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。     

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。     

PD-type iterative learning control for nonlinear time-delay system with external disturbance

1 .INTRODUCTIONTheiterativelearning control method was proposedby Ariomoto et al[1]for the control system, whichcan performthe same task repetitively . The basiclearning controller for generating the present con-trol input is based on the previous control historyand a learning mechanism.In the last two decadesiterative learning control has been extensivelystudied and achieved significant progress in boththeory and application,and becomes the one of themost active fields inintelligent cont…     

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。     

Novel Newton''s learning algorithm of neural networks

Newton's learning algorithm of NN is presented and realized. In theory, the convergence rate of learning algorithm of NN based on Newton's method must be faster than BP's and other learning algorithms, because the gradient method is linearly convergent while Newton's method has second order convergence rate. The fast computing algorithm of Hesse matrix of the cost function of NN is proposed and it is the theory basis of the improvement of Newton's learning algorithm. Simulation results show that the convergence rate of Newton's learning algorithm is high and apparently faster than the traditional BP method's, and the robustness of Newton's learning algorithm is also better than BP method's.     

基于卡尔曼滤波的极限学习机在线盲均衡算法

针对正交振幅调制(quadrature amplitude modulation,QAM)信号,在预测方法的盲均衡框架下,基于卡尔曼滤波(Kalman filter,KF)提出了一种新的神经网络在线盲均衡算法.采用复数型极限学习机(complex extreme learning machine,C-ELM)作为非线性...     

The Learning Control and Learning Adaptive Control of General Nonlinear Systems：MIMO Case

ＴｈｅＬｅａｒｎｉｎｇＣｏｎｔｒｏｌａｎｄＬｅａｒｎｉｎｇＡｄａｐｔｉｖｅＣｏｎｔｒｏｌｏｆＧｅｎｅｒａｌＮｏｎｌｉｎｅａｒＳｙｓｔｅｍｓ：ＭＩＭＯＣａｓｅＨＯＵＺｈｏｎｇｓｈｅｎｇａｎｄＨＡＮＺｈｉｇａｎｇ（ＩｎｓｔｉｔｕｔｅｏｆＡｐｐｌｉｅｄＭａ...     

矩阵对角化变换鲁棒QCKF在视觉和惯性融合姿态测量中的应用

视觉和惯性融合姿态测量系统,可以发挥视觉测量重复性、稳定性好和惯性测量输出频率高、不受环境光干扰的特点。针对融合测量中,系统噪声和观测噪声的统计特性不完全可知及在出现异常测量值时融合测量鲁棒性较差的问题,提出一种基于矩阵对角化变换的鲁棒四元数容积卡尔曼滤波(quaternion cubature Kalman filter, QCKF)算法,分析了鲁棒滤波参数对测量系统鲁棒性和测量准确度的影响,使用矩阵对角化变换代替标准CKF中的Cholesky 分解以改善数值计算的稳定性。结合搭建的视觉和惯性融合姿态测量系统平台,实验结果表明与标准CKF算法相比,具有更高的准确度、鲁棒性以及稳定性。     

非线性系统开闭环PD型迭代学习控制的鲁棒性

利用开闭环PD型迭代学习控制算法,对一类具有不确定性或扰动的重复非线性时变系统的鲁棒性进行研究,给出了该系统在开闭环PD型迭代学习控制律控制下的鲁棒条件,并证明了该受扰系统在干扰有界的情况下跟踪误差的一致有界收敛性,当所有干扰渐近消失时,系统输出渐近跟踪给定的期望轨迹。数字仿真表明了结论的有效性。     

基于迭代学习控制的PID控制器设计

针对传统的经验PID整定方法,提出了一种新的PID参数整定算法。该算法首先利用PD型迭代学习控制来进行期望轨迹的跟踪控制,然后根据迭代学习控制的输入输出数据序列,通过强跟踪滤波器来进行参数辨识,可获得对应于期望轨迹的优化的PID控制参数。给出了迭代学习控制的收敛条件,以及如何利用强跟踪滤波器来进行参数辨识。仿真和实验结果表明,采用该算法设计PID控制器,被控系统可以获得较佳的动态性能和较强的鲁棒性。     

基于组合式信号源的非线性系统辨识

针对非线性系统中噪声的干扰,研究了一类神经模糊Hammerstein输出误差非线性系统的建模和辨识方法,利用组合式信号源实现静态非线性模块和动态线性模块参数辨识的分离,推导了相关性分析法和辅助模型递推最小二乘辨识方法估计动态线性模块和非线性模块的参数,有效抑制系统输出噪声的干扰。仿真结果表明：与最小二乘算法、多项式模型以及多信息方法相比,提出的方法具有参数估计收敛速度快,辨识精度高,建模误差小等优势,验证了所提学习算法的有效性。     

