线性广义系统的D型迭代学习控制

根据误差收敛准则,提出了线性广义系统的迭代学习控制算法,利用矩阵理论及不等式技巧给出了线性定常广义系统在D型学习律作用下的迭代控制收敛性结果,这一结果是全新的,其对时变系统也成立;另外,针对线性定常广义离散时间系统,给出了一种通过最优化目标函数确定控制器参数的设计方法.     

射流火焰温度场广义随机分布模型的迭代学习控制

为实现射流火焰温度场的控制性能,采用随机分布控制理论实现了射流火焰温度场的建模及其迭代学习控制. 采用高斯函数作为输出概率密度函数逼近的基函数,用广义系统状态空间模型建立系统模型,模型的独立状态数量与系统实际的动态阶次一致. 采用随机分布预测控制算法实现单批次的控制,在每个批次控制完成后,采用牛顿法优化基函数参数,给出了射流火焰温度场迭代学习控制的仿真结果. 通过迭代学习优化了广义随机分布系统模型参数,提高了火焰温度场分布控制性能指标.      

分批重复过程迭代学习广义预测控制

针对一类分批重复操作过程,提出迭代学习广义预测控制(ILGPC)算法·该算法利用以前的过程输入输出信息,在GPC结构中增加干扰预测估计的迭代学习前馈回路,通过对部分可重复干扰的估计和学习,提高了分批重复操作过程的控制品质,减小了跟踪误差·对算法的稳定性做了分析,并以间歇聚合反应过程为仿真对象,研究了算法的稳定性和鲁棒性·     

线性广义系统P型迭代学习控制在Lp范数意义下的收敛性

在对一类线性广义系统进行非奇异变换后,利用卷积的推广Young不等式,在Lebesgue-p(L~p)范数意义下,研究了一、二阶P型迭代学习控制算法的收敛条件,并对两种算法的收敛速度进行了比较。理论分析表明,控制算法的收敛条件、收敛速度与学习增益矩阵、系统本身属性有关;如果选取合适的学习增益矩阵,则二阶P型控制算法的收敛速度快于一阶的。仿真实验验证了控制算法的可行性和理论的正确性。     

一类迭代平均值的广义加权推广

将一类算术迭代平均值、几何迭代平均值及调和迭代平均值推广到广义加权平均迭代的情形，给出了这3类广义加权迭代平均值的定义、计算公式，以及三者之间的一些等量关系、不等式关系和多重迭代的极限。     

网络控制系统中迭代学习控制算法的鲁棒收敛性分析

针对网络控制系统中受输入扰动和初态干扰的非线性系统,提出了一种迭代学习控制算法,讨论了输出数据丢失情况下系统输出对期望轨迹的跟踪问题。采用一个概率已知的随机贝努利序列来描述网络控制系统中的数据丢失现象,即如果输出数据没有丢失,则利用跟踪误差来修正上一次迭代学习时的控制量,从而获得系统当前控制量;如果存在输出数据丢失现象,则系统当前控制量保持上一次迭代时的控制量不变。给出了保证算法收敛的充分条件。从理论上证明了系统满足给定的收敛条件时,在数据丢失网络环境下具有输入扰动、初态扰动的被控系统随迭代学习次数的增加,系统输出除初始点以外都能够收敛于期望轨迹。通过仿真算例进一步验证了所提方法的有效性。     

短时延非线性网络控制系统PD型迭代跟踪控制

研究了一类短时延非线性网络控制系统PD型迭代学习跟踪控制问题.依据泛数理论,详细推导了当不存在初始误差时该系统对期望信号的跟踪控制过程,得到其收敛的充分条件,为网络环境下的非线性系统提供了一种新的控制策略.最后,通过示例仿真分析证实了本文所提理论的有效性,以及收敛判据的可行性.     

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。     

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.     

