基于卡尔曼滤波的迭代学习控制方法研究

针对一类非线性欠驱动机械系统在干扰环境下动态性能变差的问题,提出了一种基于卡尔曼滤波器的遗忘因子型迭代学习控制律,以实现闭环系统的稳定控制和干扰抑制。首先,将卡尔曼滤波器作为系统的状态观测器,在含有随机噪声干扰的情况下,估计系统的最优状态;其次,通过设置自适应遗忘因子来动态适应迭代学习过程中的误差变化,使系统快速收敛并准确跟踪参考轨迹,实现运动过程中重复干扰信号的抑制;最后,以Quanser公司生产的柔性尺为实验平台来研究非线性欠驱动被控对象实际系统的控制方法,并对所提方法分别进行理论数值仿真与实物实验验证。仿真及实物实验结果表明,本文提出的控制方法可以保证被控系统稳定运行,当环境中存在随机非重复性噪声或重复性干扰时,被控系统都可以保持良好的鲁棒性。     

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。     

控制时滞系统的遗忘因子迭代学习算法研究

提出遗忘因子是关于迭代次数的函数,简化了传统遗忘因子迭代学习控制算法的收敛条件,并给出了收敛性分析.将改进收敛条件的遗忘因子迭代学习控制算法应用于一类带控制时滞的线性系统,给出了仿真实例.仿真结果表明,在改进的收敛条件下,合理地选择遗忘因子函数,带遗忘因子的PD型迭代学习控制算法在研究的控制时滞线性系统应用之下具有一定的有效性和优越性.     

欠控制方向的非线性系统自适应迭代学习控制

针对控制方向未知且具有周期扰动的非匹配非线性系统, 提出了一种自适应迭代学习控制策略. 控制算法具有以下3个特点:不需要控制方向的先验知识; 能够对系统的周期不确定性进行在线学习; 能够克服系统的非匹配不确定性. 随着迭代学习次数的增加, 系统跟踪误差渐近收敛于零. 仿真结果表明了控制算法的可行性和有效性.     

并联有源滤波器的迭代学习控制方法及其设计

在系统存在非线性负载下,谐波电流呈现激烈波动并存在许多不连续点,对有源滤波器设计高性能的电流跟踪控制器是非常重要的。基于传统设计的控制器,在不连续点处性能有限,同时要求控制器增益高,但高增益控制器易引起系统的高频振荡甚至不稳定。由于在非线性负载下所需补偿的谐波电流为周期性,利用迭代学习控制的学习特性,设计三相并联有源滤波器,可以有效的避免控制器的高增益现象,同时提高电流追踪性能,大大减小了谐波总畸变率,功率因素也得以提高。实验制作的以DSP为控制CPU实现迭代学习控制器的系统中,运行结果表明本文方法效果良好。     

基于克隆选择算法的优化迭代学习控制

将改进的克隆选择算法用于求解迭代学习控制中的优化问题,提出一种基于克隆选择算法的优化迭代学习控制.通过一个特殊设计的高斯变异操作,采用实数编码的克隆选择算法不但可以解决迭代学习控制中的非最小相位和非线性问题,而且可以很好地处理系统输入的约束问题.此外,由于更多的先前信息被编码进克隆选择算法中,减小了搜索空间,从而大幅提高了算法的收敛速度.仿真结果表明,对于所选线性和非线性被控对象该策略都能够取得满意的收敛效果.     

带遗忘因子的PD型迭代学习控制算法研究

摆脱传统遗忘因子迭代学习控制算法的算子估计证明方法,提出了遗忘因子是关于迭代次数的函数,简化了收敛条件,并给出收敛性证明和仿真实例.仿真结果表明,在本文改进的收敛条件之下,带遗忘因子的PD型迭代学习控制算法具有有效性,相比于通常算法,遗忘因子算法得到的误差跟踪曲线更平滑,在迭代误差跟踪方面具有一定的优越性.     

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.     

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。     

基于T-S模型的离散非线性系统的迭代学习控制

针对离散T-S模糊系统的轨迹跟踪控制问题,提出了基于离散Legendre正交多项式的迭代学习算法.该方法利用离散Legendre正交多项式展开技术及其移位运算矩阵,导出了系统基于离散Legendre多项式展开的近似模型,建立了输入量与输出量之间的代数方程约束关系.在此基础上,用迭代学习的方法可修正输入量的Legendre多项式系数,所得算法可用于具有任意相对阶的离散非线性系统.仿真实例表明了该算法的有效性.     

