基于凸多面体不确定网络化系统的鲁棒无源滤波

研究一类同时具有时变时延和测量数据丢失的不确定网络化系统的鲁棒无源滤波器设计问题。时变时延假设在一个已知的界内随机变化。测量数据的丢失是随机发生的,假设满足Bernoulli分布随机序列。采用线性矩阵不等式方法,给出了全阶和降阶的鲁棒无源滤波器存在的充分条件。所设计的滤波器使得滤波误差系统是均方指数稳定并满足给定的无源指标。最后数值仿真表明所提方法的有效性。     

具有分布时滞的随机区间系统的鲁棒镇定

研究了具有分布时滞的随机区间系统的鲁棒镇定问题.利用区间矩阵的分解技术、Lyapunov-Krasovskii泛函及It公式,得到了该系统鲁棒镇定的时滞依赖的非线性矩阵不等式判据,进而给出了该系统在不同情形下鲁棒镇定或鲁棒稳定的时滞依赖的线性矩阵不等式(linear matrix inequality,LMI)判据.通过数值仿真说明了所得的LMI判别在实际应用方面的方便性和有效性.     

具有稳定度约束的随机系统H∞滤波器设计

系统的暂态速率与系统的极点位置有关,怎样在保证系统快速收敛的前提下进行滤波器的设计是一个值得研究的问题.将H∞滤波器的设计问题与系统的收敛速度相结合,讨论一类具有稳定度约束条件的连续时间随机线性系统的鲁棒H∞滤波器设计,并利用线性矩阵不等式组(LMIs)给出该类滤波器存在的充分必要条件,最后,通过一个仿真实例来验证我们所得结果的正确性.     

基于对角载入的鲁棒自适应波束形成算法

作为一种梯度自适应波束形成算法,LMS算法因简单有效而得到广泛的应用.但是在存在偏差的情况下,LMS算法的性能较差.针对上述问题,考虑信号方向向量的偏差对LMS算法性能的影响,提出了一种基于对角载入的鲁棒约束LMS算法,并对算法的对角载入因子和收敛性能进行了分析,给出了保证算法收敛的步长取值范围.该算法利用对角载入的特性,可有效的抑制各种偏差所带来的影响,收敛速度快,抗扰动性强,对信号方向向量的偏差具有较强的鲁棒性,从而可以保证阵列输出的信干噪比接近最优值.仿真实验表明,与传统约束LMS算法相比,基于对角载入的鲁棒自适应波束形成算法具有很好的性能.     

基于子系统重构的鲁棒滤波算法及其应用

复杂环境下航天器姿态确定系统存在系统参数不确定性,并且可能存在观测数据的间断丢失情况.对此,本文研究了一种新的鲁棒滤波算法.该算法采用线性预测子系统重构补偿丢失的观测信号,并利用其参与到测量更新阶段,采用极小极大理论推导出具有观测数据丢失的不确定性系统的鲁棒状态估计的递推形式.将该方法用于复杂环境下的航天器姿态确定系统中,通过仿真验证了算法的有效性.     

基于粒子群的状态反馈控制特征向量的配置

状态反馈控制特征结构的配置分为特征值的配置和特征向量的配置,在特征值已经确定的情况下,特征向量矩阵的条件数对于系统鲁棒稳定性有着直接的影响.因此以减小特征向量矩阵的条件数为直接目的对特征向量进行配置,是提高系统鲁棒稳定性的最直接的办法.由于在状态反馈控制中特征向量的配置存在自由度,因此以特征向量矩阵的条件数为适应度函数,采用粒子群算法进行优化.同时针对粒子群算法中存在的后期收敛速度慢,搜索精度不高,并可能陷入局部极值的缺陷,对粒子浓度进行调节以保持粒子的多样性,防止算法陷入局部极值.同时建立优秀粒子记忆库,克服粒子群算法后期收敛速度慢的缺点.最后通过实例将改进后的粒子群算法与其它算法进行了比较,验证了本算法对于减小特征向量矩阵的条件数和提高系统鲁棒稳定性的优越性.     

