4th 

International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

Commande Adaptative à Modèle de Référence pour

les Systèmes linéaires Variants et les
Systèmes non linéaires
GHEDJATI K., ABDELAZIZ M., HEMSAS K. E.
Laboratoire d’Automatique
Département d’Electrotechnique, Université de Sétif.
Cité Maabouda, Sétif, 19000, ALGERIE
abde_m@yahoo.fr , hemsas_ke_dz@yahoo.fr

Résumé - Dans cet article, on présente au premier lieu le et

concept du CGT (Command Generator Tracker), puis on utilise
ce concept pour développer une commande adaptative à modèle
de référence qui sera appliquée aux systèmes linéaires variants et
aux systèmes non linéaires favorable à la linéarisation virtuelle.
La stabilité asymptotique est également garantie même si les
conditions du suivi parfait ne sont pas satisfaites, il suffit juste de
fournir quelques conditions satisfaisantes. Les simulations
montrent que l’algorithme développé conduit à une erreur
asymptotiquement stable.
I. INTRODUCTION
Le concept du générateur de commande pour la poursuite
(CGT) [1] a été prouvé que c’est un outil très utile dans le
développement des algorithmes du contrôle adaptatif à modèle
de référence. Dans cet article, le concept CGT à temps
variable est développé, de ce fait permettant l'application du
MRAC (Model Reference Adaptive Control) aux systèmes
linéaire à paramètres variables et aux systèmes non linéaires
qui peuvent être linéariser par la procédure de la linéarisation
virtuelle. La convergence des gains d’adaptation ainsi que des
études récentes sur le MRAC peuvent être trouvés dans [2] et
[3].
II. POURSUITE DE SORTIE DU MODELE
Le problème de contrôle linéaire à modèle de référence est
résolu pour le processus d’équation :
. paramètres sont connus, cette loi de contrôle est une
x p ( t ) = Ap x p ( t ) + B pu p ( t )
(1)
yp(t ) = Cpxp(t )
Où x p ( t ) est le vecteur d’état de dimension ( n × 1 ) , u p ( t ) est
le vecteur de contrôle de dimension ( m × 1 ) , y p ( t ) est le
vecteur de sortie de dimension ( q × 1 ) . Les matrices A p , B p et
C p sont des matrices de dimension appropriée, avec a p ( i , j ) et
b p ( i , j ) sont les i, j’iéme élément de A p et B p
respectivement.
Il est aussi supposé que :
a−ij ≤ a p ( i , j ) ≤ aij ,i = 1..n , j = 1.. n
b−ij ≤ b p ( i , j ) ≤ bij ,i = 1..n , j = 1.. m (2)
1. Toutes les paires possibles A p , B p sont contrôlables et
stabilisables par un gain de retour de sortie.
2. Toutes les paires possibles A p , C p sont observables.
3. B p est une matrice de rang maximal.
L’objectif est de trouver, sans connaissance explicite de
A p et B p , le vecteur de contrôle u p ( t ) telle que le vecteur de
sortie du système y p ( t ) serait une approximation raisonnable
du vecteur de sortie du modèle de référence défini par :
.
x m ( t ) = Am x m ( t ) + B m u m ( t ) (3)
ym ( t ) = Cm xm ( t )
