增益，决定了估计误差收敛速度。这个结构和自抗扰控制里的扩张状态观测器非常像，区别只在于这里用RBF网络替代了简单的状态扩张项，好处是能利用历史信息的在线学习能力，对非匹配扰动的逼近更灵活。

RBF网络的输入我一般取当前位置和速度估计值，即z = [xh1; xh2]，隐层节点数取15~25个，中心c_j在状态空间的正常工作范围内等间距布置。网络输出：

d_hat = W^T h(z)

权值W的在线更新律是自适应控制里最常见的梯度形式：

W_dot = Γ * h(z) * e_y^T * P * B - σ * Γ * W

其中e_y是观测误差，(P, B)来自观测误差动态方程的Lyapunov方程解，Γ是学习率对角阵，σ是sigma修正系数。最后那一项很重要，它防止权值在持续激励不足时无限增长，后面避坑章细说。

在Matlab源码包里，这部分被封装成了独立函数rbf_observer.m：

function [xh1, xh2, W] = rbf_observer(xh1, xh2, x1, x2, u, W, params) % 输入: % xh1, xh2 - 上一拍观测器状态 % x1, x2 - 当前系统测量状态 % u - 控制器输出 % W - 上一拍RBF权值向量 % params - 结构体, 包含c, b, L, Gamma, sigma等全部参数 % 输出: % xh1, xh2 - 更新后的状态估计 % W - 更新后的RBF权值向量 % 1. RBF隐层激活值 h = zeros(params.n, 1); for j = 1:params.n z = [xh1; xh2]; h(j) = exp(-norm(z - params.c(:,j))^2 / (2 * params.b(j)^2)); end % 2. 当前扰动估计 d_hat = W' * h; % 3. 观测误差及修正项 e1 = x1 - xh1; e2 = x2 - xh2; % 4. 观测器状态更新 (欧拉法, dt参数由外部传入) xh1_dot = xh2 + params.l1 * e1; xh2_dot = params.f_known(xh1, xh2) + params.g_known(xh1, xh2) * u + d_hat + params.l2 * e1; xh1 = xh1 + params.dt * xh1_dot; xh2 = xh2 + params.dt * xh2_dot; % 5. 权值自适应律更新 % e_y^T P B 在二阶观测器下简化为 kappa*e1 + kappa*e2, kappa=1 W_dot = params.Gamma * h * (e1 + e2) - params.sigma * params.Gamma * W; W = W + params.dt * W_dot; end

这段代码有几个值得说明的点。第一，RBF中心矩阵params.c的尺寸是“输入维数×隐层节点数”，每一列是一个中心坐标，覆盖范围直接决定逼近是否有效，后面第4章会专门讲怎么选。第二，观测误差修正项只用e1进入状态更新方程，这是ESO的典型做法，因为系统中只有x1是直接测量的，x2通过虚拟误差耦合出来。第三，权值更新里params.Gamma是向量乘到标量上会有广播问题，我通常在主循环里把它保持为对角阵，然后逐元素相乘，等价于每个权值有独立学习率。第四，第二个等式中的f_known和g_known是函数句柄，这两个字段能让你在不改观测器代码的情况下替换被控对象，这也是源码包能快速复用到别的系统上的原因。

2.3 滑模控制器设计与符号函数连续化处理

观测器给出了扰动估计值d_hat，控制器就可以把它当作前馈补偿项写进滑模控制律。设参考轨迹为xd1、xd2，跟踪误差e1=xd1-xh1，e2=xd2-xh2，取线性滑模面：

s = e2 + λ * e1

λ是滑模面斜率，决定了误差沿滑模面收敛的速度。滑模控制律分成三个部分：模型前馈、未知扰动补偿、滑模趋近项。

u = (1 / g_known(x)) * ( xd2_dot - f_known(x) - d_hat + λe2 - ε * sat(s/Δ) - ks )

