See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/228418848

COMMANDE ADAPTATIVE FLOUE POUR LES SYSTEMES NON LINEAIRES

INCERTAINS

Article · January 2002

CITATIONS READS

4 1,680

2 authors:

Farid Khaber Abdelaziz Hamzaoui

Ferhat Abbas University of Setif Université de Reims Champagne-Ardenne
44 PUBLICATIONS 352 CITATIONS 132 PUBLICATIONS 1,666 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Farid Khaber on 16 May 2014.

The user has requested enhancement of the downloaded file.

 Courrier du Savoir – N°02, Juin 2002, pp. 35-40

COMMANDE ADAPTATIVE FLOUE POUR

LES SYSTEMES NON LINEAIRES INCERTAINS

F. KHABER*, A. HAMZAOUI**

* Département d’Electrotechnique, Université Ferhat ABBAS de Sétif , 19000 SETIF ALGERIE

jfkhaber@yahoo.fr
**
I.U.T. de Troyes, Département GMP, 9 rue du Québec, 10026 Troyes Cedex France
hamzaouia@iut-troyes.univ-reims.fr

RESUME
Dans cet article, une approche combinant la commande adaptative classique et la commande floue, est utilisée
pour prendre en charge des systèmes non linéaires incertains. En effet les descriptions linguistiques décrivant le
fonctionnement du système sont incorporées dans le contrôleur. Les paramètres de ce dernier sont ajustés par des
lois d’adaptation appropriées. Pour garantir la stabilité des systèmes en boucle fermée, dans le sens que tous les
signaux impliqués sont uniformément bornés, la conception du contrôleur est faite selon la synthèse de
Lyapunov.
L’algorithme ainsi développé est appliqué pour réaliser une commande en poursuite d’un pendule inversé. Les
simulations sont réalisées sous l’environnement MATLAB 5.3.

1. INTRODUCTION précision arbitraire donnée [6], [15].

Un contrôleur adaptatif flou est construit à base d’un
ensemble de règles floude la forme (IF – THEN), ses
paramètres sont ajustés on-line selon quelques lois
d’adaptation [2], [3], [17], [19]. Dans la conception
de ces contrôleurs adaptatifs flous, la stabilité du
système, dans le sens que tous les signaux impliqués
soient uniformément bornés, est basée sur la
synthèse de Lyapunov [16], [18]. L’originalité de
La base des règles flous est construite par une
collection de règles linguistiques de la forme :
R (l ) : IF x1 is F1l and x2 is F2l L and xn is Fnl
THEN y is G l ; l = 1,.., M ,
M étant le nombre de règles.
La sortie du système flou est donnée par :

∑ y (∏i=1 µ F (xi ))
cette approche est d’incorporer des règles M
n
linguistiques dans le contrôleur. Ce qui permet l

y ( x) =
i
l =1

∑ (∏i=1 µ F (xi ))
d’accroître la vitesse d’adaptation et d’améliorer M
(1)
n
l’erreur en régime permanent [6], [7]. l
i
l =1
En général, les contrôleurs adaptatifs flous sont
construits suivant les étapes suivantes : où
(i) Construction du contrôleur initial basé sur les x = [x, ... , xn]Test l’entrée du système flou ;
descriptions linguistiques données par les experts
humains sous la forme de règles flous (IF - THEN). yl est l’abscisse où la fonction µ G l (y ) atteint son
(ii) Développement des lois d’adaptation pour maximum. En écrivant la relation (1) sous une forme
ajuster on-line les paramètres du contrôleur flou. plus compacte, on obtient
Pour mettre en évidence les capacités du contrôleur
adaptatif flou conçu, il a été utilisé pour réaliser une y ( x) = θ T ξ (x ) (2)
commande en poursuite d’un pendule inversé.
où

2. APPROXIMATION FLOUE [
θ = y1 , L, y l ]
T
est un vecteur de paramètres ;
Il a été démontré que les systèmes flous, utilisant le
singleton fuzzifier, le produit d’inférence, et la
ξ(x)=[ ξ1(x),..., ξl(x)]T sont les fonctions floues de
défuzzification par centre de gravité, sont capables
base dont l’élément ξl(x) est défini par :
d’approximer n’importe quelle fonction réelle
continue dans un ensemble compact avec une

Université Mohamed Khider – Biskra, Algérie, 2002

 F. Khaber & al.

∏i =1 µ F (xi ) [ ]
n
− f (x ) + y m(n ) + k T e
1
u= (6)
g (x )
l
ξ ( x) =
l

∑ (∏i =1 µ F (xi ))
i
M
(3)
n
l
l =1 i ce qui donne :

e n + k1e(n −1) + L + kn e = 0 (7)