Où x m ( t ) est le vecteur d’état de dimension ( n m × 1 ) ,
u m (t ) est le vecteur de contrôle de
dimension ( q × 1 ) , y m ( t ) est le vecteur de sortie du modèle de
dimension ( q × 1 ) . Les matrices Am , Bm et C m sont des
matrices de dimension appropriée. Le modèle est supposé
stable. Il est important de noter que la dimension de l’état du
modèle peut être inférieure à celle du processus, mais les deux
doivent avoir le même nombre de sorties.
III. GENERATEUR DE COMMANDE POUR LA POURSUITE (CGT).
III.1 SYSTEME A PARAMETRES INVARIABLES
Le CGT est une loi de contrôle à modèle de référence
destinée aux systèmes linéaires invariants ou variants dont les
combinaison entre les états du modèle, l’entrée de référence et
l’erreur entre la sortie de modèle et celle du système.
Le système linéaire invariant est décrit par (1) et quand une
poursuite parfaite de sortie est atteinte, c à d y p ( t ) = y m ( t )
Pour t ≥ 0 , les trajectoires de contrôle et d’états
correspondants sont dites trajectoires idéales et sont notées
x *p (t ) et u *p (t ) et par définition, le système idéal est tel qu’il
satisfait la même dynamique que celle du système réel. En
plus, la sortie du système idéal est identiquement égale à la
sortie du modèle de référence, mathématiquement parlant :
x& *p (t ) = A p x *p (t ) + B p u *p (t ) (4.a)
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007
y *p (t ) = y m = C p x *p (t ) = C m x m (t )
Il est supposé que les trajectoires idéales sont des fonctions
linéaires des états et des entrées du modèle de référence :
⎡ x* ( t )⎤
⎢ p ⎥ = ⎡ S 11 S 12 ⎤ ⎡ x m ( t )⎤ (5)
⎢u * ( t )⎥ ⎢⎣ S 21 S 22 ⎥⎦ ⎢⎣u m ( t )⎥⎦
⎣ p ⎦ Notons que l’équation (13) est une équation de Lyapunov
Ici u m ( t ) est supposée constante, sinon ses dérivées doivent
être disponibles, cette supposition peut être allégée. La
trajectoire idéale vérifie l’équation (1), c-a-d :
⎡ x& * ( t )⎤ ⎡ A B ⎤ ⎡ x* ( t )⎤
⎢ p ⎥ = ⎢ p p ⎥⎢ p ⎥
⎢ y * ( t )⎥ ⎣C p 0 ⎦ ⎢u * ( t )⎥
⎣ p ⎦ ⎣ p ⎦ (17)
En remplaçant (5) dans (6), on aura:
⎡ x& * ( t )⎤ ⎡ A B ⎤
⎢ p ⎥ = ⎢ p p ⎥ ⎡ S 11 S 12 ⎤ ⎡ x m ( t )⎤
⎢ y * ( t )⎥ ⎣C p 0 ⎦ ⎢⎣ S 21 S 22 ⎥⎦ ⎢⎣u m ( t )⎥⎦
⎣ p ⎦
La dérivation de l’équation (5), en considérant que u m (t ) est
une constante donne :
* Ainsi, l’erreur ex tend vers zéro quand t tend vers l’infini,
x& p = S 11 ( t )x& m ( t ) + S 12 u& m ( t ) = S 11 x& m ( t )
Si on remplace x& m ( t ) de (3) dans (8), on trouve :
x& *p (t ) = S11 Am x m (t ) + S11 Bm u m (t )
La forme compacte de (9) et (4) est :
⎡ x&* ( t )⎤
⎢ p ⎥ = ⎡ S 11 Am S 11 Bm ⎤ ⎡ x m ( t )⎤
⎢ y* ( t )⎥ ⎢⎣ C m 0 ⎥⎦ ⎢⎣u m ( t )⎥⎦
⎣ p ⎦
De (7) et (10) et sachant que x m ( t ) et u m (t ) sont arbitraire,
on peut écrire :
⎡ S 11 Am S 11 B m ⎤ ⎡ A p B p ⎤ ⎡ S 11 S 12 ⎤
=
0 ⎥⎦ ⎢⎣C p 0 ⎥⎦ ⎢⎣ S 21 S 22 ⎥⎦
⎢⎣ C m (11)
L’équation matricielle (11) représente un système
d’équations linéaires qui doit être résolu pour les matrices S ij .
