避免二阶导数计值的迭代族的收敛性

从带一个参数的迭代族出发,构造了一族避免二阶导数计值的带两个参数的迭代族,并给出这族迭代法的收敛理论.     

斯蒂芬森-牛顿类迭代法的二阶收敛性

讨论一种解非线性方程的具有变参数的不带导数的二阶收敛迭代法. 利用动力系统理论推导出该方法的迭代公式, 证明其在某些弱条件下至少是二阶收敛的, 最后给出了数值结果.     

基于神经网络参数优化的迭代学习控制算法

针对迭代学习控制用于轨迹跟踪时存在收敛速度慢的问题,提出用RBF网络优化迭代控制器参数的算法.在每一次迭代学习过程之后利用RBF网络对当次输出的数据进行优化计算,拟合出最优的学习增益,使迭代学习算法具有较快的收敛速度,在单关节机器人中进行仿真验证了方法的有效性.     

一种基于高阶内模的新型自适应迭代学习算法

本文针对一类含多个时间迭代变化参数控制方向未知的非线性离散时间系统的输出跟踪问题,提出了一种基于高阶内模的新型自适应迭代学习算法.假设多个时间迭代变化参数由不同的高阶内模所生成,本文所提出的算法借鉴了模型预测控制的思想,通过构建预测输入,将获得的当次迭代预测跟踪误差作为先验知识,应用到系统输入的控制律的设计中,从而在预...     

基于梯度PSO算法的PID参数整定

提出一种基于梯度PSO算法的PID参数整定方法.结合PSO算法迭代中的梯度信息,对惯性权重适当调整,提高了收敛速度.在算法出现停滞时,对全局最优变异,避免陷入局部最优.并提出算法微粒运动轨迹收敛的充分条件.典型测试函数结果显示,该方法能有效改善微粒群算法的搜索性能.将采用该算法的PID控制器应用于一个二阶船舶控制装置,计算结果表明该PID控制器可以获得更好的控制性能指标,具有较好的使用价值.     

基于影响函数的迭代学习算法设计及应用

针对线性离散系统的迭代学习控制问题进行了讨论,提出一种新型的迭代学习控制算法.该算法通过引入一个影响函数,实现了以前时刻控制信息对当前控制量的影响,进而采用2D理论通过对算法的收敛性分析,得到了与普通算法同样的收敛条件,但是相对于传统迭代算法由于包含了更多了控制信息,因此具有更快的收敛速度,最后的无刷直流电机以及一个二阶系统的控制效果也证实了这个结论.     

FIR型逆动态内模控制器的设计算法与特性分析

利用受控对象的脉冲响应直接设计一FIR型内模控制器逼近其逆动态,建立了求解控制器系数矢量的矩阵方程并给出了相应的求解算法.分析表明,给出的内模控制器设计算法是绝对收敛的且控制器系数是有界的,从而保证了内模控制系统的闭环稳定性.     

一族带有个参数的三阶收敛迭代方法

 提出一种求解非线性方程f(x)=0近似解问题的一族带有3个参数的迭代方法, 通过选取不同的参数值, 可以得到不同的迭代方法. 该方法不用计算函数的二阶导数即可达到三阶收敛. 收敛性分析和数值实验表明, 该方法与其他同阶收敛性质方法相比具有一定的有效性.     

基于最大灵敏度的分数阶内模控制器设计

针对分数阶控制器设计参数整定复杂的问题,提出一种基于最大灵敏度的分数阶内模控制器设计方法。采用粒子群优化算法对原系统模型进行简化处理,根据内模控制原理设计分数阶内模控制器;仅通过一个可调参数,实现分数阶内模控制器的快速整定;通过最大灵敏度指标实现分数阶内模控制器的鲁棒整定。仿真结果表明该方法具有良好的控制品质及克服参数摄动的鲁棒性。     

基于复合正交神经网络的广义通用模型自适应控制

在自适应逆控制中应用复合正交神经网络具有算法简单、学习收敛速度快等优点,将复合正交神经网络与广义通用模型控制器策略相结合,提出了一种基于神经网络的广义通用模型自适应控制方法.该控制方法中的参考轨迹为一条典型的二阶曲线,控制器参数具有明显的物理意义,参数整定方便.仿真实验验证了该控制策略的有效性.     

