共查询到19条相似文献,搜索用时 82 毫秒
1.
时滞非线性系统的采样迭代学习控制 总被引:1,自引:0,他引:1
针对一类输入时滞非线性系统, 提出了一种采样迭代学习控制算法, 该算法不含跟踪误差的微分信号, 给出了学习算法收敛的充分条件, 当不存在初始误差、不确定扰动时, 算法在采样点处能实现对期望输出信号的完全跟踪, 否则, 跟踪误差一致有界, 仿真结果表明了该算法的有效性. 相似文献
2.
针对一类具有任意切换规则的分数阶线性时滞切换系统,利用λ范数研究了 PDα型分数阶迭代学习控制算法(FOILC)的收敛性,分析了在其控制下系统的跟踪性能,并对算法收敛的充分条件进行了严格的数学证明.理论分析表明,对于有限时间域内可任意切换的分数阶线性时滞切换系统,如果选取适当的学习增益矩阵和系统参数矩阵,随着迭代次数的... 相似文献
3.
初态学习下的迭代学习控制 总被引:3,自引:1,他引:2
提出一种新的初态学习律,以放宽常规迭代学习控制方法的初始定位条件.它允许一定的定位误差,在迭代中不需要定位在某一具体位置上,使得学习控制系统具有鲁棒收敛性.针对二阶LTI系统,给出了输入学习律及初态学习律的收敛性充分条件.依据收敛性条件,学习增益的选取需系统矩阵的估计值,但在一定建模误差下,仍能保证算法的收敛性.所提出的初态学习律本身及其收敛性条件均与输入矩阵无关. 相似文献
4.
5.
6.
带控制时滞广义系统的PID型迭代学习算法 总被引:1,自引:0,他引:1
研究了一类线性时滞广义系统的迭代学习控制问题.针对广义系统的特点,引入选代学习控制方法,给出了线性时滞广义系统的PID型选代学习算法.结合矩阵广义逆理论,利用λ范数和Bellman引理,并从理论上给出了算法收敛性的完整证明.研究结果表明,只要充分利用广义系统的特点,寻找合适的收敛性分析方法,便可解决控制时滞广义系统的收敛性问题,对时滞广义系统速代学习控制问题的研究具有重要的理论意义与应用价值. 相似文献
7.
非线性系统闭环P型迭代学习控制的收敛性 总被引:15,自引:3,他引:15
本文得到并证明了当被控系统的状态方程为一类非线性方程时,采用闭环P型学习律迭代学习控制的收敛的充分条件和必要条件,最后,我们给出了典型的仿真结果。 相似文献
8.
9.
10.
针对时不变线性系统的迭代学习控制问题,提出了一种改进的时不变系统的PD型迭代学习控制算法,理论证明了系统满足收敛条件时的改进算法是收敛的。仿真实例分析表明,改进的算法利用最新算出的控制分量代替旧的控制分量,使系统的实际输出以更快的收敛速度逼近系统的理想输出。 相似文献
11.
12.
任意初值非线性不确定系统的迭代学习控制 总被引:1,自引:0,他引:1
为解决任意初态下的轨迹跟踪问题, 针对一类含参数和非参数不确定性的非线性系统, 提出基于滤波误差初始修正的自适应迭代学习控制方法. 利用修正滤波误差信号设计学习控制器, 并以Lyapunov方法进行收敛性能分析. 依据类Lipschitz条件处理非参数不确定性, 对于处理过程中出现的未知时变参数向量, 利用自适应迭代学习机制进行估计. 经过足够多次迭代后, 藉由修正滤波误差在整个作业区间收敛于零, 实现滤波误差本身在预设的作业区间也收敛于零. 仿真结果表明了本文所提控制方法的有效性. 相似文献
13.
本文提出一种开闭环配合的滤波器型选代学习控制算法,并将这种算法应用于一般非线性动态系统的轨迹跟踪.对于渐近重复初始条件和渐近周期干扰的情形,通过控制误差估计和输出误差估计,文中分别证明了学习过程的一致收敛性.证明中未采用线性化手段. 相似文献
14.
提出能够实现期望误差轨迹完全跟踪的迭代学习控制系统设计方法, 旨在放宽常规迭代学习控制方法的初始定位条件, 在每次迭代时允许初值定位在任意位置. 这种方法对于预先给定的期望误差轨迹, 经迭代学习, 使得实际跟踪误差收敛于预定的误差轨迹, 这样, 预设的误差轨迹即最终形成的误差轨迹. 针对常参数、时变参数以及复合参数三种情形, 分别采用类Lyapunov方法设计迭代学习控制系统. 所设计的未含/含限幅作用的参数学习律, 能够使得跟踪误差轨迹在整个作业区间上与预定轨迹完全吻合, 并保证系统中所有信号的有界性. 给出的仿真结果表明所提方法的有效性. 相似文献
15.
16.
17.
非线性离散时间系统迭代学习控制的稳定性分析 总被引:1,自引:0,他引:1
讨论了初始偏移对于非线性离散时间系统迭代学习控制性能的影响.提出描述选择学习控制算法的学习律,并给出保证系统稳定性的充分条件. 相似文献
18.
In this paper, an iterative learning control method is proposed for a class of nonlinear discrete-time systems with well-defined relative degree, which uses the output data from several previous operation cycles to enhance tracking performance. A new analysis approach is developed, by which the iterative learning control is shown to guarantee the convergence of the output trajectory to the desired one within bound and the bound is proportional to the bound on resetting errors. It is further proved effective to overcome initial shifts and the resultant output trajectory can be assessed as iteration increases. Numerical simulation is carried out to verify the theoretical results and exhibits that the proposed updating law possesses good transient behavior of learning process so that the convergence speed is improved. 相似文献