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。     

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。     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

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。     

一类对称循环组合系统的模型参考自适应控制

给出了具有对称循环结构的组合系统在可调系统参数均时变或未知的情况下模型参考自适应控制的3个基本条件和一般步骤,并保证系统的李亚普诺夫稳定性·充分利用系统的对称循环的结构特点,降低Riccati方程的维数,大大简化了计算,易于工程实现·且可调参数可以是无界的,其适应律不依赖于广义误差的导数,从而解决了这类具有特殊结构的系统在自适应控制过程中的一些困难·     

一类双线性参数化时变时滞系统的自适应迭代学习控制

针对一类双线性参数化时变时滞系统,设计了一种新颖的自适应迭代学习控制策略,该策略利用信号置换思想与参数重组技术来有效处理系统中时变时滞项,引入微分-差分耦合型自适应律以解决系统中双线性参数化项.通过构建一个Lyapunov-Krasovskii型复合能量函数证明了跟踪误差的收敛性以及所有信号的有界性.仿真实例结果表明该策略是有效且可行的.     

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.     

一类中立型时变时滞系统的稳定性

利用李雅普诺夫泛函的方法,讨论了一类具有时变时滞的不确定中立型时滞系统的稳定性问题.首先构造适合系统的李雅普诺夫泛函,结合新不等式技巧和自由权矩阵方法,对其导数积分项进行放缩处理,讨论了标称系统的稳定性问题.然后,利用Schur补引理及不等式技巧,讨论了对应的不确定系统的稳定性问题.最后,通过数值实例计算,验证了所得结论的有效性和优越性.     

一类分布参数系统模型参考鲁棒自适应控制

针对一类分布参数系统，讨论了模型参考鲁棒自适应控制问题，将Ｈ∞优化思想引入模型参考自适应控制系统的设计，形成一种ＭＲＡＣＳ的Ｈ∞鲁棒设计方法，理论分析表明，该方法具有较强的鲁棒性和好的系统动态品质。     

全数字高性能模型参考自适应控制直流调速系统

提出了一种采用模型参考自适应控制的高性能直流调速系统，为了实现宽范围调速，克服低速时流断续的非线性影响，采用了主回路中串联可关断可控硅的方法，整个系统由８０３１单片机组成，实现了全数字化，具有成本低，可靠性高，易于实现等特点，结果表明：系统能获得良好的静、动态性能，可满足高性能调速指标的要求。     

基于边界层的一类不确定系统的迭代学习控制

针对一类具有任意初态和非周期有界扰动的不确定非线性时变系统,提出一种基于边界层的迭代学习控制方法,将边界层设计成一个具有剩余宽度的指数衰减函数,通过边界层把任意初态问题转换为零初值迭代学习问题.针对周期和非周期不确定性扰动,分别设计周期项的学习律和非周期项的边界学习律,然后在此基础上给出了迭代学习控制算法.文中给出了相关定理,并应用类Lyapunov方法给出了定理的详细证明.仿真结果表明,所提出的算法是有效的,轨迹跟踪误差能收敛到边界层.     

一类不确定时滞大系统的分散模型参考自适应控制

运用分散模型参考自适应控制方法研究了一类不确定时滞大系统问题.在选择参考模型时,根据系统所期望的性能指标,考虑各子系统的相互作用,保留了互联项.这类不确定大系统的关联及干扰是时变不确定的.在这种不确定性界存在但却未知的情形下,基于Lyapunov稳定性理论,给出了其分散自适应控制律,并证明了整个互联大系统是一致最终有界...     

对一类非严格重复系统的两种基于二阶内模的迭代学习控制器设计

通过对系统中的不确定参数建立迭代域上的二阶内模来研究一类非线性连续时间系统的非严格重复性,并依照内模原理提出了两种基于二阶内模的参数迭代学习控制器:二阶迭代学习控制器和平行迭代学习控制器.本文分别使用不同的Lyapunov函数,证明了两种控制器在各自的可行范围内都可以保证系统的跟踪误差收敛.通过对这两种学习机制的比较分析,说明了平行迭代学习控制设计的合理性.两个数值仿真不仅证实了两种算法的有效性,也展示了平行迭代学习控制器更好的收敛特性.     

时变疾病控制系统的解的存在性

研究了一类时变疾病控制系统，用特征线法，积分方程和泛函分析的理论证明了系统的解的存在性，给出了解（ｐ１（ｒ，ｔ），ｐ２（ｒ，ｓ，ｙ））的解析表达式。     

一类组合大系统简单迭代学习控制的收敛性

该文提出并证明了当被控系统的状态方程为一类非线性组合大系统方程时采用简单学习律迭代学习控制的收敛的充分和必要条件。引入了一种范数,使得该系统的收敛性无需要求各个子系统的互联项之间满足一定的相关度等假定,控制采取的是分散控制,这些都有利于工程实现。     

Sampled-data Iterative Learning Control for Singular Systems

Sampled-data iterative learning control (SILC) for singular systems is addressed for the first time. With the introduction of the constrained relative degree, an SILC algorithm combined with a feedback control law is proposed for singular systems. Convergence of the algorithm is proved in sup-norm, while the conventional convergence analysis is in λ-norm. The final tracking error uniformly converges to a small residual set whose level of magnitude depends on the system dynamics and the sampling-period. Due to inequalities to estimate the level of the existing results of SILC, convergence is guaranteed not only at the sampling instants but on the entire operation interval, so that the inter-sample behavior is guaranteed, which is more practical for real implementation.     

分散变结构模型参考自适应控制

提出了一种适用于线性关联大系统的分散变结构模型参考自适应控制新方法．与原有的分散变结构控制方法比较，成倍减少了分散控制器中的切换变量，并相应降低了所需控制量的大小，增强了分散变结构控制方法的工程实用性．所推导的分散变结构控制规律形式简洁，便于实现．数字仿真结果表明该方法的有效性．