一类化工过程自适应状态观测器的设计

提出了一种非线性系统自适应状态观测器的设计方法。根据系统工作点的变化在线配置极点,选取合适的反馈增益矩阵,无论如何选取状态观测器的初值,都能保证观测器在大范围内稳定工作。理论分析了存在模型误差和噪声干扰时观测器的鲁棒性。在CSTR上的仿真结果证明,用该方法设计的观测器能够稳定收敛到状态真值,并且对模型失配和噪声干扰有一定的抑制能力     

米波圆阵雷达全向测角算法及其性能分析

基于均匀圆阵的相位模式激励提出了一种实用的全向测角算法。在互耦矩阵为对称Toeplitz矩阵的情况下,该方法可以消除天线阵元间互耦的影响并通过解模糊可以实现全方位测角。通过对该方法中固有误差、噪声和通道幅相不一致等对测角精度影响的理论分析,得到了各种因素与测角精度间的显式关系,进而可以为阵列参数的选择和根据测角精度要求提出对各种因素的约束指标提供参考。仿真结果验证了理论分析在相应条件下的正确性。     

A Two-Dimensional Approach to Iterative Learning Control with Randomly Varying Trial Lengths

In this paper, iterative learning control(ILC) is considered to solve the tracking problem of time-varying linear stochastic systems with randomly varying trial lengths. Using the two-dimensional Kalman filtering technique, the authors can establish a recursive framework for designing the learning gain matrix along both time and iteration axes by optimizing the trace of input error covariance matrix.It is strictly proved that the input error converges to zero asymptotically in mean square sense and thus the tracking error covariance converges. The extensions to that prior distribution of nonuniform trial lengths is unknown are also investigated with an asymptotical estimation method. Numerical simulations are provided to verify the effectiveness of the proposed framework.     

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。     

高移动性Jakes信道的学习与估计

在高移动场景下,信道具有快速时变性和非平稳特性,对信道的准确估计提出了新的挑战.针对高移动性Jakes信道,提出一种基于图像重建和恢复原理的信道学习估计网络.首先,根据Jakes信道矩阵中局部相关特性,构建快速超分辨卷积神经网络提取信道特征,并对信道插值完成信道图像建模.然后,利用去噪神经网络降低信道噪音的影响,进一步...     

基于新型学习观测器的卫星执行机构故障重构

针对在轨微小卫星出现执行机构故障的情况,提出了一种基于非线性学习观测器(nonlinear learning observer, NLO)的卫星姿控执行机构故障重构方法。文中结合迭代学习算法和递推学习算法,设计了一种新型自适应学习算法,该算法应用前一时刻和当前时刻的姿态敏感器测量输出误差在线更新故障重构信号,使得所提NLO在估计卫星姿态角速度和姿态角的同时,能够快速精确在线重构卫星姿控执行机构故障。进一步给出了所提NLO的稳定性条件,并结合线性矩阵不等式技术给出了NLO增益矩阵的详细设计方法。最后,将所提方法应用于微小卫星姿控推力器故障重构,仿真结果验证了所提方法的有效性。     

改进的压缩感知限幅噪声消除方案

限幅引入非线性失真即限幅噪声, 使正交频分复用系统误码率性能显著下降。为消除限幅噪声, 本文提出了基于预估计限幅噪声位置的稀疏自适应匹配追踪方案。首先,在发送端信号送入信道之前, 根据信号幅度值, 预先估计被限幅采样点的位置, 使落在该采样点范围的限幅噪声作为压缩感知的观测值向量, 其次再对噪声进行重构。该预估计方案成功避免了信道对限幅噪声分布位置及幅值的干扰, 提高了重构精度。仿真结果表明,与传统压缩感知算法相比, 所提方案对系统的误码率性能及算法计算复杂度均有改善。     

基于角度和频率信息的卫星被动定轨方法

针对单星对卫星被动定轨时采用仅测角方法滤波收敛时间较长且精度不高等问题,提出了在测角的同时增加频率测量信息的单星对卫星扩展Kalman滤波被动定轨方法。在二体问题下详细推导了状态预测方程、状态转移矩阵和测量雅可比矩阵,最后通过STK6.0仿真产生的数据对算法有效性进行了验证。仿真结果表明,该算法比仅测角方法具有更高的定轨精度和更快的收敛速度,且当测角精度较高时,能够在相对较大的初始位置误差情况下较快收敛并达到较高的收敛精度。