基于自适应迭代学习算法的FNS肢体运动控制

首先介绍FNS系统的构成及工作原理,针对肢体肌肉的非线性时变性,建立了带反馈控制器的迭代学习控制算法,即复合控制器。曩后利用FNS肢体运动控制平台,采用复合控制算法,对人体曲肘和曲腕运动时的关节运动(角位移)轨迹进行了临床实验研究。结果表明,采用该算法,不仅改善了FNS系统的跟踪性能,而且肢体运动轨迹稳定、平滑,受试者无任何不良生理反应,具有较强的自适应性。     

高速伺服注塑机成型过程预测迭代学习控制

将学习控制应用于高精密快速伺服注塑机成型过程，根据成型过程的特点设计了一个预测迭代学习控制器，并利用先前得到的系统模型对算法进行仿真．控制器由前馈和反馈控制两部分组成，引入滤波器用于增强学习控制器的鲁棒性．将预测学习控制算法在伺服注塑机上进行了实验．实验和仿真结果表明，该预测学习算法对提高成型过程的位置重复精度效果明显．     

神经网络迭代学习控制快速算法的研究

研究了非线性系统的神经网络迭代学习控制问题，为了提高神经网络学习控制的收敛速度，改进了权值的迭代学习算法，提出了一种新的训练权值方法，它以递推的方法来计算网络权值，不仅能减少计算量且收敛速度快，最后，用仿真结果对该算法作了进一步的验证。     

基于线性变参数H∞反馈的机器人迭代学习控制器设计

提出了一种基于线性变参数（LPV）H∞反馈的迭代学习控制器,用于不确定性机器人的高精度轨迹跟踪,此控制器包括反馈部分和前馈部分,其中反馈部分设计为LPVH∞控制,前馈部分设计为高阶PD型迭代学习控制,在满足一定的收敛条件下,证明了该控制器的跟踪误差界正比于系统初始误差系统输出干扰项界,仿真结果不仅验证了此控制器随机器人关节位置变化始终具有干扰衰减、鲁棒稳定的性能,而且还验证了此控制器具有高精度轨迹跟踪的性能。     

带有遗忘因子的滤波器型迭代学习直线伺服系统

针对永磁直线同步电机伺服系统,提出开闭环迭代学习控制器,实现期望直线位置的跟踪控制.分析了永磁直线同步电机的2-D模型及迭代学习直线伺服系统的收敛性.通过减小系统输入误差协方差矩阵迹的方式得到优化的遗忘因子,来修正控制输入的迭代学习律,同时采用零相位FIR数字滤波器对前馈学习控制器中的误差信号进行滤波处理.实验结果表明,带有遗忘因子的滤波器型迭代学习控制器能够保证直线伺服系统在不断的迭代学习中提高性能,有效抑制端部推力波动,系统具有很好的学习收敛速度、动态响应及控制精度.     

基于RBF网络的机械手迭代学习控制器

针对迭代学习控制用于机械手轨迹跟踪时存在的收敛速度慢的问题,提出了一种基于RBF网络的迭代学习控制器,利用先前跟踪不同期望轨迹所得的经验构造新的初始控制量以加快收敛速度.将给定的期望跟踪轨迹分解成多个查询点,然后用RBF网络对每个查询点周围最邻近的k个数据点进行拟合以建立系统的逆动力学特性估计,进而预测相应于查询点的初始控制输入.为验证所提方法的有效性,对一平面双连杆机械手进行了仿真研究.     

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。     

一类非线性系统迭代优化神经网络控制器

提出了一类非线性系统迭代优化神经网络控制器的设计方法,该是在正向神经网络辨识模型的基础上,应用迭代学习方法进行控制器设计。为了补偿辨识和迭代学习误差,给出了通过引入了反馈补偿控制器控制精度的方法,仿真结果证明了该方法的有效性。     

鲁棒高阶PD型迭代学习控制器设计

针对具有不确定项或干扰项的重复非线性时变系统，提出了一种鲁棒高阶PD型迭代学习控制器，给出了该控制器的收敛性条件，证明跟踪误差界是本次迭代学习与前次迭代学习初始值之差的界和系统输出干扰项界的线性函数，仿真与实验均表明了该方法的有效性。