2 On note que le CGT établi pour le cas où um est une constante
Il y a (n+q)×(n+m) équations avec ( mn m + nm + mn + m )
inconnues. Quand (mxn) le nombre d’entrée de contrôle est
supérieure à q (le nombre de sortie du système), il y a au moins
autant d’équations que d’inconnues, alors, la solution CGT
existe presque toujours. Dans le cas très rare ou une situation
singulière est présente, on peut changer les valeurs des
paramètres du modèle de référence pour éliminer la singularité.
Une méthode élégante mais qui ne donne pas toujours de
solution, consiste à définir :
−1
⎡ Ω11 Ω12 ⎤ ⎡ A p (t) B p (t)⎤
⎢⎣Ω 21 Ω 22 ⎥⎦ = ⎢ C p 0 ⎥ (12)
⎣ ⎦
Alors, l’équation (11) est équivalente au système d’équations
suivant :
S 11 = Ω11 S 11 Am + Ω12 C m (13)
S 12 = Ω11 S 11 Bm
(4.b) S 21 = Ω21 S 11 Am + Ω22 C m (15)
S 22 = Ω21 S 11 Bm (16)
L’existence de la matrice inverse dans (12) impose que le
nombre d’entrées m soit être égal au nombre de sorties q. Si
m > q , on peut alors utiliser la pseudo- inverse.
[4,5] qui n’a de solution que si aucune valeur propre de Ω11
n’est égale à l’inverse d’une valeur propre de A p .
Pour voir sous quelles conditions une poursuite
asymptotique est assurée, écrivons l’équation de l’erreur sous
la forme :
(6) * * *
e& x = x& p − x& p = A p x p + B p u p − A p x p − B p u p
*
= A p e x + B( u p − u p )
(7)
Si la loi de contrôle à la forme suivante :
* *
u p = u p + K ( y m − y p ) = u p + KC p e x (18)
Alors, l’équation de l’erreur devient :
e& x = ( AP − B P KC P )e x (19)
(8)
s’il existe un gain constant K qui stabilise le système en
boucle fermée. Quand ex tend vers zéro et en prenant en
considération l’équation (4), on peut écrire
(9)
*
y p ( t ) = C p x p ( t ) = C p x p ( t ) = y m ( t ) = Cm xm ( t )
(10) Ce qui est l’objectif du CGT.
*
Si on remplace u p par son équivalent de (5) dans (18) on
aura la forme finale de la loi de contrôle :
u p ( t ) = S 21 x m ( t ) + S 22 u m ( t ) + K ( y m ( t ) − y p ( t )) (20)
Où S 21 et S 22 sont les solutions des équations (13) à (16)
avec :
Re [ λ ( A p − B p KC p )] < 0 (21)
peut être étendu à une entrée plus générale [1]. Pour les
problèmes réels, il est possible qu’un
système d’ordre très élevé doive suivre un modèle d’ordre très
petit et avec une entrée de référence arbitraire. Cela est
pratiquement impossible à atteindre par un contrôleur à gains
fixes. Alors, il est raisonnable et pratiquement suffisant de ne
pas imposer une poursuite parfaite du modèle, mais seulement
que l’erreur entre le modèle et le système soit borné et assez
petite. En plus, les gains ne seront pas fixes mais adaptatifs.
III.2 SYSTEME A PARAMETRES VARIABLES
Le système linéaire à paramètres variables peut être décrit
par les équations suivantes :
(14) x& p (t) = A p (t) x p (t) + B p (t) u p (t) (22)
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

