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。     

一类迭代学习控制的自适应参数优化

针对一类迭代学习控制提出了一种基于二次性能指标函数的自适应参数优化方法。如果原离散系统是正定的，那么这种具有可调参数的学习算法可以保证误差按几何单调收敛于0，如果系统非正定的，提出了一种反馈调节方法使系统正定。数值仿真表明了所提出算法和条件的有效性。     

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。     

Closed-Loop Iterative Learning Control for Discrete Singular Systems with Fixed Initial Shift

This paper deals with the problem of iterative learning control for a class of discrete singular systems with fixed initial shift. According to the characteristics of the discrete singular systems, a closed-loop learning algorithm is proposed and the corresponding state limiting trajectory is presented.It is shown that the algorithm can guarantee that the system state converges uniformly to the state limiting trajectory on the whole time interval. Then the initial rectifying strategy is introduced to the discrete singular systems for eliminating the effect of the fixed initial shift. Under the action of the initial rectifying strategy, the system state can converge to the desired state trajectory within the pre-specified finite time interval no matter what value the fixed initial shift takes. Finally, a numerical example is given to illustrate the effectiveness of the proposed approach.     

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。     

迭代学习控制理论现状与展望

迭代学习控制(ILC)作为智能控制的一个分支，经历二十多年的发展，无论在理论研究，还是在实际应用上都取得了丰硕成果，在过程控制中逐渐显现出其独到之处。对ILC算法和理论研究现状作了较为详细的分析，并且指出ILC存在的问题和研究方向。     

任意初始状态下迭代学习控制的频域分析

针对广义受控对象G(s) ,提出了一种迭代学习控制器在频域中设计的思想 ,给出了在任意初始状态下迭代学习控制算法收敛的充分条件 ,证明了经过逐次迭代后系统实际输出信号对期望输出信号的逼近特性 ,输出跟踪误差将一致有界 ,且与期望状态及期望输入无关。进一步讨论了反馈控制在迭代学习控制器中的作用。仿真结果表明了该算法的有效性。     

异构双腿机器人结构建模与迭代学习控制仿真

异构双腿行走机器人（BRHL）是一种全新的类人机器人模式。首先阐述了BRHL的概念及研究意义。基于分割建模思想，推导出BRHL运动学、动力学方程。针对高阶微分代数方程组动力学正解问题，提出了一种带误差反馈控制的预估-校正数值积分方法。最后探讨了BRHL的控制方法并进行了仿真计算。结果表明，一阶P型开闭环学习控制能够很好实现仿生腿对人工腿步态的跟踪。     

基于T-S模型的非线性系统的迭代学习控制

针对T-s模糊系统的轨迹跟踪控制问题,提出了基于正交多项式的迭代学习算法.该方法首先推导了T-S模糊全局系统的等价系统,然后利用正交多项式级数展开技术和其积分运算矩阵,将等价系统的微分方程转化为代数方程.在此基础上,用迭代学习的方式来修正输入量的正交多项式系数.所得算法对于具有任意相对阶的非线性系统,可用输出误差信号本身来构造学习律.仿真实例表明了新算法的有效性.     

不确定时滞非线性系统的迭代学习控制

针对一类不确定状态时滞非线性系统 ,提出了一种形式简单的迭代学习控制算法 ,从理论上给出了算法收敛的充分条件 ,进一步分析了不确定状态时滞、系统采样频率与跟踪性能之间的关系。该学习算法无需精确已知系统的状态时滞 ,而只要估计状态时滞的界 ,因而具有算法简单、计算量小、易于实现等特点。仿真结果表明了该算法的实用性和有效性。     

一类非线性系统在任意初值下的开环D型迭代学习控制

给出了一类非线性时变系统在任意初值条件下采用开环D型迭代学习控制算法时的收敛条件,运用算子理论进行收敛性证明。该算法克服了系统输出信号跟踪期望输出依赖于期望状态和期望输入的缺陷,解决了迭代学习控制中的初始状态问题,而且收敛条件放宽了,给出了仿真研究实例,研究结果说明该算法的有效性。     

基于网络逆系统的迭代学习初始控制量确定

鉴于初始控制量对迭代学习控制(ILC)算法收敛速度及跟踪精度的重要影响,为保证ILC算法对任意期望轨迹的跟踪性能,提出了一种基于小波神经网络(WNN)逆系统的ILC初始控制量确定方法.首先分析了研究对象的可逆性,在此基础上建立了对象的WNN逆模型,然后根据该逆模型求得任意期望轨迹下的网络输出,捋其作为ILC算法的理想初始控制量进行迭代学习.仿真结果表明,新算法辅助的ILC能利用先前的控制经验,在面临新的期望轨迹时能有效减少迭代次数,提高跟踪精度.     