基于柔性迭代学习控制的专家系统研究与应用

对于难于建模的复杂系统,专家系统可以显著改善控制效果,但不同的系统需要的知识库各不相同,给专家系统的建立带来了困难.迭代学习控制可以不依赖系统的数学模型,利用以前控制周期的参数自动生成经验知识,建立专家系统;同时考虑被控系统中所具有的不确定性,因此提出具有柔性特点的迭代学习控制ILC控制器;运用柔性ILC建立的专家系统对空调进行控制,可以达到理想的控制效果.     

非线性时滞系统的智能迭代学习控制

针对一类单输入单输出非线性时滞系统,提出了一种自适应神经网络迭代学习控制方案,神经网络用来逼近未知非线性函数和未知非线性时滞函数,放宽了传统迭代学习控制对非线性函数和非线性时滞函数的限制,拓展了迭代学习控制的应用范围．采用Lyapunov—Krasovskii函数和利用反演（Backstepping）技术设计神经网络学习律和控制律,基于Lyapunov稳定性理论,证明了闭环系统所有信号半全局一致最终有界,通过调节设计参数可以实现对目标轨线任意精度的跟踪．     

GPS 定位中扩展卡尔曼滤波和基于 Bancroft 算法的2步滤波法的比较分析

GPS 定位中常用的线性卡尔曼滤波模型的精度不能完全满足要求。为此,介绍了非线性卡尔曼滤波常用的扩展卡尔曼滤波（EKF）和基于 Bancroft 算法的2步滤波法。算例分析表明,基于 Bancroft 算法的2步滤波法较优。     

网络控制系统中迭代学习控制算法的鲁棒收敛性分析

针对网络控制系统中受输入扰动和初态干扰的非线性系统,提出了一种迭代学习控制算法,讨论了输出数据丢失情况下系统输出对期望轨迹的跟踪问题。采用一个概率已知的随机贝努利序列来描述网络控制系统中的数据丢失现象,即如果输出数据没有丢失,则利用跟踪误差来修正上一次迭代学习时的控制量,从而获得系统当前控制量;如果存在输出数据丢失现象,则系统当前控制量保持上一次迭代时的控制量不变。给出了保证算法收敛的充分条件。从理论上证明了系统满足给定的收敛条件时,在数据丢失网络环境下具有输入扰动、初态扰动的被控系统随迭代学习次数的增加,系统输出除初始点以外都能够收敛于期望轨迹。通过仿真算例进一步验证了所提方法的有效性。     

迭代无迹Kalman粒子滤波的建议分布

对非线性非Gauss系统,粒子滤波是一种有效的状态估计方法。粒子滤波的关键是建议分布的选择,好的建议分布会改进粒子贫化和样本耗尽等粒子滤波存在的普遍问题。该文用迭代无迹Kalman滤波产生粒子滤波的建议分布,提出了一种新的粒子滤波算法——迭代无迹Kalman粒子滤波。给出的建议分布将最新的观测融入样本过程并修正该过程,从而改进了滤波性能。数值模拟结果表明,提出的算法与常用的无迹粒子滤波、扩展Kalman粒子滤波相比,具有数值稳定、估计结果精确的优点。     

基于卡尔曼滤波的含噪声小样本数据处理方法

提出一种基于卡尔曼滤波和扩展卡尔曼滤波的小样本噪声数据处理方法. 首先, 通过物理模型或经验公式建立系统模型. 然后, 利用系统模型预测模型数据. 最后, 采用观测数据修正模型数据, 达到平滑数据噪声的效果. 实验结果表明, 对于BC500耐候钢腐蚀增重数据, 用差分整合移动平均自回归(autoregressive integrated moving average, ARIMA)模型和随机森林(random forest, RF)模型进行腐蚀增重预测时, 经卡尔曼滤波降噪后, 决定系数$R^2$平均提升6.4%, 而经扩展卡尔曼滤波降噪后, $R^2$平均提升4.9%, 验证了本方法的有效性.