一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。     

城市路网的一种最优路径搜索算法

为了在城市路网中搜索最优路径,建立了一种限制搜索区域的时变权重有向图模型。在限制搜索区域上,模型首次引入了搜索方向因素,综合考虑三个因素:时变的车流密度、定常的空间距离以及搜索方向,更加符合城市路网实际交通状况。进一步,给出了相应的最优路径搜索算法。与传统的城市路网最优路径搜索算法相比,所提算法有两个优点:(i)缩小了搜索范围,进而降低了计算量;(ii)根据不断变化的交通流自适应地选取最优路径,保证了最终所选路径在当时所处环境下是最优的。仿真实验证明了该模型算法的有效性、自适应性和实时性。     

不确定机械臂的组合自适应迭代学习轨迹跟踪

针对一类同时含未知时变和未知定常参数、并带有可重复时变干扰的不确定机械臂系统,为精确跟踪期望轨迹并加快跟踪误差的收敛速度,提出了一种具有抗扰能力的机械臂组合自适应迭代学习控制算法.对未知定常参数和未知时变参数,分别采用时域和迭代域的参数自适应迭代学习律,并基于估计参数设计了机械臂的自适应迭代学习轨迹跟踪控制律.利用相似李亚普诺夫函数证明了轨迹跟踪误差的收敛性.针对二自由度关节式机械臂的仿真结果表明,应用所提算法可实现精确的轨迹跟踪,并加快迭代学习的收敛速度.     

城市交通控制与诱导协同的双层规划模型

为了均衡城市交通流的时空分布,以定时控制与战略诱导协同为研究对象,提出了一种城市交通控制与诱导协同模型.首先,建立了双层规划模型,上层模型以交叉口车均延误最小为目标,嵌入不同相位模式的定义约束,以实现信号控制优化;下层模型为用户均衡模型,引入虚拟路段表示交叉口延误对交通流分配的影响.然后,提出了一种启发式迭代优化算法对双层规划模型进行求解,其中,上层模型应用遗传算法求解,下层模型应用迭代加权法求解.算例研究结果表明:该协同模型减少了路网中的总旅行时间,解决了交叉口车均延误时间较多的问题,可实现城市交通流的时空均衡分布.     

参数未知一类系统的模糊自适应控制

采用多模型自适应控制的方法，针对参数未知的线性随机系统提出了一种模糊控制算法，其控制信号兼有辨识与控制两方面的作用。该算法可在较大程度上把控制和估计分离开，适合于实时控制。仿真结果显示了该算法的有效性。     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

一类参数周期未知的自适应广义投影同步

针对一类时变参数周期未知的自适应广义投影同步问题,提出了基于切换逻辑的周期辨识算法.该算法首先假定已知时变参数周期,设计控制器和时变参数自适应律.然后设计合理的切换逻辑,通过判定相邻两次迭代的平均误差定位时变参数周期范围,再通过累积跟踪误差定位时变参数周期,最终完成两个混沌系统的投影同步.通过构造Lyapunov-Krasovskii泛函,证明了系统的跟踪误差收敛于零,而且保证所有信号均有界.仿真结果说明了算法的有效性.     

运用改进差分进化算法辨识Hammerstein模型

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。     

基于去伪策略的间歇过程自适应迭代学习

针对间歇聚合反应的质量控制问题,设计一种双层迭代学习的控制结构:外层面向批次间可测的终点质量指标采用基于在线式最小二乘支持向量机的终端质量学习控制,为内层控制提供最优的设定值;对于内层面向批次内可测的过程变量,提出基于去伪策略的自适应迭代学习控制方案,可以较好地解决批次间温度设定值发生改变的问题,提高内层控制鲁棒性。内层控制方法具体如下:首先给出基于共轭梯度法的改进去伪控制算法,然后将改进的去伪控制算法应用于迭代学习的控制框架中,利用去伪算法的实时自适应能力来调整内层迭代学习控制的控制器参数,并以闭环P型迭代学习控制算法为基础推导去伪迭代学习控制器参数自适应律的数学描述。最后,将本文的方法应用于典型的间歇聚合反应过程。仿真结果表明:该方法具有良好的控制效果,在一定程度上可以克服传统迭代学习算法要求参考曲线在迭代过程中保持一致的缺点,而且具有较快的收敛速度。     

大时滞系统全参数自适应预测控制策略

针对大时滞系统纯滞后时间长、参数时变的特点,提出一种基于改进的粒子群优化的自适应预测控制算法.利用改进的粒子群优化算法对时变大时滞系统模型的全部参数进行辨识,从而克服预测模型失配对系统控制性能的影响,并且将粒子群优化算法用于预测控制滚动寻优,有效解决系统存在约束条件下的最优值求解问题.仿真结果验证所提方法的有效性和优越性.     

一种新的重叠混沌信号盲分离算法

提出一种基于粒子滤波（particle filtering,PF）的重叠混沌信号盲分离算法,该算法依据混沌动力学系统的状态空间模型,把重叠混沌信号盲分离问题转化为混沌信号和系统参数的联合估计问题,利用PF方法估计各信号以及系统参数的联合后验分布,再由联合后验分布实现各信号以及系统参数的估计.在PF算法中利用核平滑的方法实现了非时变参数的迭代估计,并通过自适应迭代算法对加性高斯噪声进行了估计.仿真实验的结果表明,该算法能有效地解决重叠混沌信号的盲分离问题.     