3. POSITION DU PROBLEME qui implique que limt → ∞ e(t ) = 0 qui est l’un des
Considérons un système non linéaire de la forme : objectifs de la commande.
x&1 = x2 Si f et g sont inconnues, on les approxime par les
x&2 = x3 systèmes flous, de la forme (1), fˆ (x θ f ) et gˆ x θ g , ( )
respectivement. La commande dans ce cas sera :
L (4)
x&n = f (x1 ,K, xn ) + g (x1 ,K, xn )u uc =
1
ˆg ( x θ g )
[ ( )
− fˆ x θ f + y m(n ) + k T e ] (8)
y = x1
En appliquant (8) à (5) on trouve :
qui peut se mettre sous la forme équivalente :
x (n ) = f (x, x& ,K, x (n−1) ) + g (x, x& ,K, x (n−1) )u [( ) ] [( )
e (n ) = − k T e + fˆ x θ f − f (x ) + gˆ x θ g − g (x ) uc ] (9)

y=x (5) qui est équivalent à :

où, f et g sont des fonctions continues inconnues, [( ( ) ) (( )

e& = Λc e + bc fˆ x θ f − f (x ) + gˆ x θ g − g (x ) uc ) ] (10)
u ∈ R et y ∈ R sont l’entrée et la sortie du où
système respectivement, et
⎡ 0 1 L 0 ⎤ ⎡0 ⎤
x = (x1 , x2 , K, xn ) = (x, x& ,K, x (n−1) ) ∈ R n
T T
⎢ ⎥ ⎢ ⎥
⎢ M M L 0 ⎥ ⎢M ⎥
le vecteur d’état du système qui est supposé Λc =⎢ ⎥ ; bc = ⎢ ⎥ (11)
observable . Pour que (1) soit contrôlable il faut
⎢ 0 0 L 1 ⎥ ⎢0 ⎥
que g ( x ) ≠ 0 ; avec x ∈ U c , U c ⊂ R
n
⎢−kn −k L − k ⎥ ⎢1 ⎥
⎣ n −1 1 ⎦ ⎣ ⎦
(Uc: Région de contrôlabilité) ; g(x) est une fonction
continue, on suppose que g(x) > 0 pour x ∈ U c . Tant que ( sI − Λc = s (n ) + k1s (n−1) + L + k n est stable
L’objectif de la commande est de forcer la sortie y à ( Λc stable), on sais qu’il existe une matrice
suivre un signal de référence borné ym(t), sous la symétrique définie positive P (n × n) unique qui
contrainte que tous les signaux impliqués doivent
être bornés. Plus spécifiquement il s’agit de satisfait l’équation de Lyapunov :
déterminer la commande par retour d’état u = u (x/θ) ΛTc P + PΛc = −Q (12)
et une loi d’adaptation pour ajuster les paramètre du
vecteur θ tel que : où Q est une matrice symétrique arbitraire définie
Le système en boucle fermée soit globalement stable positive de dimensions n x n.
et robuste dans le sens que tous les signaux x(t), θ(t) soit Ve = 12 eT Pe , la fonction de lyapunov , alors en
et u(x/θ), soient uniformément bornés, c’est à dire
utilisant (10) et (12) on a :
que x(t ) ≤ M x < ∞, θ (t ) ≤ M θ < ∞ et
u (x θ ) ≤ M u < ∞ pour t ≥ 0 , où M x , M θ et M u V&e = 12 e&T Pe + 12 eT Pe& = − 12 eT Qe + eT Pbc ×

sont des paramètres spécifiés par le concepteur; [( fˆ (x θ ) − f (x))+ (gˆ (x θ ) − g (x))u ]

f g c (13)
(ii) L’erreur de poursuite, e = ym − y , devrait être la
plus petite possible sous la contrainte (i). Pour que xi = y m(i −1) − e (i −1) soit borné, on exige que
Pour commencer, on considère le signal Ve soit bornée, qui signifie que V& ≤ 0 lorsque Ve est
( )
e
d’erreur e = e, e&, L , e (n−1) et le vecteur de gain
T
supérieur à une importante constante V . Cependant,
k = (kn ,K, k1 ) ∈ R n telles que toutes les racines du de (13) on voie qu’il est très difficile de concevoir uc
T

tel que le dernier terme de (13) soit négatif. Pour

polynôme caractéristique h(s ) = s n + k1s n −1 + L + kn résoudre ce problème, on ajoute un autre terme de
soient dans le demi-plan gauche (système stable). commande [18], us, à uc.
Si les fonctions f et g sont connues ; alors la loi de La nouvelle commande résultante est alors :
commande a la forme suivante [13]:

36
 Commande adaptative floue pour les systèmes non linéaires incertains finis

u = uc + u s (14) surveillance appelé superviseur.