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.     

基于2-D系统理论的变初始条件离散系统的迭代学习控制

对于具有重复运动特性的系统，迭代学习控制是一种简单有效的控制方法。为便于实时应用，所有迭代学习控制方案的设计必须在离散时间域进行。初始状态问题是学习控制设计中遇到的一个重要问题。针对具有变初始状态的离散时间系统，利用2-D线性连续．离散型系统理论设计了闭环迭代学习控制器，并给出了保证控制器收敛的充分必要条件。仿真结果证明了该方案的有效性。     

基于T-S模型的迭代学习控制算法及其在机器人点位控制中的仿真研究

考虑了一类特殊的迭代学习控制问题，即用迭代学习方法解决机器人的点位控制问题。采用T-S模型描述机器人系统，在T-S模型的基础上，运用并行分配补偿方法(PDC)确定T-S模型的迭代学习控制器结构，并给出了误差收敛条件。为避免迭代过程的初始定位操作，丈中还设计了模糊循环迭代学习律。最后以在垂直面内运动的单关节的机器人为例说明了所提出方法的有效性。     

一种语言模型的精确学习方法

语言模型具有很好的可解释性，但面对复杂问题时，其精确性不能满足要求。为此结合微粒群算法和遗传算法各自的演化特点，采用两阶段学习策略。对语言模型进行分层演化，首先利用微粒群算法优化各输入变量的语言值数目及对应的模糊集参数。形成候选规则集，再应用遗传算法选择规则，得到精确的语言模型．该方法几乎无需先验知识，可直接从样本数据获取语言模型，应用函数近似为例说明其有效性。     

带有EKF速度观测的P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,采用P型迭代学习控制律下的位置-速度控制器,实现参考位置信号的跟踪控制.详细分析了永磁直线伺服系统的数学模型,在此基础上给出迭代学习直线伺服系统的收敛性定理.同时避免位置信号微分运算的不准确结果,给出推广卡尔曼滤波器观测直线速度的方法.采用matlab和dSPACE方法对迭代学习直线伺服系统进行仿真研究,仿真结果表明迭代学习控制能够保证系统性能在不断学习中提高,系统具有很好的动态响应和学习能力.     

递阶稳态优化下非线性大工业过程的迭代学习控制

对递阶稳态优化下非线性大工业过程施行迭代学习控制 ,目的是进一步改善大工业过程的动态品质 .建立迭代学习控制的基本结构 ,提出迭代学习控制算法关于控制系统的ε-收敛性和期望目标轨线的δ -可达性的概念 ,对具有死区与滞后的饱和非线性大工业过程控制系统给出加权超前开环PD-型迭代学习算法 .利用 Bellman-Gronwall不等式和λ范数理论 ,论证了算法的收敛性 .数字仿真表明 ,迭代学习控制能有效改善递阶稳态下非线性大工业控制系统的动态品质 .     

网络控制系统的主动变采样控制器设计

利用主动变采样周期方法,研究了具有网络诱导时滞和数据包丢失的网络控制系统的H∞控制器设计问题,其采样周期在一个有限集内切换.新提出的主动变采样周期方法能够保证网络带宽的充分利用.在为具有主动变采样周期的网络控制系统设计H∞控制器时,使用了基于线性矩阵不等式的多目标优化方法和基于参数不确定性的方法.仿真结果说明了所提出的H∞控制器设计的有效性.     

A KELM-Based Ensemble Learning Approach for Exchange Rate Forecasting

In this paper, a KELM-based ensemble learning approach, integrating Granger causality test, grey relational analysis and KELM(Kernel Extreme Learning Machine), is proposed for the exchange rate forecasting. The study uses a set of sixteen macroeconomic variables including, import,export, foreign exchange reserves, etc. Furthermore, the selected variables are ranked and then three of them, which have the highest degrees of relevance with the exchange rate, are filtered out by Granger causality test and the grey relational analysis, to represent the domestic situation. Then, based on the domestic situation, KELM is utilized for medium-term RMB/USD forecasting. The empirical results show that the proposed KELM-based ensemble learning approach outperforms all other benchmark models in different forecasting horizons, which implies that the KELM-based ensemble learning approach is a powerful learning approach for exchange rates forecasting.