高速公路交通流的RBF神经网络建模

在对城市高速公路交通流模型深入研究的基础上 ,针对在不同环境以及时变系统中对复杂非线性大系统的控制 ,提出了一种改进的快速 RBF神经网络算法对交通流进行建模 ,克服了传统的数学模型对交通非线性大系统建模时泛化能力差的缺陷 .该算法是采用 APC- 单路径聚类算法确定 RBF神经网络结构参数的一种快速 RBF神经网络算法 ,网络训练速度快 ,效果良好 ,对实现交通流的在线建模与控制有重要意义 .文中进行了计算机仿真研究 ,结果表明了方法的有效性     

基于自适应迭代学习控制的MPC系统经济性能设计

针对模型预测控制(model predictive control,MPC)系统经济性能设计问题,结合自适应迭代学习控制的设计思想,提出了一种自适应步长迭代学习控制(adaptive step iterative learning control,ASILC)策略。该策略将系统变量方差与控制器参数之间的关系近似成离散的线性区间组合,并借助上一步迭代的过程信息,自适应地更新迭代步长,逐步使系统的经济性能达到最优。将该方法应用于乙烯裂解炉控制系统中,仿真结果表明:与迭代学习控制方法相比,ASILC能更快地收敛到最优工作点附近,得到最优经济性能下的控制器参数λ,经过7次优化迭代后经济性能目标值提高了28.92%。     

基于MFD的路网宏观交通状态及影响因素研究

从城市路网交通管理与控制的需求出发,引入交通流宏观基本图(MFD)模型,基于实测和仿真数据,开展对北京市西三环实际路网的宏观交通状态、时变特征以及影响因素研究.文中首先介绍了MFD模型及其矢量算法,利用实测数据建立西三环路网的MFD,基于Van Aerde模型标定路网交通流特征参数,对比分析路网平均流量-平均密度关系的时段分布差异,并得到宏观交通流的"磁滞现象";其次,证明了交通密度分布的不均衡性是影响路网宏观交通状态的根本因素;最后,利用Integration仿真研究了路网结构、交通需求以及出行路径对路网车流密度分布、宏观交通状态及其变化趋势的影响,以期为宏观交通控制、拥堵治理措施的制定提供决策支持.     

PMLSM伺服系统的特征模型与自适应迭代学习控制

针对PMLSM伺服系统的位置跟踪控制问题,提出一种基于特征模型的自适应迭代学习控制方案。由分析可知,在"id=0"的控制策略下,该系统是一个六阶线性定常系统。结合特征模型理论,给出了该系统的一阶、二阶和三阶特征模型,其特征参数沿时间轴和迭代轴均是变化的。采用遗忘因子最小二乘迭代学习辨识与最小方差控制方法,给出一种基于特征模型的带饱和限幅自适应迭代学习控制方案。仿真结果表明,提出的学习控制方案能够实现系统输出对期望位置的轨迹跟踪。     

一种新的时变时滞系统控制方法

把一种新的能在线估计时变时滞系统参数的辨识算法与内模控制相结合,提出了时变时滞系统自适应内模控制算法．理论分析及仿真结果表明,该方法能够克服时滞及参数的变化,具有鲁棒性好、抗干扰能力强等特点,优于Ｓｍ ｉｔｈ 预估控制器．     

多通道电液伺服系统的变结构自适应控制

针对多通道电液位置伺服系统存在的参数时变，通道间的耦合作用和外干扰等特点，提出了一种模型跟随变结构自适应控制方法，该系统具有较高的伺服跟踪精度和较强的鲁棒性，无需在线辨识。     

基于模拟退火粒子群算法的飞机气动参数辨识

针对飞机气动参数辨识中如极大似然法等常规方法存在收敛慢、对初值敏感或数学形式复杂等缺点,讨论了模拟退火粒子群算法及其在气动参数识别中的应用,该方法主要辨识策略是一次采集多次迭代,增强了粒子群算法的收敛性和全局性.对某飞机纵横向气动参数辨识进行了仿真研究,结果表明模拟退火粒子群算法对飞机气动参数辨识问题行之有效,并且在扩展搜索空间上,比基本粒子群算法和自适应粒子群算法更有优势.     

船舶操纵的高斯势函数神经网络PID控制器研究

针对船舶操纵这种非线性、时变参数控制对象,提出了一种采用高斯势函数神经网络的自适应PID控制系统,该系统由2个高斯势函数神经网络组成,其中一个用于船舶运动模型的辨识,另一个用于PID学习控制。文中还提出了广义递归最小二乘学习算法,以便加快网络训练速度。船舶操纵的仿真结果表明此法明显优于传统的PID控制器。     

基于RBF神经网络的伺服系统模型参考自适应控制

为进一步提高控制质量,提出一种RBF神经网络模型参考自适应控制策略,设计出伺服系统的控制方法,并给出RBF神经网络辨识模型参数的学习过程.仿真结果表明采用该策略控制效果良好,完全满足控制要求.