基于向量图分析的迭代学习控制新算法

基于向量图分析,对迭代学习控制方法的几何框架进行探索.首先通过对通常算法所构 成的向量图进行几何分析,导出了新的迭代学习控制算法的结构,然后从理论上对所导出的新算 法进行了完整的收敛性分析.所得算法结构的形式与已有算法完全不同,但其收敛速度和精度有 明显提高,仿真结果表明了新算法的有效性与优越性.     

一类基于几何分析的迭代学习控制算法

基于几何分析，对迭代学习控制方法的几何框架进行探索．首先通过对Arimoto算法所构成的向量图进行几何分析，导出了一类新的迭代学习算法结构；然后从理论上对所导出的算法进行完整的收敛性分析．该算法结构与已有算法完全不同，但其收敛速度和精度明显提高．仿真结果表明了新算法的有效性和优越性．     

基于几何分析的迭代学习控制快速算法

基于几何分析, 对迭代学习控制问题进行了讨论. 在这种几何框架下获得了与目前算法完全不同的快速算法, 为迭代学习控制的研究开辟了一条全新的途径. 这种基于几何理论的新途径, 能明确的指引人们应该怎样去设计更好的学习算法, 而不是像目前的研究结果那样, 总是囿于Arimoto(1984)所提出的最基本的算法形式之中. 数值仿真结果表明新算法的有效性与优越性.     

基于几何分析的分布参数系统的迭代学习控制

研究了一类不确定非线性分布参数系统的迭代学习控制问题.基于几何分析方法,给出了分布参数系统一种新的具有自适应因子的非线性迭代学习控制算法.导出了新算法的收敛条件,并利用广义λ范数从理论上证明了新算法的收敛性.     

注塑机注射速度的模型预测迭代学习控制

针对注射过程具有重复运行和非线性的特性,在对预测控制与迭代学习控制进行综合应用并加以改进的基础上,给出一种模型预测迭代学习复合控制新算法,研究了控制器的设计方案.同时,将迭代学习思想引入到预测步长的在线调整,提出了预测步长的迭代学习方法.仿真结果表明,该方法是有效的,其控制性能优于PID迭代学习控制系统.     

基于向量图分析的分布参数系统迭代学习控制

针对一类不确定线性分布参数系统的迭代学习控制问题进行了讨论。基于向量图分析方法,提出了分布参数系统的一种新的迭代学习控制算法,该算法与现有算法不同,具有非线性形式。此外,利用 范数对所提新算法进行了完整的收敛性分析。     

注塑机注射速度的模型预测迭代学习控制

针对注射过程具有重复运行和非线性的特性,在对预测控制与迭代学习控制进行综合应用并加以改进的基础上,给出一种模型预测迭代学习复合控制新算法,研究了控制器的设计方案。同时,将迭代学习思想引入到预测步长的在线调整,提出了预测步长的迭代学习方法。仿真结果表明,该方法是有效的,其控制性能优于PID送代学习控制系统。     

基于强化迭代学习的四旋翼无人机轨迹控制

为进一步提升在未知环境下四旋翼无人机轨迹的跟踪精度,提出了一种在传统反馈控制架构上增加迭代学习前馈控制器的控制方法。针对迭代学习控制（ILC）中存在的学习参数整定困难的问题,提出了一种利用强化学习（RL）对迭代学习控制器的学习参数进行整定优化的方法。首先,利用RL对迭代学习控制器的学习参数进行优化,筛选出当前环境及任务下最优的学习参数以保证迭代学习控制器的控制效果最优;其次,利用迭代学习控制器的学习能力不断迭代优化前馈输入,直至实现完美跟踪;最后,在有随机噪声存在的仿真环境中把所提出的强化迭代学习控制（RL-ILC）算法与未经参数优化的ILC方法、滑模变结构控制（SMC）方法以及比例-积分-微分（PID）控制方法进行对比实验。实验结果表明,所提算法在经过2次迭代后,总误差缩减为初始误差的0.2%,实现了快速收敛;并且与SMC控制方法及PID控制方法相比,RL-ILC算法在算法收敛后不会受噪声影响产生轨迹波动。由此可见,所提算法能够有效提高无人机轨迹跟踪的准确性和鲁棒性。     

迭代学习控制综述

系统地论述了迭代学习控制的发展和研究现状,包括学习算法及其各种分析方法、与其他控制技术的结合及其应用都作了的总结.重点对迭代学习控制研究的前沿问题:基于频域分析的迭代学习控制、基于2-D理论的迭代学习控制、基于Lyapunov直接法的迭代学习控制、最优化迭代学习控制和采样迭代学习控制进行阐述.最后讨论了目前研究中存在的问题及未来的研究方向.     

