带有初态学习的指数变增益迭代学习控制

针对一类非线性时变系统在有限时间区间上的轨迹跟踪问题,提出一种新的迭代学习控制算法,该算法对系统的控制输入和初始状态同时采用闭环指数变增益迭代学习律。基于算子理论,对具有任意初始状态的系统,在该迭代学习律作用下的收敛性进行严格证明,同时给出该迭代学习算法收敛的谱半径形式的充分条件。该算法与固定增益的迭代学习控制相比较,不仅加快了收敛速度,而且还解决了指数变增益迭代学习控制要求初始状态严格重复的问题。仿真结果表明了该算法的有效性。     

一类线性时变系统组合自适应迭代学习控制

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,将模型参考自适应控制方法与迭代学习相结合,提出了组合模型参考自适应迭代学习控制算法.基于Lyapunov方法推导出迭代学习控制律以及针对时变惯性参数与时不变高频增益的组合自适应参数更新律.该算法适于控制快时变系统,并使跟踪误差、参数估计误差和控制信号有界.当迭代次数趋于无穷时,跟踪误差关于有限时间区间一致收敛到零.系统仿真验证了所提控制算法的有效性.     

具有自适应非线性增益的开环PD型迭代学习控制

针对同时存在周期性干扰和随机测量噪声的一类非线性系统,提出一种基于误差幅值和误差变化率的开环PD型迭代学习非线性增益自适应算法,分别给出了比例和微分的增益调整规则,并对所提算法进行了严格的理论分析,同时推导出收敛条件。结果表明,与传统学习增益固定的开环PD型迭代学习律相比,当非线性系统同时存在周期性扰动和幅值较大测量噪声时,自适应非线性增益学习律能根据误差幅值和误差变化率在线调整比例和微分学习增益,抑制扰动和噪声,使得在学习收敛速度和收敛精度之间在某种程度上得以折中,在学习初始阶段高增益下保证了迭代学习的收敛速度,学习末了阶段小增益下具有较强的鲁棒性和收敛精度,得到的误差跟踪曲线更加平滑。     

非线性系统在任意初态下的闭环迭代学习控制

针对一类在有限时间区间上重复运行的非线性系统,提出了一种带有初态学习的闭环D型迭代学习控制算法,并利用算子理论证明了系统在任意初态条件下经过迭代学习后,其输出能够完全跟踪期望轨迹,同时得到了该算法收敛的谱半径形式的充分条件。该算法不仅解决了闭环D型迭代学习控制的初态问题,而且还放宽了收敛条件。最后通过simulink、matlab语言和S函数相结合的方法对控制系统进行了仿真,仿真结果验证了该算法的有效性。     

基于修正超指数迭代算法的双模式盲均衡算法仿真研究

收敛速度和剩余均方误差是评价盲均衡算法性能优劣的主要参数之一。超指数迭代盲均衡算法收敛速度快，但是，该算法对高阶QAM信号具有较大的剩余均方误差。针对数字无线电信道的盲均衡问题，提出了一种修正的超指数迭代盲均衡算法，该算法可校正无线电信道引入的载波相位旋转，并具有较快的收敛速度。在此基础上又提出了一种双模式盲均衡算法，该算法在收敛阶段采用修正的超指数迭代算法，之后根据某一切换准则，切换到判决导引算法，可有效减小超指数迭代算法对高阶信号的剩余均方误差。通过仿真证明了本算法的有效性。     

一类非线性系统的迭代学习控制

在一类非线性系统的闭环迭代学习控制中，对系统输入进行闭环D型迭代学习，对输入的初值采用P型迭代学习控制律，给出了它的收敛性证明，从收敛性的证明过程可以看出，这种迭代学习控制受到较小的收敛条件的限制最后用仿真结果对收敛性和收敛条件进行了验证。     

带有初始误差的机械手轨迹跟踪的快速迭代学习控制

针对具有非零初始误差的多关节机械手的轨迹跟踪控制问题,首先采用降阶变换的方式将原系统转化为低阶系统,再对低阶系统重新变换设计,该方法消除了Kawamura方法在学习过程中要求每次学习初态与期望初态一致或迭代初态固定的限制.然后提出一种新型快速迭代算法对变换后的机械手系统模型进行学习控制,充分利用了系统已存的有效信息,使系统的输出能尽快地收敛于期望轨迹.该算法相对于P型算法具有较快的跟踪收敛速度,相对于PD型算法计算过程简便易行,避免了微分运算给系统带来的不稳定影响.仿真结果表明了所提控制方案的有效性,提高了系统的实时性.     

分数阶非线性时滞系统的P型迭代学习控制

针对一类分数阶非线性时滞系统,研究其P型迭代学习控制问题。首先,根据分数微积分的基本性质并借助推广的Gronwall不等式,获得系统状态变量的范数不等式估计;然后,通过引入λ-范数,获得在开环和闭环P型迭代学习控制作用下,系统控制输入以及跟踪误差收敛的充分条件。所得结果与已有结果相比,具有更小的保守性。最后,通过数值仿真验证所提方法的有效性。     

基于偏移最小和的LDPC译码改进算法

针对目前低密度奇偶校验(low-density parity-check, LDPC)码偏移最小和(offset min-sum, OMS)算法偏移因子选取不够准确的问题, 提出了一种基于次序统计量的OMS(order statistics OMS, OR-OMS)算法。该算法使用两个不同的偏移因子对校验节点更新结果进行修正, 一个偏移因子用于修正第一最小值结果, 另一个偏移因子用于修正第二最小值结果。利用次序统计量进行理论分析, 得出最优的两个偏移因子值。所提算法使用分层调度的消息传递方式, 加快算法的收敛速度。仿真结果表明, 该算法与传统的OMS算法相比, 在误比特率(bite error rate, BER)为10^-5时所提算法译码性能可以获得约0.35 dB的增益, 平均迭代次数最多能够降低34.28%, 同时拥有更好的收敛性能。     