En substituant (14) dans (5), on obtient la nouvelle
Ce nouveau terme (us) est, un contrôle de équation de l’erreur :
[( ( ) [( (
e& = Λc e + b c fˆ x θ f − f (x ) + b c gˆ x θ g − g (x ) uc − g (x )u s ) ) ])] (15)

En utilisant (15) et (12) on obtient :

[( )
V&e = − eT Qe + eT Pbc × fˆ (x θ f ) − f (x ) + (gˆ (x θ g ) − g (x ))uc − g (x )u s
1
2
]
[
≤ − 2 e Qe + eT Pbc × fˆ (x θ f ) + f (x ) + gˆ (x θ g )uc + g (x )uc
1 T
]
[ fˆ (x θ ) + f (x) + gˆ (x θ )u
f g c ]
+ g (x )uc − eT Pbc g (x )u s (16)

Pour concevoir la commande us tel que le dernier avec gˆ x θ g >0.( )

terme de (16) soit négatif, on a besoin de connaître
les limites des fonctions f et g. Pour ce faire on L’équation dynamique de l’erreur peut être réécrite
considère la supposition suivante : comme suit :
e& = Λc e − bc g (x )u s + bc ×
3.1 supposition 1
On détermine fu(x), gu(x) et gL(x) tels que [( fˆ (x θ ) − fˆ (x θ ))+ (gˆ (x θ ) − gˆ (x θ ))u + w] (22)
f
∗
f g
∗
g c

f ( x ) ≤ f u ( x ) et g L (x ) ≤ g (x ) ≤ g u (x ) pour x ∈ U c ,
Si fˆ et ĝ sont du type (1), alors (22) peut être
où f u (x ) < ∞ , g u (x ) < ∞ et g L (x ) > 0 . réécrite de la façon suivante :
Sachant ces limites, le superviseur us est choisi e& = Λ c e − b c g (x )u s + b c w
comme suit [18] :
[
+ bc Φ Tf ξ (x ) + Φ gT ξ (x )u c ] (23)
(
u s = I1∗ sgn e T Pbc ) g 1(x )
L
où : Φ f =θ f −θ ∗f , Φ g =θ g −θ g∗ , et ξ (x )
[ ( )
× fˆ x θ f + f u
(x ) + gˆ (x θ g )uc + g (x )uc
u
] (17) représente les fonctions floues de base (3).
Considérons la fonction de Lyapunov :
où I 1∗ = 1 si V e > V , I 1∗ = 0 si V e ≤ V , et 1 T 1
V = 1 eT Pe + ΦfΦf + ΦTg Φ g (24)
sgn ( y ) = 1(− 1) si y ≥ 0(< 0 ) . 2 2γ 1 2γ 2

où : γ 1 et γ2
En substituant (17) dans (16) et en considérant le cas
sont des constantes positives.
Ve > V , on à :
La dérivé de V par rapport au temps est :
1
[
V&e ≤ − eT Qe + eT Pbc × fˆ + f + gˆu c + gu c
2
] V& = − 12 eT Qe − g (x )eT Pbcu s + eT Pbc w

−
g T
[ 1
]
e Pbc × fˆ + f u + gˆ u c + g u u c ≤ − e T Qe ≤ 0 (18) +
1
[
Φ Tf θ& f + γ 1e T Pbcξ ( x ) ]
gL 2
γ1
La prochaine étape consiste à remplacer fˆ et ĝ par
leurs expressions floues données par (1). +
γ2
1
[
Φ Tg θ&g + γ 2 e T Pbcξ ( x )u c ] (25)
Soient les paramètres optimaux suivants [18],
⎡ ⎤ avec Φ& f = θ& f , Φ& g = θ& g .
θ ∗f = min ⎢ sup fˆ (x θ f ) − f (x ) ⎥ (19)
⎣ x∈U c ⎦ A partir de (17) et g ( x ) > 0 on a :
⎡ ⎤ g ( x ) e T Pb c u s ≥ 0 .
θ g∗ = min ⎢sup gˆ (x θ g ) − g (x ) ⎥ (20)
⎣ x∈U c ⎦ Si on choisit les lois d’adaptation [2], [18]

θ& f = −γ 1eT Pbcξ ( x )

et l’erreur minimale d’approximation

[( ) ] [( )
(26)
w = fˆ x θ ∗f − f (x ) + gˆ x θ g∗ − g (x ) uc ] (21)

37
 F. Khaber & al.

et forme (1).