一类具有控制时滞非线性系统在任意初值下的开环PD型迭代学习控制

在迭代学习控制理论的收敛性分析中,常见的初始条件是迭代初值与期望初值一致,或者迭代初值固定,给出了一类含控制时滞非线性时变系统在任意初值条件下采用开环PD型迭代学习控制算法时的收敛条件.迭代学习采用控制输入与初值同时学习的算法,其中控制输入利用了给定超前法,该算法解决了控制时滞和初值问题.运用算子理论证明了收敛条件,给出了间歇非线性控制时滞过程仿真实例,研究结果说明了该算法的有效性.     

基于向量图分析的自适应滤波快速算法

对自适应滤波算法进行了讨论,提出了基于向量图分析的快速算法.该方法与目前所有自适应滤波算法不同,将数学中的几何分析方法引入到自适应滤波的研究中,通过探讨最小均方(LMS)算法的向量图结构及其算法收敛的几何特征,在基于几何分析的基础上,寻找有效的快速算法.仿真结果表明了所获算法的有效性及优越性,从而为自适应滤波算法的研究开辟了另一条新的途径.     

分域设计迭代学习控制器抑制非重复性扰动

为了抑制迭代方向上已知重复样式的非重复性输出扰动,提出了迭代学习控制(Iterative Learning Control,ILC)的分域算法。时间域内设计传统PID型迭代学习控制器,并且优化其参数;迭代域内利用内模原理抑制非重复性输出扰动,跟踪期望轨迹;利用加权思想将两者相结合,得到迭代学习控制器的分域设计算法。相对于已有算法,建立了针对一般扰动的设计框架,并且合理配置了算法的参数,使收敛速度及精度有所提高。仿真结果说明了该算法的有效性。     

Non-negative Matrix Factorization with Symmetric Manifold Regularization

Non-negative matrix factorization (NMF) is becoming an important tool for information retrieval and pattern recognition. However, in the applications of image decomposition, it is not enough to discover the intrinsic geometrical structure of the observation samples by only considering the similarity of different images. In this paper, symmetric manifold regularized objective functions are proposed to develop NMF based learning algorithms (called SMNMF), which explore both the global and local features of the manifold structures for image clustering and at the same time improve the convergence of the graph regularized NMF algorithms. For different initializations, simulations are utilized to confirm the theoretical results obtained in the convergence analysis of the new algorithms. Experimental results on COIL20, ORL, and JAFFE data sets demonstrate the clustering effectiveness of the proposed algorithms by comparing with the state-of-the-art algorithms.

     

On a novel tracking differentiator design based on iterative learning in a moving window

Differential signals are key in control engineering as they anticipate future behavior of process variables and therefore are critical in formulating control laws such as proportional-integral-derivative (PID). The practical challenge, however, is to extract such signals from noisy measurements and this difficulty is addressed first by J. Han in the form of linear and nonlinear tracking differentiator (TD). While improvements were made, TD did not completely resolve the conflict between the noise sensitivity and the accuracy and timeliness of the differentiation. The two approaches proposed in this paper start with the basic linear TD, but apply iterative learning mechanism to the historical data in a moving window (MW), to form two new iterative learning tracking differentiators (IL-TD): one is a parallel IL-TD using an iterative ladder network structure which is implementable in analog circuits; the other a serial IL-TD which is implementable digitally on any computer platform. Both algorithms are validated in simulations which show that the proposed two IL-TDs have better tracking differentiation and de-noise performance compared to the existing linear TD.     

Iterative Learning Control for Nonlinear Systems with Data Dropouts at Both Measurement and Actuator Sides

This paper discusses the iterative learning control (ILC) for nonlinear systems under a general networked control structure, in which random data dropouts occur independently at both measurement and actuator sides. Both updating algorithms are proposed for the computed input signal at the learning controller and the real input signal at the plant, respectively. The system output is strictly proved to converge to the desired reference with probability one as the iteration number goes to infinity. A numerical simulation is provided to verify the effectiveness of the proposed mechanism and algorithms.     

非线性非仿射离散时间系统的两阶段最优迭代学习控制

On the basis of a new dynamic linearization technology along the iteration axis,a dual-stage optimal iterative learning control is presented for nonlinear and non-affine discrete-time systems.Dual-stage indicates that two optimal learning stages are designed respectively to improve control input sequence and the learning gain iteratively.The main feature is that the controller design and convergence analysis only depend on the I/O data of the dynamical system.In other words,we can easily select the control parameters without knowing any other knowledge of the system.Simulation study illustrates the geometrical convergence of the presented method along the iteration axis,in which an example of freeway traffic iterative learning control is noteworthy for its intrinsic engineering importance.