其中f_known和g_known是已知模型部分，d_hat是RBF观测器估计值，ε是滑模切换增益，k是线性增益，sat(s/Δ)是饱和函数：

sat(s/Δ) = s/Δ, 当 |s| <= Δ sat(s/Δ) = sign(s), 当 |s| > Δ

这个饱和函数替代纯sign函数是抑制抖振的关键。纯符号滑模控制系统在离散仿真里每个步长都可能让控制输入来回跳，输出曲线全是毛刺，而Δ取0.01~0.05，相当于给滑模切换加了边界层，抖振幅值立刻降下来。代价是理论上的“严格滑模”变成“边界层内近似”，但工程上这一点稳态误差完全可接受。源码包里smc_law.m实现的正是这个结构：

function u = smc_law(xh, xd, xd_dot, xd_ddot, d_hat, params) % 滑模控制器核心 lambda = params.lambda; epsilon = params.epsilon; delta = params.Delta; k = params.k_smc; e1 = xd(1) - xh(1); e2 = xd(2) - xh(2); s = e2 + lambda * e1; % 饱和函数: 替代sign函数 sat_s = min(max(s / delta, -1), 1); % 控制量: 前馈 + 扰动补偿 + 滑模项 u = (1 / params.g_known(xh(1), xh(2))) * (... xd_ddot - params.f_known(xh(1), xh(2)) - ... d_hat + lambda * e2 - epsilon * sat_s - k * s); end

控制器里几个参数各有作用：epsilon是鲁棒性的来源，扰动上界越大，epsilon就要越大，但过大会加剧抖振；k是线性负反馈项，帮助滑模面快速收敛；lambda越大，误差收敛越快，但会放大噪声。这三个参数和边界层厚度Delta之间是相互拉扯的，调参时绝不一个个单独调，第4章会给出协同调节的思路。

3. Matlab源码包的结构与一次带扰动的仿真复现

3.1 文件清单与工程入口

源码包采用“主脚本+功能函数”的组织方式，拆开看一共六个文件：

这个文件划分是刻意的：plant_model只负责给微分方程，rbf_observer只负责状态估计，smc_law只算控制量，主脚本负责装配和调参。你在自己的项目里复用代码时，通常只需要改plant_model.m和主脚本里的参数定义，观测器和控制器主体文件几乎不用动。这也是这份源码包比一次性仿真脚本好用的地方。

3.2 主程序整体结构：从初始化到四图输出

main_RBF_SMC.m的骨架如下：

% main_RBF_SMC.m % 自适应RBF神经网络观测器 + 滑模控制 仿真主程序 clear; clc; close all; %% 1. 仿真参数 dt = 0.001; % 采样周期 1ms T = 10; % 仿真时长 N = round(T / dt); % 总步数 %% 2. 被控对象与控制器参数 % plant_model.m 使用这些参数 params.g0 = 9.8; params.m = 1.2; params.l = 0.8; % 未知扰动幅值 params.d_amp = 0.5; % 观测器参数 params.n = 21; % RBF隐层节点数 params.center_range = [-2, 2]; % 中心搜索范围 params.c = init_rbf_centers(2, params.n, params.center_range); params.b = ones(params.n, 1) * 0.5; % 基函数宽度 params.l1 = 50; % 观测器增益 params.l2 = 100; params.Gamma = 0.5; % 学习率 params.sigma = 0.01; % sigma修正系数 % 滑模控制器参数 params.lambda = 15; params.epsilon = 3.0; params.Delta = 0.02; params.k_smc = 10; %% 3. 状态空间初始化 x = zeros(2, N); % 真实状态 xh = zeros(2, N); % 观测器估计状态 u = zeros(1, N); % 控制量 s_arr = zeros(1, N); % 滑模面 d_hat_arr = zeros(1, N); % 扰动估计 W = zeros(params.n, 1); % RBF权值初始为0 % 初始条件 x(:, 1) = [0.5; 0]; xh(:, 1) = [0; 0]; %% 4. 主仿真循环 for k = 1:N-1 % 期望轨迹: 正弦跟踪 t = k * dt; xd(1) = sin(t); xd(2) = cos(t); xd_ddot = -sin(t); % 观测器更新 [xh(1,k+1), xh(2,k+1), W] = rbf_observer(... xh(1,k), xh(2,k), x(1,k), x(2,k), u(k), W, params); % 当前扰动估计 h = rbf_basis([xh(1,k+1); xh(2,k+1)], params.c, params.b); d_hat_arr(k+1) = W' * h; % 滑模控制器 u(k+1) = smc_law([xh(1,k+1); xh(2,k+1)], ... [xd(1); xd(2)], [xd(2); xd_ddot], xd_ddot, d_hat_arr(k+1), params); % 被控对象真实模型: 带未知扰动 dx = plant_model(x(:,k), u(k+1), params); x(:, k+1) = x(:, k) + dt * dx; % 记录滑模面 s_arr(k+1) = (xd(2) - x(2,k+1)) + params.lambda * (xd(1) - x(1,k+1)); end %% 5. 结果绘图 plot_results(t, x, xh, u, s_arr, d_hat_arr);