θ&g = −γ 2e Pbcξ (x )uc

T Etape 1 : processus autonome
alors, à partir de (25) on a :
V& ≤ − 12 eT Qe + eT Pbc w
Le terme eT Pbc w est de l’ordre de w, qui est
négligeable devant l’erreur e. Ce qui permet de
conclure que la loi de commande synthétisée
garantit la stabilité du système au sens de Lyapunov
( V& ≤ 0 ).
Le schéma synoptique de synthèse de la loi de
commande est donné par la figure 1.
ym
(27)
ƒ spécifier les k i , i = 1 ; n , telles que les
racines de s n + k1 s n − 1 + L + k n = 0
(28) soient dans le demi-plan gauche. Spécifier
une matrice Q symétrique définie positive.
ƒ résoudre l’équation de Lyapunov, pour
obtenir la matrice symétrique P > 0.
ƒ spécifier les paramètres Mf, Mg, ε et V ,
basés sur des contraintes pratiques.
Etape 2 : conception du contrôleur initial
ƒ définir les mi ensembles flous Fil i dont les
fonctions d’appartenances sont µ F li , où
i

li=1,2,...,mi et i = 1,2,...,n.
u x ƒ construire les bases de règles floues de base
Système + pour les systèmes fˆ (x ϑ f ) et gˆ (x θ g ) ,
-
chacune consiste en m 1 × m 2 × L × m n
règles dont les parties IF comprennent toutes
+ uc (.)
les combinaisons possibles des F i l i .

Spécifiquement les règles floues de base de fˆ

θf (.)
et ĝ sont constituées de règles de la forme :
θg (.)
R (fl1 ,L,l n ) : IF x1 is F1l1 and x 2 is F2l 2 and ... and x n is Fnl n
x us (.)
( )
THEN fˆ x θ f is G (l1 ,L, l n ) (31)

I 1* Rg(l1 ,L,ln ) : IF x1 is F1l1 and x 2 is F2l2 and ... and x n is Fnln

Figure 1: Synthèse de la loi de commande adaptative

floue.
( )
THENgˆ x θ g is H (l1 ,L,l n ) (32)

où
(l l )
3.2 Supposition 2 li = 1,2, L , mi , i = 1,2,L, n , et G 1,L, n , H (l1 ,L,ln )
sont des ensembles flous dans R
On dispose de descriptions linguistiques pour les
fonctions inconnues f et g sous la forme : ƒ construction des fonctions flous de base

R (fr ) : IF x1 is A1r and x 2 is A r2 and... and x n is A rn ∏i=1 µ F (xi )

n
(l1 ,L,ln )
(x ) =
li
ξ i
(33)
∑l =1L ∑l =1 ⎛⎜⎝ ∏i=1 µ F (xi )⎞⎟⎠
m1 n
mn
THEN f (x ) is C r
(29) 1 n i
li

Rg( s ) : IF x1 is B1s and x 2 is Bs2 and... and x n is Bsn les fonctions fˆ x θ f ( ) et gˆ (x θ ) sont construites
g

THEN g(x ) is D (30) s comme suit :

( )
fˆ x θ f = θ Tf ξ (x ) (34)
avec Air , B is , C r et D s sont des ensembles flous
dans R, r = 1,2, L , L f et s = 1,2, L , Lg . gˆ (x θ ) = θ ξ (x )
g
T
g (35)

Etape 3 : Adaptation on line

4. ALGORITHME
ƒ Appliquer la commande par retour d’état (14)
Dans cette partie, fˆ x θ ( f ) et gˆ (x θ g ) sont de la au système (4), où uc est donnée par (8), us