一般非线性离散系统的闭环迭代学习控制研究

通过对开环迭代学习控制的不足进行分析,提出了基于当前输出误差的闭环P型迭代学习控制律,针对一般非线性离散系统,给出了学习控制的收敛条件。仿真结果表明,简单的闭环P型迭代学习控制即能使非线性系统实现对期望轨线的无差跟踪。     

Adaptive adjustment of iterative learning control gain matrix in harsh noise environment

For the robustness problem of open-loop P-type iterative learning control under the influence of measurement noise which is inevitable in actual systems, an adaptive adjustment algorithm of iterative learning nonlinear gain matrix based on error amplitude is proposed and two nonlinear gain functions are given. Then with the help of Bellman-Gronwall lemma, the robustness proof is derived. At last, an example is simulated and analyzed. The results show that when there exists measurement noise, the proposed learning law adjusts the learning gain matrix on line based on error amplitude, thus can make a compromise between learning convergence rate and convergence accuracy to some extent: the fast convergence rate is achieved with high gain in initial learning stage, the strong robustness and high convergence accuracy are achieved at the same time with small gain in the end learning stage, thus better learning results are obtained.     

目标轨线迭代可变的非线性系统自适应学习控制

针对含有混合参数的非线性不确定系统,提出了一种自适应迭代学习控制方案。该方案利用Back-stepping方法和参数重组技巧相结合,可以处理目标轨线迭代可变的跟踪问题。通过引入微分-差分自适应学习律,设计了一种自适应控制策略,使得跟踪误差在一个有限区间上的积分渐近收敛于零;通过构造Lyapunov-like函数,给出了闭环系统收敛的一个充分条件。数值仿真验证了所提方法的可行性。     

一类非线性参数化系统的自适应学习控制

针对控制增益是未知时变的并含有混合未知参数的非线性参数化系统,利用将整个区间分段与反馈线性化相结合,提出了一种新的自适应学习控制方法。该方法可以处理参数在一个未知紧集内周期性快时变的非线性系统。通过引进新颖的微分-差分混合型参数自适应律,使广义跟踪误差在误差平方范数意义下渐近收敛于零。通过构造Lyapunov泛函,给出了广义跟踪误差收敛的充分条件。实例仿真结果说明了该方法的可行性和有效性。     

基于滑模观测器的非线性系统迭代学习控制

针对相当广泛的一类非线性系统有限时间轨迹跟踪问题,提出了一种基于滑模观测器的迭代学习控制算法。根据系统的非线性特性,利用一种滑模观测器对系统的状态进行估计,根据估计信号设计了一种类D型开环迭代学习控制律。这种控制方法不需要对系统的跟踪误差信号进行微分,从而对系统的量测噪声不敏感。给出了控制算法的收敛性证明,通过仿真实验证明了这种算法的有效性。     

具有控制时滞的不确定分布参数系统迭代学习控制

研究了具有控制时滞的不确定线性分布参数系统的迭代学习控制问题,允许系统在迭代过程中初始状态值存在一定偏差。提出了基于时滞已知的P型迭代学习控制算法,给出了其L²范数收敛的充分条件,并利用Green公式、以及Gronwall-Bellman不等式等从理论上进行收敛性证明。数值例子验证了该算法的有效性。     

混沌通信的非线性N-shift加密与迭代学习辨识算法

为增强混沌通信系统的保密性,讨论了非线性N-shift加密方案,从提高信号掩盖的非线性程度方面增强了混沌通信的保密性.利用迭代学习辨识方法来实现解密,完全重建信息信号,理论分析给出了学习算法关于初态误差和输出误差的鲁棒性和收敛性,推导出了学习算法关于非线性掩盖的收敛的充分条件.利用以上迭代学习辨识技术对采用复合非线性掩盖技术的蔡氏混沌通信系统进行仿真,结果说明迭代学习辨识算法可以完全重建信息信号,复合非线性掩盖具有高保密性.     

具有广泛学习策略的回溯搜索优化算法

回溯搜索优化算法(backtracking search optimization algorithm, BSA)是一种新型的进化算法。同其他进化算法类似,该算法仍存在收敛速度较慢的缺点。针对这一问题,在详细分析该算法原理的基础上,提出了具有广泛学习策略的改进算法。为了充分利用种群搜索到的较优位置,该策略首先利用提出的最优学习进化方程,通过与引入的随机进化方程之间随机选择来提高算法的收敛速度和搜索精度;另一方面,该策略利用提出的最优学习搜索方程,通过控制种群的搜索方向,促使种群尽快收敛至全局最优解。最后对20个复杂测试函数进行了仿真实验,并与其他3种目前流行的算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

基于深度强化学习的驾驶仪参数快速整定方法

针对深度强化学习方法对驾驶仪控制参数训练速度慢、奖励函数收敛性不好等问题,以三回路驾驶仪极点配置算法为核心,提出一种将三维控制参数转换为一维设计参量的智能训练方法,构建离线深度强化学习训练叠加在线多层感知器神经网络实时计算的智能控制架构,在提高深度强化学习算法的效率和奖励函数收敛性同时,确保在大范围飞行状态变化条件下控制参数的快速在线自整定。以典型再入飞行器为例,完成深度强化学习训练和神经网络部署。仿真结果表明,强化学习动作空间简化后的训练效率更高,训练得到的驾驶仪对控制指令的跟踪误差在1.2%以内。