神经网络迭代学习控制快速算法的研究

研究了非线性系统的神经网络迭代学习控制问题，为了提高神经网络学习控制的收敛速度，改进了权值的迭代学习算法，提出了一种新的训练权值方法，它以递推的方法来计算网络权值，不仅能减少计算量且收敛速度快，最后，用仿真结果对该算法作了进一步的验证。     

时滞系统的PID型迭代学习控制

通过对智能控制、人工智能、自动控制和控制论的相互关系的分析和总结,提出了时滞系统中应用迭代学习控制的思想方法,给出了时滞系统PID型迭代学习算法,并在理论上证明了算法的收敛性     

一类短时延的广义网络控制系统的鲁棒H∞控制

基于正则、无脉冲和线性定常的广义系统,研究了一类网络控制系统的H∞控制问题.针对传感器和执行器节点由时钟驱动,控制器节点由事件驱动,网络总诱导时延小于一个采样周期及具有有限能量的外部扰动的网络控制系统,利用李亚普诺夫理论和线性矩阵不等式描述方法,推导出动态输出反馈H∞控制律存在的充分条件,并给出了相应的设计方法.通过仿真实例,说明了所用方法的有效性.     

一类含广义m-增生算子的广义变分包含系统解的迭代算法

在实q-一致光滑的Banach空间中,研究了一类含广义m-增生算子的广义变分包含系统,利用关于广义m-增生算子的预解算子技巧,在得到了这类新的广义变分包含系统解的存在性和唯一性的基础上,进一步地,构造了其逼近解的Mann扰动迭代算法,在一定条件下,得到了这类迭代算法的收敛性和稳定性.所得结果,统一和发展了近期有关文献的相应结果.     

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.     

具有时延的广义网络控制系统的鲁棒H_∞控制

针对被控对象是广义系统模型的网络控制系统,在传感器和执行器采用时间驱动、控制器采用事件驱动、网络诱导时延小于一个采样周期时,将系统建为具有不确定性及输入时滞的离散广义系统模型.应用Lyapunov函数和线性矩阵不等式方法,给出系统稳定的条件,同时设计满足系统稳定和H∞控制的状态反馈控制器,研究其鲁棒H∞控制问题.最后通过实例及仿真表明所提方法的有效性.     

应用迭代学习控制的减震系统主动控制

在大多数工程系统中,要求减少或者消除振动的影响。过去被动的解决方法是利用弹性体装置,这样会人为地降低机械性能。所以针对这一控制问题,提出了振动主动控制的方法,从而大大地提高了在低频时的减震效果。针对周期性震动源的问题,提出应用迭代学习控制的参数最优算法,采用主动/被动混合控制的"质量弹簧阻尼"装置,其仿真结果表明该控制方案具有良好的性能,特别在10Hz及20Hz频率下,能在较短的时间内使得系统位移为零,从而达到减震的效果。     

离散非线性控制系统迭代学习（算法）的收敛性与鲁棒性

本文证明了一类含有不确定因素的ＭＩＭＯ非线性控制系统迭代学习算法的收敛性与鲁棒性。     

具有死区的饱和工业过程控制系统的迭代学习控制

对具有死区的非光滑饱和工业过程的稳态优化进程施加迭代学习控制,给出加权开环PD型迭代学习控制算法。算法基于前次迭代的输出动态信息和事先给定的理想轨张,修正工业过程控制系统的阶跃输入,以期改善控制系统的动态品质。给出了理想轨线的选取方法,提出了理想轨线的δ可达性和迭代学习算法的ε收敛性的概念。利用Bellman-Gronwall不等式和λ范数理论,论证了算法的ε收敛性。数字仿真表明,迭代学习控制能有效改善工业过程稳态优化进程中控制系统的动态品质,如减少超调,加快动态响应速度,缩短过渡时间等,显示了算法对工业过程控制系统的有效性。     

迭代学习控制的研究与应用

文章论述了迭代学习控制的基本原理,着重分析了迭代学习控制的算法,对学习律、收敛性、鲁棒性、初值及学习速度等问题的最新进展作了比较详尽总结,最后讨论了其工程应用和展望。