迭代学习控制在T-S模糊系统终端控制问题中的应用

针对T-S模糊系统的终端控制问题,提出了一种基于正交多项式的迭代学习算法.该算法把待求控制量表示为一组正交多项式的线性组合,将求控制量问题转化为求正交多项式系数问题.在此基础上,用迭代学习的方式来修正控制量的正交多项式系数,并采用LMI方法求解学习增益矩阵.最后,以单关节机器人为例说明了所提算法的有效性.     

基于T-S模型的离散非线性系统的迭代学习控制

针对离散T-S模糊系统的轨迹跟踪控制问题,提出了基于离散Legendre正交多项式的迭代学习算法.该方法利用离散Legendre正交多项式展开技术及其移位运算矩阵,导出了系统基于离散Legendre多项式展开的近似模型,建立了输入量与输出量之间的代数方程约束关系.在此基础上,用迭代学习的方法可修正输入量的Legendre多项式系数,所得算法可用于具有任意相对阶的离散非线性系统.仿真实例表明了该算法的有效性.     

离散线性系统的单调迭代学习控制

针对一类离散线性系统,提出一种单调收敛的迭代学习控制策略.(1)将离散系统转化为二维系统模型来表示;(2)基于一个简单的二次性能函数,对系统进行了稳定性分析,并得到了系统单调收敛的充分条件,该充分条件由一个线性矩阵不等式(LMI)表示,此外,迭代学习控制律的增益也可由该LMI求得;(3)通过一个仿真实例,验证文章提出的迭代学习控制方法的有效性.     

基于Q学习的有限时间随机线性二次最优控制

针对系统状态和控制均依赖于噪声的随机线性离散时间系统,采用基于值迭代的Q学习迭代算法求解模型参数部分未知的有限时间随机线性二次(SLQ)最优控制问题。首先给出SLQ最优控制问题可达性条件和适应性条件,并通过矩阵拉格朗日乘子算法得到最优控制增益矩阵序列以及相应的随机代数Riccati方程(SARE)。其次,以值迭代算法为基础定义Q函数,利用Q学习迭代算法获得每个最优控制增益矩阵所对应的迭代控制增益矩阵序列和H矩阵序列。该算法依赖于系统状态信息,摆脱了系统模型参数部分未知的限制,并证明控制增益矩阵序列收敛到各自的最优控制增益矩阵,H矩阵序列收敛到各自的最优H矩阵。最后通过一个仿真实例说明了Q学习迭代算法的有效性。     

蚁群自寻优滑模控制在 永磁同步直线电机的应用

本文以永磁同步直线电机(PMLSM)为研究对象,提出了基于蚁群自动寻优滑模控制策略.滑模结构对系统适应性强,蚁群算法具备较强的自学习能力,可以实现参数的自动寻优,把两者结合起来,充分发挥各自的优势,提高控制性能.首先通过理论分析建立了永磁同步直线电机的仿真模型,并基于此模型进行了算法验证,通过验证得出该算法可以有效改善直线电机控制性能,提高了系统鲁棒性.然后在永磁同步直线电机样机上进行算法验证,结果表明,算法控制效果优良,在永磁同步直线电机上具有可行性.     

紧格式无模型自适应控制在直线电机中的仿真

将基于紧格式线性化的非线性系统无模型自适应控制方法应用于直线电机的运动控制中.用紧格式动态线性时变模型替代直线电机非线性系统模型,根据直线电机运动模型的输入输出数据在线估计系统的伪偏导数.仿真实验表明,紧格式无模型自适应控制方法对电机这种具有不确定动态的非线性系统有较强的自适应性、抗干扰性、稳定性和鲁棒性.     

正交多项式法用于时变非线性分布参数系统的辨识

利用正交多项式序列与Ｔａｙｌｏｒ级数之间的线性关系,给出了精确的乘积系数矩阵的定义及乘积变换式。利用正交多项式序列的正交性及微分算子矩阵,论述了时变非线性分布参数系统参数估计的正交多项式法。     

基于全局最优的生产全过程分布式预测控制

改进了基于纳什最优的分布式预测控制算法,提出了一种基于全局最优的分布式预测控制．在优化求解时考虑了各子过程间的协调．结合线性系统的动态矩阵控制(DMC)分析了算法的迭代收敛性,并与基于纳什优化的分布式预测控制算法进行了比较．仿真结果表明．算法迭代收敛于全局最优解,而不是纳什优化解。     

不确定离散线性系统鲁棒单调收敛迭代学习控制

针对系统参数矩阵同时含范数有界不确定性的多输入多输出离散线性系统,研究相位超前P型迭代学习控制器鲁棒单调收敛问题.将二维迭代学习控制系统看作一维状态空间模型,借鉴传统离散线性系统中的界实引理,以线性矩阵不等式方式给出了系统跟踪误差单调收敛的存在性条件,同时得出相应的控制器增益计算公式.仿真结果表明了所提方法的可行性和有效性.     