38
 Commande adaptative floue pour les systèmes non linéaires incertains finis

est donnée par (17), fˆ et ĝ sont donnée par L’équation dynamique du pendule inversé est
donnée par [18] :
(34) et (35) respectivement.
x&1 = x 2
ƒ Utiliser les lois d’adaptation suivantes pour
ajuster le vecteur de paramètres θ f mlx 22 cos x 1 sin x 1 cos x 1
g sin x 1 -
mc + m mc + m
(
⎧− γ 1eT Pbcξ (x ) si θ f < M f ou
⎪
) x& 2 =
⎛ 4 m cos 2 x 1 ⎞
+
⎛ 4 m cos 2 x 1 ⎞
u
⎜
l⎜ 3 - ⎟ ⎜
l⎜ 3 - ⎟
⎪ ⎛ ⎞ m c + m ⎟⎠ m c + m ⎟⎠
⎜ θ f = M f et e Pbcθ f ξ (x ) ≥ 0) ⎟
⎝ ⎝
T
T
⎪
⎪ ⎝ ⎠
θ& f = ⎨ θ θ ξ (x ) (36)
avec x1 = θ et x 2 = θ& .
T
⎪− γ 1eT Pbcξ (x ) + γ 1eT Pbc f f 2
⎪ θf où
⎪
⎪
⎩
(
si θ f = M f et e Pbcθ Tf ξ (x ) < 0
T
) g = 9.8 m/s² la gravité universelle.
mc=1kg la masse du chariot.
Utiliser les lois d’adaptation suivantes pour ajuster m =0.1kg la masse du pendule.
le vecteur de paramètres θg.
l = 0.5m la longueur du pendule.
ƒ pour le vecteur θg : chaque fois qu’un élément
θgi de θg est proche de zéro θg = ε utiliser :
⎧⎪− γ 2 eT Pbcξ i (x )uc si eT pbcξ i (x )u c < 0 5.1 Paramètres d’initialisation
θ&gi = ⎨ (37)
⎪⎩0 si eT Pbcξ i (x )uc ≥ 0 Le signal de référence ym (t ) = Π sin (t) .
30

où ξ i ( x ) est le i eme composant de ξ ( x ) . Les limites des fonctions f et g sont

f U (x1 , x2 ) = 15.78 + 0.0366 x 22 , g L (x1 , x2 ) = 1.12
- Sinon, utiliser :
U
(x 1 , x 2 )
(
⎧γ 2 eT Pbcξ ( x)uc si θ g < M g ou
⎪
) g = 1.46 .

(
⎪ θ g = M g et eT Pbcθ gT ξ (x )uc ≥ 0
⎪
) Les états et la commande
x1 ≤ Π 6 , x 2 ≤ Π 6 et u ≤ 180 .
⎪
θ&g = ⎨ θ gθ gT ξ (x )uc (38)
−
⎪ 2 γ e T
Pbc ξ ( x )u c + γ 2 e T
Pb c 2
En plus les constantes Mf = 16, Mg = 1.6, ε = 0.7,
⎪ θg γ1 = 50, γ2 = 1 et v = 0 . 267 .
⎪
(
⎪⎩si θ g = M g et e Pbcθ g ξ (x )uc < 0
T T
) 5.2 Mise en œuvre de l’algorithme
On considère le vecteur de gain k = [2 1 ] assurant
5. EXEMPLE DE SIMULATION la stabilité du système. La résolution de l’équation
de Lyapunov donne (pour Q = diag (10,10))
Il s’agit de développer un contrôleur adaptatif flou
⎡15 5⎤
pour commander un pendule inversé dont la P=⎢ ⎥.
description est donnée par la figure 1. ⎣ 5 5⎦
Les fonctions d’appartenance sont choisies de
forme gaussiennes (m1=m2=5 et i=1,2 et j=1,..,5).
θ& = x 2 ⎡ ⎛ x i + π / 6 − ( j − 1)π / 12 ⎞ 2 ⎤
µ F j ( xi ) = exp ⎢- ⎜ ⎟ ⎥
θ = x1 i
⎢⎣ ⎝ π / 24 ⎠ ⎥⎦

5.3 Résultats de simulation

Les variations, en fonction du temps, de l’angle
l θ(t) et de la vitesse angulaire θ&(t) sont
mg sinθ représentées, pour deux conditions initiales
différentes, par les figures 3 et 4.
u Les figures 3 et 4 mettent en évidence les capacités
du contrôleur conçu sur un pendule inversé. En
effet, ce régulateur est capable d’assurer la
Figure 2: Pendule inversé poursuite en un temps très court (≈3 s) avec une
erreur de poursuite très faible. (moins de 2%).

