分数阶线性时滞系统PDα型迭代学习控制的鲁棒性

针对一类具有外部有界噪声干扰的分数阶线性时滞系统,利用卷积的推广Young不等式,讨论了PD~α型分数阶迭代学习控制算法(FOILC)在Lebesgue-p(L~p)范数意义下的鲁棒性,获得其鲁棒收敛的条件。理论分析表明,若选取适当的学习增益矩阵,在系统受到外部有界噪声干扰时,随着迭代次数的增加,该算法能够保证系统的跟踪误差一致收敛有界。数值仿真验证了该算法的可行性和理论的正确性。     

迭代学习控制的收敛速度分析

针对线性时不变控制系统,讨论了D型和P型学习律收敛速度问题.利用时间加权范数和Frobenius范数给出了迭代学习控制系统在D型和P型学习律作用下收敛的充分性条件,进而给出系统迭代次数与约束条件之间的定量关系以及收敛速度与约束条件之间的关系,同时利用Frobenius范数性质,并通过梯度法给出如何求解D型和P型学习律使得系统收敛速度最快的增益矩阵的方法.最后,仿真实例说明了该方法的有效性.     

分数阶非线性系统PDα型迭代学习控制收敛性分析

针对一类单输入单输出的分数阶非线性连续系统,利用卷积的推广Young不等式,分别研究了开环、闭环以及开闭环PD^α型分数阶迭代学习控制算法在L^p范数意义下收敛的充分条件,并进行了严格的理论证明.研究发现:控制算法收敛的充分条件取决于算法的增益和系统自身属性;在控制算法选取适当增益的情况下,开闭环PD^α型控制算法拥有比开环算法更快的收敛速度.这些结论与分数阶线性系统是相同的.仿真实验进一步验证了上述理论的可行性和正确性.     

基于一种加速PD型迭代学习控制算法的机械臂轨迹跟踪

针对二自由度机械臂非线性系统,迭代学习控制(iterative learning control,ILC)对于具有重复运动特性的机械臂有较好的控制效果。在扰动的情况下,设计了一种PD型迭代学习控制律,随着系统迭代次数的不断增加,通过在区间内对增益矩阵进行实时修改来缩短所需的修正区间,进而达到加快收敛速度的目的。首先,结合λ范数分析ILC的收敛性。其次,通过仿真验证所提出控制策略的可行性和有效性。最后,在相同条件下,仿真结果表明,PD型ILC收敛速度比P型ILC更快;带有扰动的PD型ILC比传统扰动型PD控制收敛效果更好。     

二阶Lipschitz非线性系统自然观测器设计

机械系统的动力学方程是用状态速度和状态加速度描述的二阶系统,而传统的基于一阶系统表示的观测器理论并不完全适用于二阶系统,为此,文中针对一类二阶Lipschitz非线性系统提出了自然观测器的设计问题。所提出的自然观测器与被观测的二阶系统具有相同的代数结构,能保证位置估计量的导函数恰好是速度估计量。为降低结果的保守性,利用非线性函数的Lipschitz性质,将估计误差系统表示为LPV(Linear Parameter Varying)系统,在此基础上,引入参数依赖的Lyapunov函数分析估计误差系统的稳定性,并建立了自然观测器存在的充分条件。该条件表示为一组带有可调参数的线性矩阵不等式,通过求解该组线性矩阵不等式,便可获得自然观测器的增益矩阵和估计误差的收敛速率。最后通过数值例子验证了本文结果的有效性和实用性。     

初态偏移非线性系统跟踪控制的迭代学习算法

基于迭代学习控制理论提出一种新的可变增益学习控制算法,并对系统初态的迭代学习律进行了讨论,利用算子理论证明在非线性系统中存在初态偏移时经过迭代学习后,输出仍能跟踪期望轨迹;对其收敛性进行数学证明,得到谱半径形式的迭代学习律收敛的充分条件,从而解决了可变学习增益迭代学习控制的初态偏移问题.最后在注塑机注射速度控制系统中与增益不可变迭代学习算法进行比较,仿真结果验证了算法的有效性.     

传感器故障非线性系统的快速抑制初态误差迭代学习控制

针对一类带有传感器故障的非线性系统提出了一种新的迭代学习控制算法,该算法在任意初态条件下,结合开环D型迭代学习律,设计一个随迭代次数增加而缩短的时间段,该时间段控制器对状态偏差进行修正,使系统跟踪误差收敛到与初态误差无关的界内,仅由系统自身不确定性和干扰决定。进而基于λ范数理论选取适当的控制增益,抑制传感器故障带来的跟踪误差,并给出控制算法的一致收敛性和误差的有界性证明。注塑机系统的速度控制仿真结果验证了该算法的有效性。     

基于变增益迭代学习算法的多元间歇精馏控制

面对多元间歇精馏过程的多阶段操作和非稳态运行特点以及高稳定性和高精度的控制需求,传统的反馈控制一般难以确定最优的回流比操作方案.针对该问题,在传统P(比例)型迭代学习控制(itecative learning control,ILC)算法的基础上,提出了一种学习增益沿批次指标自适应调整的变增益P型ILC算法.该算法能够保证间歇精馏过程在不同的操作时刻沿批次指标具有平衡的学习效率,从而提高过程控制性能沿批次指标的收敛速度.以Aspen Batch Distillation(ABD)软件系统中的一个三元间歇精馏模型为实际控制对象,对所提出的变增益P型ILC和传统PID控制以及P型ILC 3种控制方案进行了控制性能的仿真和比较,仿真结果证明了该控制算法不仅计算简单,同时比传统P型ILC算法具有更快的收敛速度.     