y p (t) = C p x p (t) (23) C p Ω 11 (t) = 0 , ∀t

Le modèle linéaire continue invariant à suivre est décrit par : et comme C p est une matrice différente de l’identité, La
x& m (t) = Am x m (t) + B m u m ( t) (24)
matrice Ω11 (t) est alors singulière pour tout t.
y m (t) = C m x m (t) (25)
Le développement de l’égalité (34) donne le système
Les variables et les matrices sont comme dans le cas
différentiel algébrique suivant :
précédent à l’exception que les matrices A p et B p sont dans
ce cas fonction du temps.
Ω11 (t) S&11 (t) = S 11 (t) - Ω11 (t) S 11 (t)Am - Ω12 (t)C m (36)
Si le suivi parfait s’établit, c, à, d, y p (t) = y m (t) pour t ≥ 0 ,
les trajectoires résultantes du contrôle et de l’état sont notées Ω11 (t) S&12 (t) = S 12 (t) - Ω11 (t) S 11 (t)B m (37)
*
respectivement u p (t) et x p ( t ).
* S (t) = Ω (t) S& (t) + Ω (t) S (t)A + Ω (t)C
21 21 11 21 11 m 22 m (38)

Par définition, les variables idéales doivent satisfaire : S 22 (t) = Ω 21 (t) S&12 (t) + Ω 21 (t) S 11 (t)B m
(39)
* On voit bien que S 21 (t) et S 22 (t) dépendent de
(i) C p x p ( t ) = C m x m (t) (26)
S 11 (t) et S 12 (t) via les équations (38) et (39), donc,
* * *
(ii) x& p (t) = A p (t) x p (t) + B p (t) u p (t) (27) seulement l'équation (36) nécessite d’être résolue. Pour la
résolution du système d’équations (36 - 39), on transforme les
⎡ x* (t)⎤
p ⎡ S (t) S 12 (t)⎤ ⎡ x m (t)⎤ équations différentielles en équations aux différences en
(iii) ⎢ * ⎥ = ⎢ 11 . (28)
⎢u (t)⎥ ⎣ S 21 (t)S 22 (t)⎥⎦ ⎢⎣u m (t)⎥⎦ appliquant la formule d'approximation de la dérivée.
⎣ p ⎦ . x( kT + T ) − x( kT )
Avec S 11 , S 12 , S 21 et S 22 sont des matrices dépendantes x( kT ) =
T
du temps, de dimension appropriée.
Avec T la période d'échantillonnage.
Sous la supposition que u& m (t) = 0 , Les équations à résoudre
sont :
IV. ALGORITHME DU MRAC
A p (t) S 11 (t) + B p (t) S 21 (t) = S& 11 (t) + S 11 (t)Am (29)
A p (t) S 12 (t) + B p (t) S 22 (t) = S&12 (t) + S 11 (t)Bm (30) Le problème de MRAC sera résolu pour les équations
C p S 11 (t) = C m (31) suivantes du processus :
x&( t ) = A( t )x( t ) + B( t )u( t ) (40)
C p S 12 (t) = 0 (32)
y( t ) = Cx( t ) (41)
(Pour les détails, voir [6]).
Les équations (29) – (32) peuvent être mises sous forme L'objectif est de trouver une commande u( t ) tels que la sortie
matricielle du système y p suive la sortie du modèle de référence y m
⎡ A p (t)B p (t)⎤ ⎡ S 11 (t) S 12 (t)⎤
⎢ C ⎥×⎢ ⎥= x&( t ) = Am x m ( t ) + B m u m ( t )
⎣ p 0 ⎦ ⎣ S 21 (t)S 22 (t)⎦ (33)
(42)
⎡ S& 11 (t) + S 11 (t)Am S& 12 (t) + S 11 (t)Bm ⎤ y m ( t ) = C m xm ( t ) (43)
⎢ Cm 0 ⎥
⎣ ⎦
Pour faciliter le développement de la loi de commande, le
concept de CGT à temps variant est présenté ici. Si une
On assume que m = q , donc, si la matrice
poursuite parfaite est atteinte, c-à-d y p ( t ) = y m ( t ) pour
⎡ A p (t)B p (t)⎤
⎢ C ⎥ t ≥ 0 , les trajectoires de contrôle et d’état correspondantes
⎣ p 0 ⎦ * *
est inversible, l’équation (33) donne : sont notées x p ( t ) , u p ( t ) et satisfont par définition (26-28).
⎡ S 11 (t) S 12 (t)⎤ ⎡ Ω11 (t) Ω12 (t)⎤ La loi de commande est choisie de la forme
⎢⎣ S 21 (t)S 22 (t)⎥⎦ = ⎢⎣Ω 21 (t)Ω 22 (t)⎥⎦
(34) u( t ) = K e ( t )( ym ( t ) − y( t )) + K x ( t )xm ( t )
⎡ S& (t) + S 11 (t)Am S&12 (t) + S 11 (t)Bm ⎤
× ⎢ 11 ⎥ + K u ( t )u m ( t ) (44)
⎣ Cm 0 ⎦
qui peut s’écrire de la forme
u = Kr (45)
avec
−1
avec
⎡ Ω11 (t) Ω12 (t)⎤ ⎡ A p (t) B p (t)⎤ T T T T
⎢⎣Ω 21 (t)Ω 22 (t)⎥⎦ = ⎢ C p 0 ⎥ (35) K = ( K e , K x , K u ) r = (( y m − y ) , x m , u m )
⎣ ⎦ K ( t ) est définie selon la règle adaptative suivante :
On voit que le produit
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

K( t ) = K I ( t ) + K p ( t ) (46) est définie négative.