部分转移概率未知的Markov跳变系统鲁棒故障检测

针对部分转移概率未知的Markov跳变系统,研究了其鲁棒故障检测问题,设计了该系统的线性全阶鲁棒故障检测观测器。将自由连接权矩阵引入鲁棒故障检测观测器系统进行证明推导,极大地降低了固定连接权矩阵带来的保守性。通过构造Lyapunov函数,推导得出一系列线性矩阵不等式以确保鲁棒故障检测观测器系统随机渐近稳定。在此基础上,证明并给出了观测器存在的充分条件。进一步,优化所设计的观测器。数值仿真表明,所设计的鲁棒故障检测观测器不仅对故障具有较高的灵敏度,而且能确保对未知干扰输入有较强的鲁棒性。     

超机动飞行的非线性鲁棒自适应控制系统研究

针对飞机模型中存在气动参数不确定性以及外界干扰等影响因素,设计了一种超机动飞行的非线性鲁棒自适应控制系统。控制系统设计过程中,模型不确定性和外界干扰由RBF神经网络在线补偿,控制律及神经网络权值自适应律由反步法得到。解决了系统中控制增益矩阵未知,同时存在外界干扰情况下的鲁棒飞行控制系统设计,并证明了闭环系统所有信号有界,系统跟踪误差和神经网络权值估计误差指数收敛到有界紧集内。对所研究的飞行控制系统进行了过失速Herbst机动仿真,结果验证了该系统在过失速机动条件下具有良好的控制性能。     

遗传算法的Markov链分析与收敛速度估计

主要利用Ｍａｒｋｏｖ链讨论一类遗传算法（简称ＧＡ）的ｒ阶收敛性与收敛速度．首先介绍了ＧＡ的Ｍａｒｋｏｖ链状态空间的分类,按此分类,证明了Ｍａｒｋｏｖ链的一步转移概率矩阵为下三角矩阵,进而分析了ＧＡ的ｒ阶收敛性及其它形式的收敛性．最后讨论了ＧＡ的收敛速度．     

凸多面体不确定随机时滞系统的非脆弱鲁棒镇定

针对具有凸多面体不确定性的随机时滞系统，讨论了非脆弱鲁棒指数镇定问题，其中非脆弱控制器中的不确定性采用的是凸多面体不确定描述。基于Lyapunov直接法，采用了与参数相关的Lyapunov krasovskii泛函，并结合自由权矩阵方法, 使得Lyapunov矩阵与系统矩阵分离，从而获得了系统的完全基于线性矩阵不等式的时滞相关非脆弱鲁棒镇定的充分条件。最后,用例子说明了结果的有效性。     

带丢包和量化的参数不确定系统滚动时域估计

针对网络化系统中丢包、量化和参数不确定性对状态估计的影响,提出一种带有预测补偿机制的鲁棒滚动时域估计算法。将丢包现象描述为概率已知的随机Bernoulli序列,并利用丢失数据的预测值进行丢包补偿,将数据量化引入的量化误差描述为观测方程中的一个有界不确定参数,将模型的不确定性描述为系统矩阵受到随机扰动,基于滚动优化策略,考虑量化和模型不确定性影响最严重的情况,通过滚动求解一个min-max问题得到最优状态估计器。对所提算法进行稳定性分析,推导了估计误差范数平方期望的一个上界函数,给出了估计误差范数平方期望收敛的充分条件。最后,通过仿真验证了所提算法的有效性。     

基于2D模型的网络系统迭代学习控制设计方法

迭代学习控制(iterative learning control, ILC)方法应用于网络控制系统时,由于数据需要在控制器和远程对象间传输经常产生数据丢失现象。给出了一种存在数据丢失时网络系统的随机迭代学习控制设计方法,首先将数据丢失现象描述为随机伯努利序列,在此基础上将迭代学习的控制器设计转化为随机〖JP2〗2D Roesser系统的稳定问题。定义了随机意义下2D系统的均方渐进稳定,基于线性矩阵不等式(linear matrix inequality, LMI)给出一个判别稳定性的条件,该条件同时可实现迭代学习控制器的设计。仿真示例验证了设计方法的有效性。     

A Novel Networked Predictive Control Method for Systems with Random Communication Constraints

This paper presents a novel observer-based predictive control method for networked systems where random network-induced delays, packet disorders and packet dropouts in both feedback and forward channels are considered. The proposed method has three significant features: i) A concept of destination-based lumped(DBL) delay is introduced to represent the combined effects of random communication constraints in each channel; ii) in view of different natures of the random DBL delays in the feedback and forward channels, different compensation schemes are designed; and iii) it is actual control inputs rather than predicted ones that are employed to generate future control signals based on the latest system state estimate available in the controller. For the resulting closed-loop system, a necessary and sufficient stability condition is derived, which is less conservative and also independent of random communication constraints in both channels. Simulation results are provided to demonstrate the effectiveness of the proposed method.     

