一类有色噪声干扰下的随机时变系统学习辨识

讨论由一类时变ARMAX模型描述的动态系统学习辨识问题,提出用于估计有限区间上重复运行时变系统时变参数的学习算法.文中给出最小二乘学习算法的具体形式及实现步骤,并分析所提出学习算法的收敛性.分析结果表明,当重复持续激励条件成立且满足严格正实条件时,提出的学习算法具有重复一致性,即参数估值完全收敛于真值.文中还将结果推广到一类周期时变系统.通过数值仿真,进一步对所提学习算法的有效性进行了验证.     

一类线性时变系统组合自适应迭代学习辨识

针对一类在有限时间区间上可重复运行的既含时变参数又含时不变参数的高阶线性时变系统,提出了一种模型参考组合自适应迭代学习参数辨识算法.应用Lyapunov方法,给出了时不变参数的时域自适应学习律和时变参数的迭代域自适应学习律,分析了参数估计和模型状态跟踪误差的有界性与收敛性.该算法适于时变和时不变参数并存的线性系统的参数辨识,可加快参数估计的收敛速度.仿真例子验证了所提出的辨识算法的有效性.     

离散时间Lipschitz 非线性时变时滞系统H∞ 估计: Krein 空间方法

研究一类离散时间Lipschitz非线性时变时滞系统的H∞估计问题.通过状态扩展方法,将时变时滞系统转化为具有时变参数的无时滞系统.结合H∞性能指标和Lipschitz非线性条件,构造不定二次型并建立与Krein空间2估计的联系.运用新息分析方法和Krein空间投影公式,给出了H∞估计器存在的充分条件和基于Riccati方程的估计器递推算法.最后,通过仿真算例验证了所提出算法的有效性.     

具有输入死区的非线性系统的鲁棒重复控制

针对一类输入含死区非线性特性的周期时变系统, 在周期时变参数不可参数化的情形下设计鲁棒重复控制器. 采用微分自适应律估计未知死区参数, 剩余的有界项通过鲁棒方法予以消除, 为避免出现颤振现象, 采用饱和函数替代符号函数. 在系统输出跟踪周期轨迹的情形下, 将非参数化不确定项转化为含周期时变参数的形式, 以达到利用周期学习律进行估计的目的. 理论分析与仿真结果表明, 采用部分饱和或全饱和学习算法均能实现输出误差有界收敛, 并保证闭环系统所有信号有界.     

非参数不确定系统的双周期重复控制

针对一类扰动周期与参考信号周期之间无公共倍数的非参数不确定系统,为实现系统输出对参考信号的跟踪,本文提出一种双周期重复控制方法.基于Lyapunov方法设计控制器,结合鲁棒方法与双周期重复学习方法处理非参数不确定性与周期性扰动,利用无限幅学习方法估计时变参数.经过足够多个周期的重复运行后,可实现系统输出在整个参考信号重复周期上无误差地跟踪参考信号.最后,通过仿真示例验证所提控制方法的有效性.本文给出了闭环系统中无限幅学习量有界的数学证明,其结果优于多数现有文献中的L2意义下有界.     

基于时变神经网络的非线性时变系统建模

提出时变神经网络模型,用以逼近未知非线性时变映射,实现非线性时变系统建模.将时变神经网络的权值学习作为时变系统的时变参数估计问题,并基于迭代学习机制,给出在同一时刻沿迭代轴训练网络权值的迭代学习最小二乘算法.理论上证明了该算法的全局收敛性.给出的数值算例表明所提算法在非线性时变系统建模方面的有效性.     

神经网络在线投影算法及非线性建模应用

针对神经网络难以在线学习的缺点,把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,基于新估计准则的非线性系统在线参数估计投影算法,给出前馈神经网络的一种在线运行投影学习算法.理论上证明该算法的全局收敛性,讨论算法参数的物理意义和取值范围.通过2个非线性时变系统的神经网络建模应用的仿真,验证算法的全局收敛性和在线运行能力.     

含有参数化和非参数化不确定性系统重复学习控制

针对含有参数化和非参数化的高阶非线性系统,设计了一种重复学习控制方案.假设未知时变参数和参考信号的共同周期是已知的,通过参数重组技巧,将所有未知时变项合并为一个周期时变向量.将改进Backstepping方法与分段积分机制相结合,构造了微分-差分参数自适应律和重复学习控制律,使跟踪误差在误差平方范数意义下渐近收敛于零.利用Lyapunov泛函,给出了闭环系统收敛的充分条件.仿真结果验证了该方法的有效性.     

基于自适应重复学习的不确定多涡卷混沌系统同步控制

基于滞环函数提出一种参数可调的多涡卷混沌系统构造方法. 针对复杂不确定性系统, 综合利用自适应神经网络和重复学习控制方法设计一种自适应重复学习同步控制器; 利用自适应重复学习控制方法对周期时变参数化不确定性进行处理; 对函数型不确定性利用神经网络逼近技术进行补偿; 设计鲁棒学习项对神经网络逼近误差和扰动上界进行估计; 通过构造类Lyapunov 复合能量函数证明了同步误差学习的收敛性. 仿真结果验证了所提出方法的有效性.

