基于2-D系统理论的D型闭环迭代学习控制

将2－D线性连续－离散系统理论应用于连续线性迭代学习控制系统中，给出能很好反映失代学习控制过程的数学模型－2－D线性连续－离散系统Roessor模型，在2－D系统理论基础上证明了D型闭环迭代学习控制律的收敛性，根据该理论设计的闭环迭代学习控制器，受到的限制较小。     

基于二维混合模型的鲁棒迭代学习控制设计

针对一类正则线性不确定系统,提出一种基于连续/离散二维混合模型的迭代学习控制设计方法。首先,通过独立地考虑迭代学习控制系统连续的控制行为与离散的学习行为,建立迭代学习控制系统的连续/离散二维混合模型,将迭代学习控制器设计问题转化为一类连续/离散二维系统的状态反馈控制问题。然后应用二维连续/离散系统方法,获得迭代学习控制系统稳定性条件。最后根据稳定性条件,利用线性矩阵不等式方法,求得迭代学习控制器参数,它通过Matlab工具箱可以方便的获得。与现有方法相比,所提出的迭代学习控制器利用了输出误差以及状态变化的信息来修正当前的控制,因而设计方法更加符合其本质特征,具有简单实用、直观明了的特点。数值仿真实例验证了所提方法的有效性。     

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。     

具有控制时滞的不确定分布参数系统迭代学习控制

研究了具有控制时滞的不确定线性分布参数系统的迭代学习控制问题,允许系统在迭代过程中初始状态值存在一定偏差。提出了基于时滞已知的P型迭代学习控制算法,给出了其L²范数收敛的充分条件,并利用Green公式、以及Gronwall-Bellman不等式等从理论上进行收敛性证明。数值例子验证了该算法的有效性。     

时变非线性系统直接自适应迭代学习控制

针对一类含有非周期时变参数化不确定性的非线性系统,设计了一种新的迭代神经网络估计器,解决了非周期时变不确定性带来的设计难题。用迭代神经网络直接对期望控制量进行整体逼近,利用Lyapunov稳定性理论和自适应迭代学习控制技术设计了控制器,并进行稳定性分析,证明了系统所有状态量有界,且输出量将收敛至期望轨迹的一个邻域内。仿真结果验证了控制器设计方案的正确性。     

一类线性时变系统组合自适应迭代学习控制

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应控制方法与迭代学习相结合,提出了组合模型参考自适应迭代学习控制算法.基于Lyapunov方法推导出迭代学习控制律以及针对时变惯性参数与时不变高频增益的组合自适应参数更新律.该算法适于控制快时变系统,并使跟踪误差、参数估计误差和控制信号有界.当迭代次数趋于无穷时,跟踪误差关于有限时间区间一致收敛到零.系统仿真验证了所提控制算法的有效性.     

任意初始状态下非正则系统的迭代学习控制设计

迭代学习控制已广泛应用于各种机器人控制系统,但目前的方法大多数都假设系统具有零初始误差。在实际工程应用中,迭代学习的初始状态往往会发生漂移,现有的学习算法不能正确地使用。针对具有非零初始误差的非正则线性离散系统,研究了其迭代学习算法,提出了两种新型的初始状态的学习方法,利用2 D系统理论,对迭代学习进行了2 D分析,以保证所提出算法的稳定性。由于不需要假设系统初始误差为零,该算法更符合工程实际,仿真验证了算法的有效性。     

基于Shifted Legendre正交多项式的迭代学习控制方法

考虑用迭代学习控制方法来解决一类线性时变连续系统的终端控制问题。运用ShiftedLegendre正交多项式的展开技术,利用其正交性和边值条件,将线性时变系统的微分方程转化为代数方程,避免了在判断误差收敛条件的过程中求解线性时变系统状态转移矩阵。并采用高阶学习律来求控制输入的ShiftedLegendre系数向量,仿真实例验证了该方法的有效性。     

基于T-S模型的迭代学习控制算法及其在机器人点位控制中的仿真研究

考虑了一类特殊的迭代学习控制问题，即用迭代学习方法解决机器人的点位控制问题。采用T-S模型描述机器人系统，在T-S模型的基础上，运用并行分配补偿方法(PDC)确定T-S模型的迭代学习控制器结构，并给出了误差收敛条件。为避免迭代过程的初始定位操作，丈中还设计了模糊循环迭代学习律。最后以在垂直面内运动的单关节的机器人为例说明了所提出方法的有效性。     

带有EKF速度观测的P型迭代学习直线伺服系统

针对永磁直线同步电机伺服系统,采用P型迭代学习控制律下的位置-速度控制器,实现参考位置信号的跟踪控制.详细分析了永磁直线伺服系统的数学模型,在此基础上给出迭代学习直线伺服系统的收敛性定理.同时避免位置信号微分运算的不准确结果,给出推广卡尔曼滤波器观测直线速度的方法.采用matlab和dSPACE方法对迭代学习直线伺服系统进行仿真研究,仿真结果表明迭代学习控制能够保证系统性能在不断学习中提高,系统具有很好的动态响应和学习能力.     