39

Figure 3: Evolution de l’angle (x1) pour les conditions
initiales (x1=-π/60, x2=0)
Figure 4: Evolution de l’angle (x1) pour les conditions
initiales (x1=π/10, x2=0).
6. CONCLUSION
Dans ce travail, nous avons développé un contrôleur
flou adaptatif indirect, qui (i) ne nécessite pas un
modèle mathématique du système sous contrôle, (ii)
est capable d’incorporer directement des règles
floues IF-THEN décrivant le fonctionnement du
système, et (iii) garantit la stabilité globale du
système en boucle fermée dans le sens que tous les
signaux impliqués soient uniformément bornés. Le
contrôleur ainsi développé est utilisé pour une
commande en poursuite d’un pendule inversé. Les
résultats de simulation obtenus montrent que (i) le
contrôleur flou adaptatif peut réaliser une bonne
poursuite sans aucune information linguistique, et
(ii) l’incorporation de quelques règles floues dans le
contrôleur permet d’améliorer la vitesse
d’adaptation et l’erreur de poursuite.
REFERENCES
[1] H. Bühler «Réglage par logique floue», Presses
universitaires polytechniques romandes, Suisse
40
View publication stats
F. Khaber & al.
1994.
[2] B.S. Chen, H.J. Uang, and C.S. Tseng “Robust
tracking enhancement of robot systems including
motor dynamics : A fuzzy-based dynamic game
approach,” IEEE Trans. Fuzzy Syst. vol. 6, pp.
538-552, Nov. 1998.
[3] R. Hartani, H.T. Nguyen et B. Bouchon- Meunier,
“Sur l’approximation universelle des systèmes
flous,” RAIRO-APII-JESA, vol. 30, n°5, pp. 645-
663 , 1996.
[4] A. Isidori, Nonlinear Control Systems. Springer –
Verlag London, 1995.
[5] A. Isidori, Nonlinear Control Systems II. Springer
–Verlag London, 1999.
[6] F. Khaber, A. Hamzaoui, K. Benmahammed &
J.L. Sculfort, “Contrôle flou et stabilité d’un
portique avec masse suspendue,” CNR-IUT 09-10
juin 2000.
[7] F. Khaber, A. Hamzaoui, K. Benmahammed,
“Commande floue d’un système non linéaire,”
CIP’2001, 09-11 juin 2001.
[8] H.K. Khalil, Nonlinear Systems. Englewood
Cliffs, NJ: Prentice-Hall, 1996.
[9] B.B. Kook and W. Chul Ham, “Adaptive Control
of Robot Manipulator Using Fuzzy Compensator,”
IEEE trans. on Fuzzy Systems, vol. 8, n° 2, April
2000, pp. 718-737.
[10] C.C. Lee, “Fuzzy Logic in Control Systems:
Fuzzy Logic Controller—Part I and II,” IEEE
Trans. Syst. Man. Cybern. Vol. 20, no. 2, pp. 404-
435, 1990.
[11] H. Lee and M. Tomizuka , “Robust adaptive
control using a universal approximator for SISO
nonlinear systems,” IEEE Trans. Fuzzy Syst. vol.
8, no. 1, pp. 95-106, Feb. 2000.
[12] C. Melin et B. Vidilov « Stabilisation de systèmes
par des contrôleurs flous (Partie I) ,” RAIRO-
APII-JESA, vol. 30, n°5, pp. 679-705, 1996.
[13] S.S. Sastry and M. Bodson, Adaptive Control :
Stability, Convergence and Robusteness.
Englewood Cliffs, NJ: Prentice-Hall, 1989.
[14] J.E. Slotine and W. Li, Applied Nonlinear
Control. Englewood Cliffs, NJ: Prentice-Hall,
1991.
[15] L. X. Wang, “Fuzzy Systems are universal
Approximators,” IEEE trans. on Fuzzy Systems,
vol. 5, n° 8, May 1992, pp. 1164-1173
[16] L.X. Wang, “Stable Adaptive Fuzzy Control of
Nonlinear Systems,” IEEE Trans. Fuzzy Syst. vol.
1, pp. 146-155, 1993.
[17] L. X. Wang, “Adaptive Fuzzy Systems and
Control: Design and Stability Analysis,”
Englewood Cliffs. NJ: Prentice-Hall, 1994.
[18] L. X. Wang, “Stable Adaptive Fuzzy Controllers
with Application to Inverted Pendulum Tracking,”
IEEE trans. on Man and Cybernetics, Part B:
Cybernetics. Vol. 26, n° 5, October 1996, pp. 677-
691.
[19] L. X. Wang, “A Course in Fuzzy Systems and
Control,” Upper Saddle River, NJ: Prentice-Hall,
1997.