~' ~' ~'
. T Noter que les matrices K x ( t ) , K u ( t ) , K e ( t ) et P(t) aussi bien
K I ( t ) = C( y m ( t ) − y( t ))r T , K I ( o ) = K I 0 (47)
que les matrices Sij(t) ne sont pas nécessaires pour
T l’implémentation de la loi de commande.
K p ( t ) = C( y m ( t ) − y( t ))r T (48)
L'erreur étant définie comme suit :
*
VI. TRAITEMENT DES SYSTEMES NON-LINEAIRES
e( t ) = x ( t ) − x( t ) (49)
La commande MRAC de la section IV peut être appliquée
La dérivée de l'erreur est : aux systèmes non linéaires en utilisant la procédure de la
*
e&( t ) = x& ( t ) − x&( t ) linéarisation virtuelle. Le principe est mieux expliqué par un
En utilisant les équations (40), (27), (28) et (46), nous obtenons exemple.
. Soit un système non linéaire décrit par :
e( t ) = A( t )e( t ) + B( t )[ S 21 ( t ) x( t )
+ S 22 ( t )u m ( t ) − K p ( t )r( t ) − K I ( t )r( t )] (50) X& i ( t ) = g i ( x ,u ,t ) + hi ( x ,u ,t ) + Pi ( x ,u ,t ) , i=1, 2 (53)

qu’on peut l’écrire de la forme

V. ANALYSE DE LA STABILITE
La stabilité sera analysée en utilisant une approche de X& i = ( g i / x1 )x1 + ( hi / x 2 )x 2 + ( Pi / xu ) xu (54)
Lyapunov illustré par : Où
T
V ( t ) = e ( t )P( t )e( t ) x1 ⎯⎯→
lim
⎯ 0 ( g i / x1 )〈∞
~ −1 ~ T T lim
+ Tr [ S ( k I ( t ) − K ( t ))T ( k I ( t ) − k ( t )) S ] (51) x 2 ⎯⎯→
⎯ 0 ( hi / x 2 )〈∞
Tr : Trace de la matrice lim
u ⎯⎯→⎯ 0 ( Pi / u )〈∞
avec T et P (t) sont respectivement des matrices symétriques
~ Alors le système linéarisé sera :
définies positives, S est une matrice non singulière et K est
écrite de la même manière que K , c.-à-d :
~ ~ ~ ~ x&( t ) = A( t )x( t ) + B( t )u( t ) (55)
K ( t ) = [ K e ( t ), K x ( t ), K u ( t )]
Avec
et il est supposée que
~ T
⎡ g1 h1 ⎤
K = Ce( t )r ( t )T1 ( t ) ⎢x x 2 ⎥⎥ ⎡P / u⎤
A( t ) = ⎢ 1 , B( t ) = ⎢ 1 ⎥
avec T1 ( t ) est une matrice dépendante du temps. Après ⎢ g2 h2 ⎥ ⎣ P2 / u ⎦
quelques manipulations algébriques, la dérivé de V(t) est ⎢x x2 ⎦ ⎥
⎣ 1
donnée par :
Noter que cette manière de récrire le système ne fait rien
T ~'
V& = e ( t )[ P& ( t ) + P( t )( A( t ) − B( t )K ( t )C ) e mais juste réarrange les limites dans chaque équation de sorte
~' T que quand x et u sont indiqués, le système semble être linéaire.
+ ( A( t ) − B( t )K e ( t )C ) P( t )
T T −1 T T
− 2e ( t )P( t )B( t )( S S ) B P( t )e( t )r ( t )T r( t ) (52) VII. EXEMPLES
Cette expression a été établie en supposant que EXEMPLE 1 : MRAC POUR UN SYSTEME LINEAIRE
T −1 T
C = ( S S ) B ( t )P( t ) Soit un système SISO de fonction de transfert
~' ~' 2( s + 4 )
et si K x ( t ) , K u ( t ) sont choisies de sorte que : G( s ) =
2
~' ~' s − 3s − 2
K x ( t ) = S 21 ( t ) et K u ( t ) = S 22 ( t ) Sa représentation d'état est donnée par :
alors la dérivée de V (t) est négative si : .
1. T est définie positive x p ( t ) = Ap x p ( t ) + B pu p ( t )
yp(t ) = Cpxp(t )
2. T est semi définie positive
Où
⎡ 0 1⎤ ⎡0 ⎤
⎥ , B p = ⎢1 ⎥ , C p = [8 4 ]
T −1 T Ap = ⎢
3. C = ( S S ) B ( t )P( t )
⎣ 2 3 ⎦ ⎣ ⎦
La fonction de transfert du modèle de référence est donnée
~' '
4. P& ( t ) + P( t )( A( t ) − B( t )K e C ) + ( A( t ) − B( t )K e ( t )C )P par :
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

