现在控制理论中，如何处理不确定干扰是人们的关注点之一，有很多种处理不确定干扰的方法。不同的控制问题和不同的干扰类型，选择的控制方法往往是不同的。自适应控制经常应用在带有未知参数的镇定问题中，在镇定系统的同时甚至可以得到未知参数的估计；内模原理可以用来处理一类结构已知的干扰，多用在调节问题当中；滑模控制和高增益控制采用的是“干扰压制”的策略，总是需要假设干扰具有某种有界性。鲁棒控制的主要思想是，在保持系统原有性能的前提下，使控制器对模型不确定敏感性最小。它的设计是以“最差的情况”为基础，因此丢掉了“最优性”。
提到干扰处理，不得不提的一个方法是近年来逐渐流行起来的自抗扰控制。该方法采用在线估计、消除干扰的主动控制策略，可以处理一大类控制问题。虽然在干扰估计时使用了高增益，但是高增益的影响却被限制在观测器中，没有直接进入控制系统。自抗扰控制用扩张状态观测器来估计干扰，一般采用的是“干扰压制”的高增益办法。因此，扩张状态观测器需要假设干扰（确切的说是干扰的导数）有界，并且不能严格收敛到零，而是小于一个任意小的常数。这个常数由增益和干扰的大小决定。尽管没有严格地收敛到零，然而这并不妨碍自抗扰控制在实际应用中的巨大成功，对某些精度要求不高的实际问题来说，这种扩张状态观测器的收敛已经足够了。
在一些情况下，自适应控制、内模原理甚至鲁棒控制和自抗扰控制的控制机理是非常相似的。这或许就是所谓的殊途同归吧。今后我们将分别考虑这些方法，通过简单的例子来体验不同的控制机理，并改进其性能。
来决定的，因此，系统状态影响了参数的估计。另一方面，估计的参数又通过控制器影响了系统的状态。所以，系统状态的镇定过程和参数的估计过程耦合在一起，这影响了整体闭环系统的动态性能。
读者可以通过调整 g 来改变闭环系统性能。我们没有时间整理和数值模拟了，具体效果如何，读者可以自行验证。如有时间允许，我们会尽力推出其他方法的例子。近期时间太紧张，望谅解！
另外关于读者提出的证明e是无理数的事情，我们也会尽力给出。
閱讀更多 數學與控制論學習筆記 的文章