主成分分析的一个黎曼几何随机算法

一个典型的求解主成分问题的方法是Oja-Sanger算法，但其不能保证迭代矩阵列的单位列正交性，实际计算时矩阵列甚至是无界的．将主成分问题等价变换为Stiefel流形上的一个二次优化问题，采用黎曼几何算法思想，获得求解主成分分析(PCA)的一个黎曼几何随机算法(自适应算法)．该方法可确保迭代矩阵列的单位列正交性．数值模拟结果表明，本文算法优于Oja-Sanger算法．     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制     

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

不可测过程参数的智能化软计算方法及应用

为解决控制系统中存在的时变过程数学建模困难,有些过程参数难以在线实时检测的问题,研究基于过程神经元网络的不可测过程参数软计算方法。分析正交基函数展开的学习算法收敛速度慢的问题,将BP网络的改进算法引入到过程神经元网络的训练中,增加基函数展开系数的规一化处理、权函数动量项调整项,以及学习率自适应调整方法,改进算法明显消除了误差收敛曲线振荡和网络收敛速度慢的问题。该方法在污水处理过程出水水质BOD预测中网络训练速度快,取得较好的预测结果,是一种不可测过程参数智能化软计算的有效方法。     

一类非线性滞后系统的广义预测控制

对将线性系统的广义预测控制算法推广应用到非线性系统的控制问题进行了研究,即在每个控制周期内,递推预测非线性滞后系统在将来时刻的工作点,在工作点附近对非线性系统进行线性化,根据得出的线性化模型进行广义预测控制,并采用动态寻优的方法逐步逼近最优控制,仿真结果表明:非线性系统的广义预测控制算法能快速有效地跟踪系统的设定值,控制效果良好.     

平整轧制多变量系统的线性自抗扰解耦控制

针对平整轧制板形板厚控制系统中存在的多变量、强耦合及不确定性等问题,本文提出了将线性自抗扰(LADRC)技术与平整机板形板厚控制系统相结合,利用线性扩张状态观测器(LESO)估计系统总扰动,并将PD作为反馈控制率的LADRC控制方案。针对系统存在的外部扰动和模型参数摄动,利用Matlab进行仿真实验,结果表明,该控制方案不仅解耦控制效果良好,还具有较好的鲁棒性。     

一类图构形的Orlik-Solomon代数及Tutte多项式

研究得到了n-秩轮图及其导出图构形的Orlik-Solomon代数的计算公式,n-秩轮图关于某条边的删除B_n以及n-秩轮图的Tutte多项式的一般表达式,并计算了n-秩轮图（n=5,6）的双变量着色多项式,举例说明图的双变量着色多项式与Tutte多项式是不相同的。     

快速求解导体电磁散射问题的插值退化核方法

退化核函数将积分方程的核函数展开为场源点分离的函数积,可以用于构造积分方程的快速求解算法,项数少、精度高的退化核函数是快速算法的关键.文中针对导体电磁散射问题,研究由两种插值技术构造的退化核,推导了由拉格朗日（Lagrange）多项式和指数型高斯径向基函数构造的退化核,并比较了它们的精度和效率.此外,引入一种新的近表面插值点网格来减少退化核的项数.最后,结合H矩阵框架实现了导体电磁散射问题的快速求解,数值例算验证了插值退化核的有效性,近表面网格的采用可以显著提高算法的计算效率,相比均匀网格,计算时间减少将近45％.     

一种含积分环节系统多步预测多步控制的算法

利用Laguerre正交函数序列对空间函数的良好逼近特性,建立了线性动态系统的Laguerre函数近似模型,该模型不需要对象的阶次和时延等结构知识,通过在线辨识对象的Laguerre系数矩阵,能较好地逼近结构未知系统。另外探讨了含积分环节单变量系统的多步预测和多步控制算法,并进行仿真,结果表明该算法具有较好的控制性能。     

线性时变系统辨识的神经网络方法

构造了一种用于线性时变系统辨 神经网络,研究了它对线性时变控制系统的逼近能力。在以Ｌ＾２（０,ｔ１）;Ｒ＾ｍ的任意一个有界子集为控制函数集上,神经网络具有一致逼近线性时变系统的状态的能力,了采用标准正交系作为样本的 训练方法,按照这种方法训练后,在由这个标准正交系所生成的Ｌ＾２「Ｏ,ｔ１」;Ｒ＾）的空间上,神经网络的输出一致逼近线性时变系统的状态。