1
Gm ( s ) =
0. 2 s + 1
Sa représentation d'état est donnée par :
.
x m ( t ) = Am x m ( t ) + B m u m ( t )
y m ( t ) = C m xm ( t )

Où
Am = [− 5] , Bm = [5] , C m = [1]

D'autre part, le système est de degré relatif égal à un et est à

phase minimale, il est donc ASPR (Almost Strictly Positif
Real) et donc la convergence de l’erreur d’adaptation est
garantit.
L'application du contrôleur adaptatif basé sur le CGT à ce
système conduit à une erreur asymptotiquement stable, ce qui Fig. 2 - Signal de commande
a comme conséquence la convergence de l'algorithme EXEMPLE 2 : MRAC POUR UN SYSTEME NON LINEAIRE
adaptatif. REPRESENTE PAR UN MODELE D’UN AVION F-8 DE TROISIEME
L’entrée est un signal carré d'amplitude ±1 et de période 60 ORDRE NON- LINEAIRE.
secondes. Les équations pour ce système sont :

La Fig. 1 représente les sorties du système et du modèle de 2 3

référence, le suivi parfait est visible en régime permanent, la x& 1 = ( 1 − x1 − 0.088 ) x1 − 0.877 x1
commande correspondante est donnée en Fig. 2, elle est bornée 2 2 3
− 0.215u + 0.28ux1 + 46 u x + 6104u
et lisse ce qui facilitera son implémentation sur calculateur
x& 2 = x 3
2 3
x& 3 = −.396 x 3 − 4.208 x1 − .47 x1 − 3.564 x1
2 2 3
− 20.967 u + 6.265ux1 + 46 u x + 61.4u
y( t ) = x1 ( t )

Les équations du modèle sont :

⎡ − 0.5 0 1 ⎤ ⎡1⎤
x& m ( t ) = ⎢ 0 0 1 ⎥ x m ( t ) + ⎢1⎥u m ,
⎣⎢− 9.87 0 − 1.7 ⎦⎥ ⎣⎢1⎦⎥
y m ( t ) = ( 1,0 ,0 ) x m ( t )

La simulation a été effectuée pour les conditions initiales

x (0) = xm (0) =[0 0 0]T , T = T =I5 , et ∆t =0.01.

Fig. 1 - Sorties du système et du modèle, Les résultats de la simulation représentés sur la Fig. 3
indiquent que le système suit asymptotiquement le modèle de
référence.
La Fig. 4 représente la grandeur de commande, on voit bien
qu’elle est bornée et lisse .
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

[4] Isidori A., "Nonlinear control systems, "Third edition, Springer-

Verlag,1995.
[5] Ramirez W.F.,"Process control and identification," Acadimic
Press,Harcourt Brace and Company,California,1994.
[6] Abdelaziz M, Djahli F, “Synthesis of a Asymptotically Stable Direct
Model Reference Adaptive Controller for a Class of Processes not
Satisfying a Positive Real Constraint”WSEAS TRANSACTIONS on
SYSTEMS , Issue 9, Volume 5, September 2006, ISSN 1109-2777

Fig. 3 - Sorties du système et du modèle

Fig. 4 - Signal de commande

VIII. CONCLUSION
Dans cet article, On présente au premier lieu le concept du
CGT pour les systèmes invariants puis variants, une extension
de la commande adaptative MRAC aux systèmes non linaires a
été développée en utilisant la procédure de linéarisation
virtuelle, une simulation sur un modèle d’un avion a été testée,
conduisant à une erreur asymptotiquement stable entre le
système et le modèle de référence. Cette étude permettra au
MRAC d’être appliquée aux systèmes non linéaires et même
aux systèmes de fortes non linéarités et c’est le cas de la
plupart des systèmes industriels.

IX. REFERENCES
[1] Broussard J.R , Obrien S.J., " Feedforword control to track the output of a
forced model," Proceedings of the 17th Conference on Decision and
Control pp.1149-1155,1979.
[2] I.Barkana, Positive Realness in Multivariable stationary Linear Systems ,
International Journal of Franklin Institute Vol 328,n4,pp 403-417 ,1991.
[3] I.Barkana, Gain Condition and Convergence of Simple Adaptive Control,
International Journal of Adaptive Control and Signal Processing,19,
pp.13-40, (2005a)