主循环的执行顺序需要特别解释一下。这里先让观测器基于当前状态更新，然后用新估计值算扰动，再算控制量，最后更新被控对象。这种“观测→估计→控制→对象”的串行逻辑符合数字控制器的因果性——控制器只能拿到当前采样周期的测量值，不能用到未来的对象状态。如果把被控对象更新提前到观测器之前，结果会带一拍超前，某些仿真里看起来误差更小，但实际工程里实现不了，所以源码包坚持这种严格因果顺序。

另一个关键是params.c的初始化，center_range取[-2, 2]是因为参考轨迹幅值是1，状态速度最大值也是1，被控对象初始状态0.5，状态空间大概率落在[-1.5, 1.5]范围内。中心点均匀布置在这个范围内，RBF网络的基函数才能对轨迹经过的区域都有响应。如果你的系统状态范围更大，比如位置能到10，那center_range不改的话，RBF网络对远处状态的基函数输出几乎为0，扰动估计变成瞎猜，控制器和观测器同时失准。

3.3 被控对象与RBF基函数的实现细节

plant_model.m默认实现是一个带库仑摩擦和正弦扰动的二阶伺服对象：

function dx = plant_model(x, u, params) % 被控对象: 质量环节 + 未知摩擦 + 外部扰动 % x(1)=位置, x(2)=速度, u=控制输入 % % 真实模型: % x1_dot = x2 % x2_dot = (-b*x2 + u) / m + d_unknown % 其中 d_unknown = 0.3*sin(2*t) + 库仑摩擦项 b = 0.8; % 粘性摩擦 m = 1.2; % 质量/惯量 % 已知模型部分(给控制器用的, 可以故意不准确) % 这里故意只保留标称值 f_known_nominal = -0.5 * params.x2_dummy; % 演示用占位 % 实际使用中直接返回状态导数 dx = zeros(2,1); dx(1) = x(2); dx(2) = (-b * x(2) + u) / m + 0.3 * sin(2*params.t_now) + 0.2 * sign(x(2)); end

这段代码里留在末尾的注释是源码包里演示“模型失配”的方式：控制器用的f_known被故意设成标称结构，而真实对象里多了摩擦和正弦扰动，两边对不上，RBF观测器就要去把这个对不上的部分估出来。实际使用中，你完全可以把plant_model.m里的函数体替换成你的机械臂动力学方程、电机电流环模型或者无人机姿态模型，只需要保证输入输出接口是[2×1]状态向量和标量u。

rbf_basis.m很简单，但它是整个自适应律的基础：

function h = rbf_basis(z, centers, widths) % 计算RBF网络隐层输出 % z: 输入列向量 [z1; z2] % centers: 维度 x nNodes 矩阵, 每列一个中心 % widths: nNodes x 1 向量 n = size(centers, 2); h = zeros(n, 1); for j = 1:n h(j) = exp(-norm(z - centers(:,j))^2 / (2 * widths(j)^2)); end end

这段代码的向量化空间不大，因为n通常只有15~25个，循环开销可以忽略。widths这里统一取0.5，意思是每个基函数的“影响半径”大概是0.5~0.7，也就是相邻中心离得近时会有一段重叠区域。重叠的好处是权值变化平滑，轨迹从某个中心附近移动到另一个附近时，网络输出不会突变；坏处是如果宽度太大，比如超过1，所有基函数对任意输入都会同时产生较大响应，权值之间的耦合变强，容易出现“一个权值变化影响一片”的连锁发散。

