1.基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，包括以下步骤：步骤S1：建立载人潜水器的动力学模型；

步骤S2：利用所述动力学模型，设计洋流速度估计器，得到洋流干扰估计值，基于动力学模型和洋流干扰估计值设计干扰观测器，根据干扰观测器得到除洋流干扰以外的干扰估计值；

步骤S3：根据动力学模型定义潜水器位置和欧拉角的跟踪误差，根据跟踪误差设计虚拟控制量，根据跟踪误差和虚拟控制量定义虚拟控制误差，对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器；

步骤S4：根据所述潜水器推力控制器建立控制分配代价函数，根据控制分配代价函数并利用神经网络对推进器推力进行优化分配。

2.如权利要求1所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S1中，所述载人潜水器的动力学模型为：其中：

‑1 ‑1

f(η，v)＝‑(MRB+MA) (cRB(v)+CA(v)+D(v))v‑(MRB+MA) G(η)，d′表示潜水器受到的除洋流以外的干扰，v表示为潜水器系统的线速度和角速度向量，‑1

vr＝v‑J (η)vc表示潜水器与洋流的相对速度，η表示潜水器系统的位置和姿态角向量，J(η)表示为机体坐标系到惯性坐标系的转移矩阵，vc表示为惯性坐标系下洋流速度向量，MRB表示为刚体惯性矩阵，MA表示为附加惯性矩阵，CRB(v)表示为刚体向心和科里奥利矩阵，D(vr)表示为阻尼矩阵，CA(vr)vr表示流体向心和科里奥利矩阵，G(η)表示为机体坐标系下重8

力和浮力的合力， 为推力配置矩阵，是6行8列的实数矩阵，τ∈R为各推进器产生的实际推力，是8行的实数向量。

3.如权利要求2所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S2中，所述洋流速度估计器的表达式为：其中vc是洋流速度， 是洋流速度的估计值， 是位置估计误差， 为潜水器位置估计值，KI和KP是正定对角矩阵。

4.如权利要求3所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S2中，所述干扰观测器的表达式为：其中，是对洋流相关干扰D的估计值， 是对除洋流干扰以外的干扰D′的估计值，z是干扰观测器内部状态向量，L是干扰观测器增益矩阵，L＝diag([l1，l2，l3，l4，l5，l6])，p为DOB的一个中间量，表示待设计的非线性函数。

5.如权利要求4所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S3中，所述潜水器位置和欧拉角的跟踪误差为：e1＝η‑ηd

其中，ηd是期望轨迹，η表示潜水器系统的位置和姿态角向量。

6.如权利要求5所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S3中，所述虚拟控制量为：其中，c1＞0是可调整的参数；J(η)表示为机体坐标系到惯性坐标系的转移矩阵；

所述虚拟控制误差为：

e2＝v‑α1

其中，v表示为潜水器系统的线速度和角速度向量。

7.如权利要求6所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，步骤S3中，所述对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器方法包括：

步骤S31：对所述动力学模型的第一个子系统即 定义Lyapuonv函数如下：步骤S32：对所述动力学模型的第二个子系统即 定义Lyapuonv函数如下：

步骤S33：对V2求导得到

步骤S34：为使 设计推力控制器u为：其中，c2＞0是可调整的参数， 是对洋流相关干扰D的估计值， 是对除洋流干扰以外的干扰D′的估计值。

8.如权利要求7所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，所述控制分配代价函数为：

T T

F＝τW1τ+sW2s

T

其中W1、W2为非负定对角矩阵，s＝u‑Bτ是实际输出控制量与期望控制量的误差，τ为实T

际推力的转置矩阵，s为误差转置矩阵；

约束条件为：

τmin≤τ≤τmax。

9.如权利要求8所述的基于干扰精细估计与神经网络的潜水器控制方法，其特征在于，所述根据控制分配代价函数并利用神经网络对推进器推力进行优化分配的方法包括：将控制分配代价函数转换为如下形式：T T

minimize F＝τHτ+2cτ+ksubject to g(τ)≤0T

其中，H＝W1+BW2B， P＝diag([1，1，1，1，1，1，1，1])，Q＝diag([‑1，‑1，‑1，‑1，‑1，‑1，‑1，‑1])，Tmax＝[τmax τmax τmax τmax T

τmax τmax τmax τmax]，T

Tmin＝[τmin τmin τmin τmin τmin τmin τmin τmin]；

对上式使用如下神经网络：

+ + + + +

其中(h+g)＝[(h1+g1) ，(h2+g2) ，...，(h8+g8) ]，(hk+gk) ＝max{hk+gk，0}，k‑1，2，……

8，h为神经网络内部状态向量；g为g(τ)；hk为向量h的第k项；gk为向量g的第k项；为梯度；

基于神经网络的输出，得到推进器推力优化分配的结果。

10.一种基于干扰精细估计与神经网络的潜水器控制系统，其特征在于，包括：模型建立模块，用于建立载人潜水器的动力学模型；

估计值计算模块，用于利用所述动力学模型，设计洋流速度估计器，得到洋流干扰估计值，基于动力学模型和洋流干扰估计值设计干扰观测器，根据干扰观测器得到除洋流干扰以外的干扰估计值；

潜水器推力控制器建立模块，用于根据动力学模型定义潜水器位置和欧拉角的跟踪误差，根据跟踪误差设计虚拟控制量，根据跟踪误差和虚拟控制量定义虚拟控制误差，对载人潜水器的动力学模型定义Lyapuonv函数，根据洋流干扰估计值和除洋流干扰以外的干扰估计值，结合所述虚拟控制误差和Lyapuonv函数得到潜水器推力控制器；

优化模块，用于根据所述潜水器推力控制器建立控制分配代价函数，根据控制分配代价函数并利用神经网络对推进器推力进行优化分配。