具有扰动的非线性系统高阶迭代学习控制

迭代学习控制(ILC)利用系统的重复性不断改进控制性能.本文讨论一类具有扰动的非线性、时变系统高阶迭代学习控制算法及其迭代学习收敛的充分条件,并与D型迭代学习算法相比,讨论典型PD高阶ILC算法的收敛速度.仿真结果证实高阶ILC算法具有更快的收敛速度,并且当系统满足收敛条件、不确定项及输出扰动项有界时迭代学习收敛.     

分形图像插值加速收敛方法的改进

图像插值是对数字图像进行不同比例放大过程中必须解决的关键问题。由于分形具有无穷的 细节,采用分形的方法对图像进行插值可以使图像放大后保持较高的视觉分辨率。针对分形图像插 值速度较慢的特点,提出了两种加速收敛的方法,即根据控制学中的有关理论,提出了一种简单易 行的带比较环节的迭代方法,提高迭代收敛速度;此外,尝试一种交叉迭代法,同样达到了加速收敛 的目的。最后,对两种加速方法的实验结果所反映的特点和不足进行了分析和讨论。     

方程迭代求根加速收敛的算法研究

本文介绍了方程迭代求根的方法．以迭代法的收敛性和收敛速度为出发点，提出并讨论了采用迭代值的组合和方程式的变换等技巧来提高迭代的收敛性并加快其收敛速度的算法．文中对算法进行了描述，并用具体实例证明了该算法的有效性．     

基于初始中心迭代收敛的文本聚类方法

利用两三次的K-Means迭代得到初始簇的中心,选择一组具有良好区分度的方向构建IMIC坐标系,在该坐标系下,构造出各坐标轴的重新标度函数用以提高聚类决策的有效性。算法IMIC经过多次迭代,最后收敛到最终解。IMIC算法的时间复杂度与K-Means保持在同一量级上。实验结果表明,IMIC算法有较好的聚类质量。     

初始化簇类中心和重构标度函数的文本聚类*

根据文本集的中心和初始簇的中心,选择一组具有良好区分度的方向构建IMIC坐标系,在该坐标系下构造出各坐标轴的重新标度函数用于提高聚类决策的有效性。算法IMIC经过多次迭代,收敛到最终解。IMIC算法的时间复杂度与K-means保持在同一量级上。实验结果表明,IMIC算法有较好的聚类质量。     

一族避免二阶求导的四阶迭代法

从一族解非线性方程的带参数的三阶迭代法出发,推出避免计算二阶导数的迭代族.它只需计算一阶导数值,但收敛速度却更高,至少具有四阶的收敛速度,它与别的同类型方法相比具有形式简单、计算量少等特点.最后给出数值实验,从数值实验可以看出新方法是非常有效的.     

线性广义系统的迭代学习控制

针对线性时不变广义系统的迭代学习控制问题．利用时间加权范数性质．通过Frobenius范数给出广义系统在D型和PD型闭环学习律作用下系统的实际输出轨迹逐渐逼近理想输出轨迹的充分条件．并指出在D型闭环学习律的基础上加上P型闭环学习律不影响控制系统的收敛性．但可以改变系统的性能．仿真算例说明了该方法的有效性．     

一种新的π迭代算法

本文介绍了迭代算法在π的计算中的应用，分析了一种具有四阶收敛速度的迭代算法，并提出一种新的具有六阶收敛速度的迭代算法。     

一种新型的迭代学习控制器设计研究

针对一般连续系统的迭代学习控制问题进行了讨论,通过对常用的P型迭代学习控制算法的分析,在分析比较P型、PD型迭代学习控制律存在问题的基础上,提出了一种新型的迭代学习控制算法,利用误差信号以及相邻两次误差的差值信号对系统控制律进行逐次修正,既能避免PD型迭代算法由于微分作用而出现的不良影响,又可以充分地利用了系统已保存的有效信息,从而实现良好的跟踪效果以及较快的跟踪收敛速度,最后通过对一非线性连续系统的仿真,结果验证了算法相对于传统P算法的有效性与优越性.     

一种基于迭代学习的移动机器人轨迹跟踪控制方法

机器人迭代学习在某些场合下有着重要的应用。传统的P型或PD迭代学习需要较长的迭代过程,本文提出了一种具有快速收敛的迭代学习策略。在给出的轮式移动机器人运动学模型基础上进行了仿真,结果证明了策略的有效性。     

一种基于CORDIC算法的高精度反正切求解

传统的CORDIC(坐标旋转计算机)算法进行高精度反正切求解时存在迭代次数多、收敛速度慢、资源消耗大等问题,提出一种改进的高精度CORDIC算法.该方法利用传统的CORDIC算法迭代数次后得到正弦信息,并利用角度和正弦值近似的原理,对迭代后的结果进行误差补偿,有效提高了相同迭代步数下的计算精度.实验数据表明:32位改进...     

