一种新的迭代学习控制快速算法

对一类连续系统的迭代学习控制问题进行了讨论，提出了一种新的迭代学习控制算法，该算法与目前的算法具有完全不同的形式，数值仿真结果表明了新算法的有效性与优越性。     

基于克隆选择算法的优化迭代学习控制

将改进的克隆选择算法用于求解迭代学习控制中的优化问题,提出一种基于克隆选择算法的优化迭代学习控制.通过一个特殊设计的高斯变异操作,采用实数编码的克隆选择算法不但可以解决迭代学习控制中的非最小相位和非线性问题,而且可以很好地处理系统输入的约束问题.此外,由于更多的先前信息被编码进克隆选择算法中,减小了搜索空间,从而大幅提高了算法的收敛速度.仿真结果表明,对于所选线性和非线性被控对象该策略都能够取得满意的收敛效果.     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

非线性时滞系统的智能迭代学习控制

针对一类单输入单输出非线性时滞系统,提出了一种自适应神经网络迭代学习控制方案,神经网络用来逼近未知非线性函数和未知非线性时滞函数,放宽了传统迭代学习控制对非线性函数和非线性时滞函数的限制,拓展了迭代学习控制的应用范围．采用Lyapunov—Krasovskii函数和利用反演（Backstepping）技术设计神经网络学习律和控制律,基于Lyapunov稳定性理论,证明了闭环系统所有信号半全局一致最终有界,通过调节设计参数可以实现对目标轨线任意精度的跟踪．     

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.     

基于小波递归神经网络的间歇过程迭代学习优化控制

针对间歇过程提出了基于小波神经网络的迭代学习优化控制算法,实现产品终点质量指标的控制。小波递归神经网络用于建立提供长期预测的间歇过程模型。由于模型误差以及未知干扰的影响,基于预测模型得到的控制变量在实际应用中得不到期望的终点质量指标。利用间歇过程的重复特性,采用迭代学习优化控制改善批次间的产品质量,根据以前批次的模型预...     

均热炉温度神经网络迭代学习控制算法

针对具有不确定性的重复非线性均热炉温度控制系统,提出基于神经网络的迭代学习控制算法,该算法采用神经网络作为迭代学习控制器,以前馈方式作用于被控系统,并引入PID反馈控制器来提高系统的性能.仿真结果表明,针对过程存在的重复干扰,该算法比单纯反馈控制具有更好的控制效果.     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

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。     

前馈神经网络中BP算法的一种改进

在传统的BP算法基础上,提出了一种改进的BP学习算法,先加入描述网络复杂性的量,使算法能够考虑到网络的连接复杂性,进而有可能删除掉冗余的连接甚至节点;接着提出对网络的学习步长的动态调整,以此来尽量避免传统学习中的学习速度过慢和反复震荡;然后给出新的算法是高阶非线性收敛的证明;最后通过实验说明的新的BP算法在一定程度上可减少网络的复杂性,有着比传统算法更快的收敛速度。     

神经网络故障检测算法研究

该文采用输出带输入线性项的RBF神经网络来辨识非线性随机系统模型,基于扩展卡尔曼滤波器的设计思想,设计了一个可估计状态滤波协方差阵及状态预测协方差阵上界的次优状态滤波器,以产生残差序列,并可用来进行故障检测。该方法适用于一大类非线性随机系统,具有较大的适用范围。     

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。     

一类不确定非线性系统的神经网络鲁棒反推镇定控制

对一类不确定非线性系统,将反推控制和神经网络相结合,研究了其鲁棒渐近镇定控制问题。与通常研究中被控对象仅局限于严格反馈形式相比较,研究对象更具一般性。基于反推控制方法来构造镇定控制器,利用神经网络来逼近控制器构造过程中产生的不确定项,并提出一种新的自适应算法来在线调节神经网络权值。通过一步步适当地选取虚拟控制器的参数和神经网络权值的自适应律,最终得到的控制器使得整个闭环系统是全局渐近稳定的。     

一类非线性系统迭代优化神经网络控制器

提出了一类非线性系统迭代优化神经网络控制器的设计方法,该是在正向神经网络辨识模型的基础上,应用迭代学习方法进行控制器设计。为了补偿辨识和迭代学习误差,给出了通过引入了反馈补偿控制器控制精度的方法,仿真结果证明了该方法的有效性。     

前向多层感知器网络的逐层学习算法

提出一种改进的前向多层网络逐层学习算法,隐层神经元的输出函数由具体系统的样本输出值确定,先让前面的隐层及输入层的权值确定不变,然后对当前层的权值进行,前一隐层输出值地误差进行估计以得到新的输出值,将其作为临时教师信号用来训练前一层的权值,把每一层权值的改变量和输出值误差的估计转变为最小二乘问题,逐层处理,直到输入层,数字仿真和具体应用的结果表明了算法的有效性。     

模糊超球神经网络的条件重叠学习算法

模糊超球神经网络的聚类学习算法采用形状因子θ实行有指导的学习.针对θ的引入所带来的问题,提出一种新的无指导学习算法--条件重叠学习算法.算法不受模糊超球形状因子θ的影响,学习速度快,学习后的模糊超球个数更少,识别正确率更高.     

基于神经网络的多变量自适应控制器

利用神经网络对非线性映射的逼近能力，通过采用一步超前预测控制性能指标及网络模型局部线性化的思想，给出了一个显式的控制律和相应的自适应控制算法，仿真结果表明了该控制算法的有效性。     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。     

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.