基于深度残差适配网络的通信辐射源个体识别

为解决通信辐射源识别中传统的人工特征提取方法鲁棒性不足和深度学习方法需要大量带标签目标域数据的问题,提出一种基于深度残差适配网络的通信辐射源个体识别方法.应用深度学习技术实现从源域到目标域上的迁移识别,只需要将带标签的源域数据和无标签的目标域数据进行训练.原始通信辐射源信号经过预处理后输入网络训练,将源域和目标域的分布...     

区间可调节的变增益加速迭代学习控制

为加快迭代学习控制律的收敛速度,针对线性时不变系统,以P型、D型学习律为例,提出了区间可调节的、具有指数加速、含反馈信息的迭代学习控制算法。首先,根据每次学习效果,确定下一次迭代需要修正的区间并在该区间内修正控制律增益;其次,分析了所提算法的收敛性并给出其收敛条件;最后,理论结果表明收敛速度主要取决于被控对象、控制律增益、修正指数和学习区间的大小。相同仿真条件下,与传统算法相比,所提算法具有更快的收敛速度。     

具有持续扰动的时滞系统的最优跟踪控制

针对在外部持续扰动下的线性时滞系统提出了一种最优跟踪控制的逐次逼近算法。首先将状态向量含有时滞的线性系统的最优跟踪问题转化为最优调节问题，然后利用逐次逼近算法，将既含有时滞项又含有超前项的两点边值问题转化为不含时滞项和超前项的线性两点边值问题族得到调节系统的最优控制律，然后可以通过截取最优控制序列的有限项得到调节系统的前馈-反馈次优控制律，最后再将最优控制问题转化为最优跟踪问题。     

任意初始状态下迭代学习控制的频域分析

针对广义受控对象G(s) ,提出了一种迭代学习控制器在频域中设计的思想 ,给出了在任意初始状态下迭代学习控制算法收敛的充分条件 ,证明了经过逐次迭代后系统实际输出信号对期望输出信号的逼近特性 ,输出跟踪误差将一致有界 ,且与期望状态及期望输入无关。进一步讨论了反馈控制在迭代学习控制器中的作用。仿真结果表明了该算法的有效性。     

Improved clustering method based on artificial immune

An improved clustering method based on artificial immune is proposed. To obtain the better initial solution, the initial antibody network is introduced by self organizing map (SOM) method. In the process of the clustering iteration, a series of optimization and evolution strategies are designed, such as clustering satisfaction, the threshold design of scale compression, the learning rate, the clustering monitoring points and the clustering evaluations indexes. These strategies can make the clustering thresholds be quantified and reduce the operator’s subjective factors. Thus, the local optimal and the global optimal clustering simultaneously are proposed by the synthesized function of these strategies. Finally, the experiment and the comparisons demonstrate the proposed method effectiveness.     

基于2-D系统理论的变初始条件离散系统的迭代学习控制

对于具有重复运动特性的系统，迭代学习控制是一种简单有效的控制方法。为便于实时应用，所有迭代学习控制方案的设计必须在离散时间域进行。初始状态问题是学习控制设计中遇到的一个重要问题。针对具有变初始状态的离散时间系统，利用2-D线性连续．离散型系统理论设计了闭环迭代学习控制器，并给出了保证控制器收敛的充分必要条件。仿真结果证明了该方案的有效性。     

MAXIMUM PRINCIPLE FOR OPTIMAL CONTROLPROBLEM OF FULLY COUPLEDFORWARD-BACKWARD STOCHASTIC SYSTEMS

1.IntroductionLet(fi,F,P)beaprobabilityspaceand{Bt}tZobead-dimensionalBrownianmotioninthisspace.Let{R}tZobethenaturalfiltrationofthisBrownianmotion.Weconsiderthefollowingfullycoupledforward-backwardstochasticsystems:where(x,y,z)takesvaluesinR"xacxRTnxd.LetUbeanonemptyconvexsubsetofR',Anelementofadiscalledanadmissiblecontrol.Wecandefinethefollowingcostfunction:TheoptimalcontrolproblemistominimizethecostfunctionJ(v(.))overadmissiblecontrols.Anadmissiblecontrolu(.)iscalledanoptimalcontrol…     

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.