基于影响函数的迭代学习算法设计及应用

针对线性离散系统的迭代学习控制问题进行了讨论,提出一种新型的迭代学习控制算法.该算法通过引入一个影响函数,实现了以前时刻控制信息对当前控制量的影响,进而采用2D理论通过对算法的收敛性分析,得到了与普通算法同样的收敛条件,但是相对于传统迭代算法由于包含了更多了控制信息,因此具有更快的收敛速度,最后的无刷直流电机以及一个二阶系统的控制效果也证实了这个结论.     

基于嵌人式环境的智能移动机器人跟踪控制

基于自主搭建的履带式移动机器人研究了 一个P型迭代学习控制算法,它使移动机器人 能够根据位置和速度偏差的大小及方向,实时控制其在运动过程中的变化趋势,以获得合适的学习 增益矩阵,达到更好的控制效果.利用设计的P型迭代学习控制算法,对履带式移动机器人的路径 规划与路径跟踪实现准确的控制.实验结果表明,迭代学习控制可使履带式移动机器人在路径跟踪 控制过程中有更好的稳定性、准确性和快速性.     

两种改进的BP神经网络学习算法

借鉴计算机网络拥塞控制中的"慢启动"策略,针对传统BP算法中存在的收敛速度慢与精度不高的不足提出了两种改进的变学习率学习算法,仿真结果表明改进的BP算法与自适应附加动量BP算法性能相近,其学习的收敛速度与精度优于传统的BP算法.     

非线性矩阵方程数值解的广义哈密顿算法

采用具有近二阶收敛速度的算法计算一类非线性矩阵方程的数值解.根据矩阵方程的解的特征,提出一个基于正定矩阵流形几何结构的广义哈密顿算法.进而比较广义哈密顿算法与经典的多步定常迭代方法的计算行为.最后通过数值模拟表明广义哈密顿算法具有更快的收敛速度.      

结合加强学习的群控分区算法

运用加强学习算法解决电梯群控问题往往受限于算法收敛速度慢,很难扩展至具有更高楼层、更多电梯的群控系统.分割状态空间为几个区域,建立具有分割功能的加强学习系统是必要的.所提出的系统结构及其底层工作原理具有普遍意义,可用于解决大状态空间上的最优控制问题,开发了基于群控分区算法的分割模块,运行结果表明了此系统的优势.     

无刷直流电机免疫反馈自适应学习人工神经网络控制

针对BP神经网络收敛速度较慢、学习时间较长的缺陷，提出了基于免疫反馈规则的神经网络控制器用于无刷直流电机的转速控制中．该规则根据免疫系统中的T细胞的生物免疫反馈机理而总结出来，包括决定应答速度的激活环节和决定稳定效果的抑制环节．将免疫反馈规则应用于BP神经网络训练中学习速率的自适应调节，加快了神经网络的收敛速度，缩短了学习时间．无刷直流电机控制系统采用双闭环控制，内环为电流环，外环为速度环．MATLAB仿真和实验表明，采用该方法的系统超调量小、速度响应快，而且速度响应受电机参数变化影响小，各种外界干扰也得到了很好的抑制，具有较高的控制精度和较好的动、静态性能．     

粒子群优化算法用于二阶状态变量滤波器的设计

用粒子群优化算法设计了高Q值二阶状态变量滤波器,有效地解决了基本遗传算法设计电路存在的收敛速度慢、易早熟的问题.用Pspice对设计出的滤波器进行仿真,得到了令人满意的结果.结果表明,在平均收敛代数和平均收敛时间两个重要指标上,粒子群优化算法明显优于基本遗传算法.     

变因子自学习方案在机械手中的应用

介绍了一种新型自学习控制方法在机器人中的应用，它采用了变学习因子的方案，用模糊的思想选取学习因子，该算法已在直接驱动机器人上进行实验，并解决了一般学习算法在高速运动情况下由于加、减速而带来的系统振荡问题；该算法还具有学习收敛快，鲁棒性好的优点。     

并行DECELL方法计算矩阵广义逆

将Decell算法与MPI并行系统进行有效结合,用于计算大规模矩阵的MP广义逆. 给出了算法设计方案;讨论了在MPI环境下的 程序执行; 并在PC机集群系统上实现.给出了关于并行加速比及效率的数值结果.     

粒子群算法在神经网络非线性函数拟合中的应用

针对传统神经网络学习算法中存在的收敛速度慢、容易陷入局部最优等缺点,设计了基于标准粒子群算法（SPSO）的神经网络非线性函数拟合系统。将神经网络中的权值看作一个粒子,通过粒子之间的竞争与合作以完成网络的学习过程。仿真结果表明,基于SPSO的神经网络学习算法在收敛速度、辨识精度等方面要优于传统的BP神经网络。     

基于迭代学习算法的机械臂系统轨迹跟踪控制

针对平面二自由度机械臂这一非线性系统,设计了带初态学习的指数变增益D型迭代学习律,并给出收敛性证明.仿真结果表明,迭代学习控制对于诸如二自由度机械臂系统这类具有重复运动性质的被控对象具有很好的控制效果.设计带初态学习的指数变增益D型学习律,系统不仅在存在初态偏移的情况下实现了机械臂期望轨迹的完全跟踪,还加快了收敛速度,增强了迭代学习控制的鲁棒性.