非线性离散时间系统的迭代学习控制

针对一类非线性离散时间系统，在系统参数未知情形下，提出了一种新的开－闭环迭代学习控制律，并给出了控制律的收敛性证明和收敛条件，在新控制律中，学习增益由线性估计模型确定，因此，避免了试凑增益。由机械手实例的仿真结果及收敛性证明，表明了所提出的控制律的有效性，并对初始状态误差和参数估计误差具有良好的鲁棒特性。     

非线性时变系统开闭环PI型迭代学习控制研究

讨论了一类非线性时变系统开闭环PI型迭代学习控制算法,该算法相对于开环、闭环PI型迭代学习算法不仅能较快地跟踪期望轨迹,而且能增强学习控制的鲁棒性。给出了仿真研究实例,仿真结果验证了该算法的有效性和优越性。     

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合,提出了时 滞系统自适应内模控制算法,理论分析及仿真结果表明,该算法能克服时滞及参数的变化,具有鲁棒性好,抗干扰能力的特点。     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

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.     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数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 ,该算法能克服时滞及参数的变化 ,具有鲁棒性好、抗干扰能力强的特点     

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。     

线性时变系统的动态矩阵控制

通过对动态矩阵控制算法的研究，系统地将其从线性定常系统推广到线性时变系统，导出了ＳＩＳＯ和ＭＩＭＯ系统的时变预测控制算法，最后给出了仿真结果。     

多变量时变系统的自适应控制

将作者提出的单变量时变系统的算法推广到多变量情形,得到了多变量时变参数系统的自适应控制,同时讨论了算法的收敛性.     

球面光学零件抛光时的瞬时压强分布

把对坐标的曲面积分用于球面光学零件的压强计算，得到了瞬时压强的分布函数，分析了工艺参数及物理尺寸对压强的影响，指出了集中加载的弊端，为抛光机床的革新设计提供了依据。     

用分段线性近似时变参数的自适应控制

用一个参数分段线性化的模型近似时变系统,得到了基于最小二乘参数估计的自适应控制。该算法计算量小,容易实现在线控制。仿真结果表明,算法具有较好的跟踪特性。     

一种学习控制器及其在液压同步控制中的应用

文中将模糊推理与决策技术引入学习控制，形成了一类新的学习控制系统。分析模糊学习系统的收敛性，给出了收敛性定理，并将模糊学习系统应用于液压同步控制系统。实验表明，这种学习控制方法是有效的。     

混联机械臂系统自适应选择迭代学习角同步控制

建立了四自由度混联机械臂系统动力学模型,并根据系统重复运动和具有不确定因素的特点,设计了自适应选择迭代学习同步控制算法(ASILSC),实现了系统的角同步运动,并证明控制算法的收敛性.仿真结果表明,相比于带遗忘因子的迭代学习同步控制,自适应选择迭代学习角同步控制有更好的收敛性和鲁棒性.     

非线性系统的学习控制算法

本文对一般非线性控制系统,提出了三种学习控制算法;并研究了收敛性的条件。本文包含了 Arimoto、Bien 等文中的主要结果。     

1万t水压机学习控制系统

介绍了一种实现1万t多向模锻水压机无人操作的学习控制系统．该系统由两级计算机系统组成．通过操作人员示教生产一定数量的锻件，学习控制系统在线学习，形成操作知识库，在进入批量生产时，该系统替代操作人员自动完成水压机的操作．本文着重阐述了表达操作过程特征值的提取方法、操作知识库的结构和无人操作的实现。     

随机时变系统最小二乘辨识的收敛速度

对不相关噪声的多维时变系统，在相当一般的非持续激励条件下，建立了最小二乘算法的收敛速度，并通过引入衰减激励控制，在可辨识条件下，获得了该非持续激励条件．     

可变纯滞后时变系统模型参考自适应预估控制

基于Smith预估控制和参数最优化理论,提出了可变纯滞后时变系统的模型参考自适应预估控制(MRAPC)。MRAPC由自适应预估器,自适应过程模型,自适应机构及常规控制器所组成。它大大地减少了系统中时变参数和可变纯滞后的影响,控制性能明显地强于Smith预估控制。其后给出的仿真结果证实了MRAPC的有效性。