     

生态系统时变参数估计的一种方法

本文以水生动植物系统为例,讨论了生态系统时变参数的估计,把时变参数的估计问题转化为最优控制问题,给出了一种拟最优化算法,该方法在微型机上进行模拟计算已获得较满意的结果。     

基于辅助模型的量化控制系统辨识方法

针对具有通信约束的量化控制系统模型, 在采用随机重复性试验测量信息的技术上, 提出了基于辅助模型的量化系统参数辨识方法. 首先分析了在随机重复性试验方法下量化系统的模型特征并给出了分两步辨识的策略.分析表明, 在上述模型里系统具有时变的估计误差, 推导了进行参数辨识所满足的持续激励条件, 并给出了基于辅助模型的多新息量化辨识递推算法. 接着研究了所给出辨识算法的收敛性分析, 得到了系统参数估计误差上界的计算式,最后将方法推广到一类Hammerstein非线性系统量化辨识问题上. 数字仿真验证了该算法及结论     

一类非线性参数化系统自适应重复学习控制

针对一类高阶非线性参数化系统, 利用分段积分机制, 提出了一种新的自适应重复学习控制方法. 该方法结合反馈线性化, 可以处理参数在一个未知紧集内周期性快时变的非线性系统, 通过引进微分-差分混合型参数自适应律, 设计了一种自适应控制策略, 使广义跟踪误差在误差平方范数意义下渐近收敛于零, 通过构造Lyapunov泛函, 给出闭环系统收敛的一个充分条件. 实例仿真结果说明了该方法的可行性.     

一类高阶非线性参数化系统自适应重复学习控制

针对一类高阶非线性参数化系统,利用参数重组技巧,提出了一种自适应重复学习控制方法.该方法结合反馈线性化,可以处理参数在一个未知紧集内周期性、快时变的非线性系统.通过引进微分-差分参数自适应律,设计了一种自适应控制策略,使广义跟踪误差在误差平方范数意义下渐近收敛于零.通过构造Lyapunov泛函,给出了闭环系统收敛的一个充分条件.实例仿真结果说明了该方法的可行性和有效性.     

周期时变系统的鲁棒自适应重复控制

针对周期时变系统,提出一种鲁棒自适应重复控制方法.该方法利用周期学习律估计周期时变参数,并结合鲁棒自适应方法处理非周期不确定性.与现有重复控制不同的是,在控制器设计中引入了新变量—周期数,利用周期系统的重复特性,使界的逼近误差随周期数的增加而逐渐减少,保证了系统的全局渐近稳定性.同时将该方法应用于一类非线性参数化系统,使系统在非参数化扰动的情形下,输出误差仍能收敛于0,倒立摆模型的仿真验证了此结果.该设计方法适用于消除神经网络逼近误差对重复控制系统的影响,理论证明了基于神经网络的鲁棒自适应重复控制系统中所有变量的有界性和输出误差的渐近收敛性,关于机械臂模型的仿真结果验证了受控系统具有良好的跟踪性能.     

一类输出饱和系统的学习控制算法研究

传感器饱和是控制系统中较为常见的一种物理约束. 本文针对一类含饱和输出的受限系统, 提出了两种学习控制算法. 具体而言, 首先, 对于重复运行的被控系统, 设计了开环P型迭代学习控制器, 实现在有限时间区间内对期望轨迹的完全跟踪, 并在λ范数意义下分析了算法的收敛性, 给出了含饱和输出的迭代学习控制系统的收敛条件. 进而, 针对期望轨迹为周期信号的被控系统, 提出了闭环P型重复学习控制算法, 并分析了这类系统的收敛性条件. 最后, 通过一个仿真实例验证了本文所提算法的有效性.     

不确定分数阶多涡卷混沌系统自适应重复学习同步控制

研究了不确定分数阶多涡卷混沌系统的自适应重复学习同步控制问题.通过利用滞环函数,设计了一类参数可调的分数阶多涡卷混沌系统.针对这类分数阶多涡卷混沌系统,在考虑非参数化不确定性、周期时变参数化不确定性、常参数化不确定性和外部扰动情况下,提出了一种重复学习同步控制方案.利用自适应神经网络技术补偿了系统中的函数型不确定性,通过自适应重复学习控制技术处理了周期时变参数化不确定性,并利用自适应鲁棒学习项处理了神经网络逼近误差和干扰的影响,实现了主系统和从系统的完全同步.综合利用分数阶频率分布模型和类Lyapunov复合能量函数方法证明了同步误差的学习收敛性.数值仿真验证了所提方法的有效性.     

Robust adaptive repetitive learning control for a class of time-varying nonlinear systems with unknown control direction

A robust adaptive repetitive learning control method is proposed for a class of time-varying nonlinear systems. Nussbaum-gain method is incorporated into the control design to counteract the lack of a priori knowledge of the control direction which determines the motion direction of the system under any input. It is shown that the system state could converge to the desired trajectory asymptotically along the iteration axis through repetitive learning. Simulation is carried out to show the validity of the proposed control method.