4. 把模型改到你的系统上：被控对象替换与参数重标定

4.1 替换被控对象的四个步骤

拿这套源码包做自己的系统，第一件事不是改控制器，而是确认你的系统能写成 x_dot = f(x)+g(x)u+d(x) 这种控制仿射形式。绝大多数机械系统、电机系统都满足，比如单摆：x1为角度，x2为角速度，x2_dot = (acos(x1) - bx2 + u)/J + d，这里f和g都明确。如果是气动或液压这类强非线性系统，只要能在局部工作点线性化，同样适用。

具体步骤如下：

1. 改写plant_model.m，把你的真实系统微分方程写在dx(2)的位置，dx(1)保持x2不变。
2. 修改主脚本里传给观测器和控制器的f_known、g_known函数句柄。这两个句柄是你“自认为的模型”，可以和真实模型不同，源码包就会产生“模型失配+扰动”双重不确定性，观测器要一并处理。
3. 重新标定RBF中心范围。方法很简单：先不带扰动跑一次开环或者PD控制，记录状态x1、x2的波动范围，然后让center_range覆盖这个范围的1.2倍。
4. 把观测器增益l1、l2和经验值对比，通常l1=1/τ、l2=1/(2τ^2)起步，τ是你希望观测器收敛的时间常数，然后从小到大试。

这四个步骤里最容易被忽视的是第3步。很多同学直接把源码包的中心范围留着，换了个小车模型，位置范围从[-2,2]变成[0,20]，结果RBF网络在状态值大于2时输出全是0，观测器等于瞎猜。这个概率在首次使用时非常高。

4.2 权值自适应律初值选择与sigma修正

RBF权值的初值，我强烈建议全零初始化。这是自适应控制里的常见做法，理由是：一开始我们假设未知动态为零，让观测器先把状态估计误差通过l1、l2压下来，再让RBF网络慢慢去学习残差。如果初值给一个非零随机值，网络在一开始就会输出一个强力扰动，观测器状态瞬间被带偏，Lyapunov稳定性论证里那些收敛条件全都被破坏。你在仿真里看到的最典型结果是：刚开始几百步误差很大，然后慢慢拉回来，甚至直接发散。解决办法就是W = zeros(params.n, 1)一行改回去。

学习率Gamma取值与自适应律收敛速度直接相关。从梯度下降角度看，Gamma越大，对误差反应越激烈，收敛快但容易振荡。我在不同系统上反复对比的经验是：Gamma=0.1到2这个区间最安全。低于0.1，权值好几秒都修不过来；高于2，高频噪声会被直接放大进控制量，滑模面出现毛刺。Gamma方向上的安全检查很简单：把sigma设成0，跑一次持续激励（正弦轨迹）仿真，如果权值在仿真结束时比初始值大了超过100倍，说明Gamma过大或中心范围不合适，先缩小Gamma，再考虑调sigma。

sigma修正系数是自适应律里的“后悔药”，当系统进入稳态、误差变小时，梯度项接近0，如果没有sigma项，权值在这段时间不会更新，也无所谓。但一旦遇到外部扰动，权值会快速积累，扰动消失后如果没有sigma，权值不会自动衰减回去，会导致下一轮扰动来临时网络输出偏置。sigma取0.001到0.01之间，相当于给权值加一个缓慢的“遗忘因子”。它不能太大，否则权值被压得过小，网络逼近能力下降，系统会退回纯滑模控制，扰动抑制能力变弱。

4.3 滑模增益、边界层厚度与跟踪带宽的协同调节

滑模控制器内部参数互相耦合，下面这张表给出调参方向，能少走弯路：

我调参的习惯是先固定lambda=10、epsilon=1，把Delta从0.001开始往上加，观察控制量抖动幅度，直到控制量曲线高频噪声幅度小于总幅值的5%，记下此时的Delta。然后逐步加大epsilon，每加一次都要重新验证抖振是否回到可接受范围。epsilon加到头后，再调lambda提高响应速度。每次只动一个参数，并且要同时看四条曲线：状态跟踪误差、滑模面、控制量、观测器误差，只看跟踪误差会忽略抖振问题。