提高迭代自学习控制算法收敛速度初探

从学习律、学习律参数、输出误差等三方面讨论了迭代自学习算法的收敛速度,为提高该算法的收剑速度得到了一些有用的结论。     

时滞系统采样迭代学习控制

针对一类具有状态时滞的连续系统提出一种采样迭代学习控制算法。给出并证明了算法指数收敛的充分条件,该条件可保证系统输出无论在采样点或非采样点上,都能以指数收敛速率收敛至期望输出的一个与采样周期有关的误差范围内。仿真结果表明了该算法的有效性。     

和声搜索算法探索能力研究及其修正

和声搜索算法(harmony search,HS)的一大缺点是它容易陷入局部最优.针对此缺点,深入研究了近期文献中所提出的步长(bw)调整方法.首先具体分析了和声搜索算法即兴创作过程的探索能力,而后推导出在不对称区间下即兴创作过程的探索能力与各参数的关系,并进一步讨论了bw对探索能力和算法收敛的影响,证明了方差期望和均值期望所组成的迭代方程的迭代收敛充分性.基于这些分析和证明,提出一种修正和声搜索算法(modified harmony search,MHS),并分析了参数和声记忆库大小(harmony memory size,HMS)、基音调整概率(pitch adjusting rate,PAR)及和声记忆库的考虑概率(harmony memory considering rate,HMCR)对MHS优化性能的影响.数值仿真结果表明MHS算法优于HS及最新文献所报道的8种改进HS算法,具有良好的优化性能.     

图像插值迭代类算法中加速收敛方法的改进

首先分析了传统松驰参数加速收敛方法的局限性,最后根据控制学中的有关理论,提出了一种简单易行的带比较环节的积分器,使迭代收敛速度大为提高。     

具有反馈信息的迭代学习控制律在Lebesgue-p范数意义下的收敛性

针对一类线性时不变系统, 提出了具有反馈信息的PD-型(Proportional-derivative-type)迭代学习控制律, 利用卷积的推广的Young不等式, 分析了控制律在Lebesgue-p范数意义下的单调收敛性. 分析表明, 收敛性不但决定于系统的输入输出矩阵和控制律的微分学习增益, 而且依赖于系统的状态矩阵和控制律的比例学习增益; 进一步, 当适当选取反馈增益时, 反馈信息可加快典型的PD-型迭代学习控制律的单调收敛性. 数值仿真验证了理论分析的正确性和控制律的有效性.     

两种解非线性方程组的四阶迭代方法

本文给出了两种新的解非线性方程组的迭代方法,证明了它们具有四阶收敛性,通过数值实例对几种不同的迭代方法和本文提出的两种新方法进行了分析比较,说明了本文方法的有效性.     

迭代学习控制的最优学习律和简化学习律的频域研究

为了在线性时不变MIMO系统中得到迭代学习控制的最优学习律和便于工程实现的简化学习律,在频域上对其进行了相关研究。以系统的传递函数矩阵为基础,依据Parseval定理,将时域误差关联为频域误差,再利用Jordan标准形矩阵等矩阵性质,得到了学习律的通适收敛条件。通过分析该条件,得出了收敛速度最快的一次迭代就能完成的最优学习律。由于高阶导数不利于消除噪音,因此文中还讨论了导数的降阶,给出了简化学习律算法。仿真结果表明,最优学习律和简化学习律是有效的。     

基于迭代参数优化的自适应小波网络均衡算法

针对现有网络均衡算法中存在的收敛速度慢、计算冗余等问题,通过对传统的自适应均衡算法与小波变换进行相关研究分析,提出一种基于小波变换的网络均衡算法。小波变换的良好鲁棒性弥补了传统自适应均衡算法中收敛速度慢的缺陷,通过分析算法的收敛性,重新设置迭代中的参数。实验结果表明,该算法的实验结果与预期效果基本相符,具有良好收敛效果的同时并保持了较低的误码率。     

一类广义系统的迭代学习控制

在对广义系统进行标准分解的基础上, 研究了含脉冲快子系统的迭代学习控制问题. 通过 Frobenius 范数给出了快子系统在 P 型学习律作用下收敛的充分性条件, 同时通过梯度法给出求解增益矩阵的方法. 其次, 讨论了单输入单输出不确定广义系统的迭代学习控制问题, 通过优化方法给出该系统在 P 型学习律作用下, 系统实际输出尽可能快地收敛到理想输出的增益矩阵的选择方法.