虚拟参考反馈校正控制器参数的预测误差辨识

针对未知系统中双控制器的设计问题,采用虚拟参考反馈校正方法,通过最小化由一组观测数据组成的L2范数所构成的代价函数,达到直接设计控制器目的.联合前馈控制器分离出的固定部分和反馈控制器作为滤波器,对原输入/输出关系式进行重参数化,得到标准的预测误差辨识形式,在所得式中,对控制器未知参数矢量采用可分离迭代的非线性最小二乘法进行估算.文中还对算法的收敛性进行了理论分析,并通过仿真验证了所提方法的有效性.     

基于Backstepping的机器人鲁棒跟踪控制

针对机器人跟踪控制问题，提出了基于Backstepping方法下的滑模变结构控制律，并利用低通滤波器(LPF）削弱了滑模控制中出现的抖振现象，该控制律能保证轨迹跟踪误差的快速收敛性及对外部扰动和参数不确定性的鲁棒性。仿真实例证实了理论分析结果的正确性。     

直接加权优化辨识中未知权重值的迭代选取

对于非线性系统的直接加权优化辨识算法,通过在原线性仿射函数形式中,增加若干关于输入观测 数据序列的线性项来增强逼近非线性。对于增加若干线性项后展开式中的两类未知权重值的选取,分别从理论 和实用上推导出这些未知权重值的选取过程,并明确权重值间的关键和辅助作用。理论上的推导分析可明确增 加的未知权重值在整个逼近非线性系统的目的中起着辅助作用;实用上的推导分析展示了怎样将某些复杂的最 优化问题经过整理变换成常见的最优化问题,从而可利用最基础的优化方法来求解,并分别对理论和实用算法的 收敛性做了必要的证明。最后用仿真算例验证所提方法的有效性和可行性。     

闭环系统的虚拟参考反馈校正控制设计

在线性框架下,研究基于输入-输出观测数据对未知系统模型中反馈控制器的设计问题.采用虚拟参考反馈校正控制方法,通过最小化由一簇采集数据组成的L2范数控制代价函数,直接对控制器进行设计,而无需对系统模型建模辨识.针对控制设计中的优化问题,借助分离性原理,推导了一个迭代的可分离的非线性最小二乘辨识方法.该辨识方法可以降低收敛于局部最小的可能性,得到设计准则中参数矢量估计的全局最优解.给出在应用前利用概率统计对控制器进行检验的方法,以保证闭环系统的稳定性.仿真算例验证了方法的有效性.