这套协同调节思路在源码包主程序里已经默认给出了比较合适的基线：lambda=15, epsilon=3.0, Delta=0.02, k=10。你在自己的系统上，只要被控对象不是特别极端，直接跑这个参数大概率能出收敛曲线，然后再微调。千万不要上来就按理论公式算epsilon，理论值通常偏大，仿真里很容易振个没完。

5. 避坑与常见问题：RBF观测器仿真最容易翻车的五个点

5.1 现象：观测器状态误差曲线发散，控制量直接饱和

跑仿真第一步就遇到误差发散，通常前几百步还正常，突然就一路冲上去了。

原因：要么是RBF中心范围设置不当，导致网络输出变成了一个与真实扰动无关的巨大数值；要么是Gamma取值过大，权值更新一步抢跑，把估计值推离合理区间。还有一种隐蔽原因是观测器增益l1、l2给得太小，收敛速度跟不上控制器的快速变化，误差累积后最终失控。

解决：先把Gamma降到0.1，中心范围按第4.1节重标定，再检查l1、l2。l1取50起步，l2取100起步，然后逐步减小到误差曲线上没有明显震荡为止。如果改了这三处仍旧发散，把sigma暂时设成0.05，权值被强力“拽”住，基本都能恢复到收敛状态，再慢慢调回0.01。

5.2 现象：状态跟踪不错，但控制量曲线全是毛刺，像锯条一样

现象就是抖振，滑模控制的经典问题。源码包里虽然用了饱和函数，但饱和函数的边界层厚度Delta太小的话，和没用没区别。

原因：最常见的是Delta=0.001这种“理论值”。在1ms采样周期下，滑模面收敛到边界层内的速率远比2ms快，控制量在边界层边界来回穿越，等效于每个步长切换一次符号。另一个原因是epsilon设置过大，切换幅度大，即使有边界层，输出跳变幅度仍然可观。

解决：把Delta往上提，从0.01到0.05之间试。同时把epsilon降低到能维持跟踪精度的最小值。判断标准是控制量曲线的“毛刺峰峰”不超过其平均值的一半。我一般先把epsilon减半，再同步加Delta，反复两三轮就能找到平衡。

5.3 现象：观测器的扰动估计和真实扰动相位差明显，曲线像被平移了`

扰动估计曲线大致形状对，但整体滞后，尤其在正弦扰动下，滞后相位有几十毫秒甚至上百毫秒。

原因：这是观测器增益l1、l2决定的带宽问题。l1、l2取值偏小时，观测误差收敛速度慢，RBF网络看到的误差残差总是“过时的”，自适应律学习的自然是滞后版本的扰动。

解决：把l1、l2同时提高2到5倍。注意l2不要单独调太大，l2/l1比值控制在2~5之间，否则观测方程第二个状态会剧烈振荡。提高增益后如果出现噪声放大，再适当缩小Gamma，用收敛速度换平滑性。

5.4 现象：同样的参数，用m脚本仿真正常，放进Simulink模型结果差距很大

这个现象在源码包提供的Simulink版本（sim_RBF_SMC.slx）里容易出现，原因通常是代数环和采样步长不一致。

原因：m脚本里是自己写的欧拉积分，步长固定dt=0.01或0.001，而Simulink的连续求解器可能用变步长，ode45内部步长远小于你声明的采样周期。RBF观测器和滑模控制器是离散的，必须和被控对象连续积分器严格分开，否则自适应律在ode45的密集采样点上被反复更新，权值积累速度和m脚本完全不同。

解决：在Simulink里把求解器设为固定步长，步长和主脚本dt一致；控制器和观测器模块用MATLAB Function块实现，但在模块内部不要用数值积分语法，要写成状态方程形式并配合Memory或者Unit Delay块。最稳妥做法是让被控对象在Simulink连续域里积分，观测器和控制器写成触发子系统，采样周期固定为dt。如果只是做课程设计，直接用m脚本即可，Simulink版本更适合演示控制流程。