#br# 不确定参数快估反演自适应最优L2增益控制

为了加快参数自适应律微分方程求解速度和状态变量的稳定收敛速度,通过改进常规反演自适应L2增益控制算法和引入线性矩阵不等式(linear matrix inequality,LMI),实现了参数自适应律微分方程只需一步积分运算即可求解,简化了不确定参数自适应律计算求解,并保证了L2增益系数最小,给出了不确定参数快估反演自适应最优L2增益控制（rapid back stepping adaptive optimal L2 control, OP-L2-RBAC）的通式。军用电站谐波励磁系统的控制仿真结果表明,相对于传统反演自适应L2增益控制,该方法可加强军用电站励磁系统的动态稳定性。     

Data-based predictive control for networked nonlinear systems with packet dropout and measurement noise

In this paper, the data-based control problem is investigated for a class of networked nonlinear systems with measurement noise as well as packet dropouts in the feedback and forward channels. The measurement noise and the number of consecutive packet dropouts in both channels are assumed to be random but bounded. A data-based networked predictive control method is proposed, in which a sequence of control increment predictions are calculated in the controller based on the measured output error, and based on the control increment predictions received by the actuator, a proper control action is obtained and applied to the plant according to the real-time number of consecutive packet dropouts at each sampling instant. Then the stability analysis is performed for the networked closedloop system. Finally, the effectiveness of the proposed method is illustrated by a numerical example.     

Markov 跳变系统输出峰值控制

针对具有时间演化和事件驱动两类动态机制的Markov线性跳变系统,研究其被控输出的峰值控制问题,当系统外部输入能量有界时,保证系统输出的峰值在给定的上限内.从工程实现的角度,利用随机稳定性分析,以一种次优的峰值指标代替最优性能,反馈控制器的构造依赖于系统模态,可直接利用耦合线性矩阵不等式求解.仿真示例对结果进行了验证,并对比讨论了应用鲁棒控制思想的控制器设计情形,说明模态跳变转移信息对系统指标与控制的影响.     

阵列天线干扰抑制的一种改进遗传算法

提出了一种阵列天线干扰抑制的改进遗传算法,在射频端基于功率判决直接通过调节权系数进行波束合成,可以有效地抑制与信号方向不同的干扰。该算法引入嫁接遗传算法的基本思想,采用一个交叉矩阵来确定每一代每一个个体的交叉概率,避免了基本遗传算法过早收敛的缺点,提高了收敛性能。计算机仿真实验表明了该算法的有效性和鲁棒性。     

严格区域稳定的模型参考自适应控制器设计

针对模型参考自适应控制的区域稳定性问题,采用Lyapunov直接法分析参数收敛与系统跟踪误差之间的关系。通过对系统误差项与参数估计项之间能量转移过程的描述,说明常规的区域稳定自适应控制器尚未充分考虑因估计参数振荡引起系统失稳的可能性。为此,提出一种简洁有效的区域稳定控制器设计方案,根据系统跟踪误差大小动态引入增益动态调整的鲁棒控制项,有效消除了控制中潜在的不稳定因素。基于SISO非线性系统的仿真研究验证了所提方案的有效性。     

区间可调节的变增益加速迭代学习控制

为加快迭代学习控制律的收敛速度,针对线性时不变系统,以P型、D型学习律为例,提出了区间可调节的、具有指数加速、含反馈信息的迭代学习控制算法。首先,根据每次学习效果,确定下一次迭代需要修正的区间并在该区间内修正控制律增益;其次,分析了所提算法的收敛性并给出其收敛条件;最后,理论结果表明收敛速度主要取决于被控对象、控制律增益、修正指数和学习区间的大小。相同仿真条件下,与传统算法相比,所提算法具有更快的收敛速度。