5.5 现象：观测误差已经很小，但RBF权值还在不断增大，最终溢出变成NaN

这是自适应控制里著名的“参数漂移”问题。

原因：系统进入稳态后，期望轨迹通常是持续激励的，权值在持续激励下没有上界约束。即使sigma修正存在，如果sigma取的太小，比如0.0001，它对权值的“衰减速度”跟不上梯度累积，一段时间后权值突破机器浮点范围。

解决：把sigma从0.001往上调，到0.05，代价是RBF逼近精度稍降，但权值能稳定在一个界内。另一个更直接的解决手段是给权值加投影算法，即W更新完后检查||W||是否超过阈值，如果超过，按比例缩回阈值内。这个“权值投影”在自适应控制文献里叫Parameter Projection，源码包里我用一个简单的if判断实现：

% 权值投影: 防止参数漂移 w_norm = norm(W); if w_norm > params.W_max W = W * params.W_max / w_norm; end

W_max按RBF输出量级估计，通常取50~200。这个操作不改变系统稳定性，因为投影只在边界处发生，而Lyapunov分析里如果设计了W_max小于理论界，可以直接把投影纳入稳定性分析。从那以后我在所有自适应控制代码里都默认加这一句，再也没有遇到NaN仿真。

6. 验证与进阶：从标称仿真到鲁棒性测试的小技巧

6.1 双工况一致性测试

一套自适应控制代码跑通一次仿真，不代表在别的工况下也能工作。我的习惯是至少跑两个工况：一个低速正弦，一个高速斜坡+小幅正弦叠加。低速工况考验扰动估计精度，高速工况考验控制器带宽。把参考轨迹改成xd=0.5sin(t)+0.2sin(5*t)混合轨迹，观测器在多个频率成分下能否同时收敛，权值曲线是否连续，是判断代码有没有隐藏bug的好方法。

6.2 加白噪声与摩擦突变做鲁棒性验证

RBF观测器号称不依赖精确模型，那就主动给它添乱。在plant_model的dx(2)里加一个randn*0.05的高斯白噪声，再把库仑摩擦系数从0.2改成突变形式，比如3秒前是0.1，3秒后变成0.6：

if params.t_now > 3 friction = 0.6 * sign(x(2)); else friction = 0.1 * sign(x(2)); end

跑一次观察控制量是否出现超过5%的波动，观测误差是否在0.1秒内回归到0附近。如果观测器在摩擦突变后需要超过1秒才恢复，说明Gamma太小或者l1、l2不足，这个测试能逼你把参数调到真正鲁棒的范围。

6.3 参数扫描回归脚本

最后一个小技巧，把主脚本包在一个函数里，输入一组参数，输出观测误差RMSE和控制量抖振方差，然后写一个三层循环扫描Gamma、epsilon、Delta三个关键参数，自动找出最优点：

function [rmse, chatter] = run_sim_batch(params) % 运行单组参数仿真并返回性能指标 end % 扫描Gamma Gamma_list = [0.05, 0.1, 0.5, 1.0, 2.0]; % 在每个Gamma下记录RMSE

我一般会跑一遍小网格：Gamma取5档，epsilon取5档，Delta取3档，共75组，每组仿真10秒，放在一台正常笔记本上大概半小时跑完，最后画一张三维热力图，崩塌的参数组合一目了然。参数扫描脚本不会给你理论公式，但能帮你建立对这个系统的直觉，哪些参数之间存在强耦合、哪些参数是独立影响性能的，全都能从图上看出来。

这套代码我最近一次复现时，除了上面说的权值投影，还把观测器增益换成了变增益，l1、l2在误差大时取大值快速收敛，误差小的时候退回去缩小噪声影响。效果是仿真前期收敛快了0.3秒，稳态控制量毛刺又小了一圈。你拿到源码包后可以沿着这个方向继续改，只要记住那条原则：观测器和控制器是配套设计的，改任何一个都要重新跑一遍鲁棒性验证，别单看一组曲线就说“效果更好了”。希望这批拆解和踩坑记录能帮你在自己的项目上少花几个晚上的排错时间。

本文还有配套的精品资源，点击获取