数据驱动控制理论及方法的回顾和展望

给出了数据驱动控制理论和方法相关问题的定义, 从控制理论、实际应用和历史发展趋势三个角度阐述了数据驱动控制的存在背景, 说明了数据驱动控制理论和方法的适用条件. 综述了已有数据驱动控制方法的本质内容和发展历程, 从数据利用的角度指出了已存在的数据驱动控制方法的区别和应用环境, 并对数据驱动控制理论的发展进行了展望.  

学习控制的现状与展望

在此我们综述学习控制理论的发展历程.首先给出基于可重复性的学习控制的基本概念与原理.然后简述学习控制的两大主流---迭代学习控制和反复控制.接着对当今迭代学习控制理论前沿的几大热点加以考察,并简要介绍学习控制理论和Lyapunov方法的结合.最后讨论学习控制理论的新发展方向.  

无模型自适应控制的现状与展望

给出了无模型控制的定义,并对已存在的无模型控制方法进行了分类．综述了无模型自适应控制理论和方法的现状和进展．讨论了无模型自适应控制与其他控制方法的主要区别,提出了两种无模型自适应控制方法与已有基于模型的控制方法优势互补的模块化设计方案,提出了有待于进一步研究的问题．  

pH值中和反应过程的无模型学习自适应控制

根据pH值处理过程的时变和非线性特性,将基于紧格式线性化的单入单出非线性离散时间系统的无模型学习自适应控制方法应用在带有时滞的pH值中和反应过程中。控制器的设计是无模型的,是直接基于称为伪偏导数的向量,此伪偏导数是通过一种新型参数估计算法,根据酸碱中和反应系统的输入输出信息在线导出的。此无模型控制方法非常适用于实际的模型参数难以辨识,且是时变的非线性系统。仿真控制验证了该方法对不确知动态的非线性pH值的控制具有鲁棒性强、响应速度快和控制精度高的优点,性能好于传统的PID控制。  

数据驱动系统方法概述

阐述了关于数据驱动系统方法的几点思考. 文中简要地探讨了以下三个主要问题: 离线数据与在线数据处理方法之间的演变关系, 数据驱动方法与基于模型的方法之间的优势互补关系, 以及数据驱动系统方法的前景. 在现有的知识和研究水平下给出数据驱动系统问题的解决方法是不切实际的. 针对控制、决策、调度和故障诊断, 本文的目的是对这四个领域的数据驱动方法问题进行归纳与分类, 并探讨可行的、有潜力的研究方向.  

一类离散时间非线性系统不依赖受控系统数学模型的学习自适应控制(英)

给出了一类离散时间非线性系统的不依赖受控系统数学模型的学习自适应控制方案，它不需要受控系统的结构信息、数学模型、外部试验信号和训练过程，仅用受控系统的I／O数据来设计，传统的未建模动态不存在，所给出的计算机仿真结果说明了所给出的方案的正确性和有效性。  

改进的非线性系统最小二乘算法

本文给出了可以统一处理线性系统，非线性系统参数辨识的改进最小二乘算法，包括批量形式及递推形式，它是文１，２中算法的综合及推广，改进了收敛速度，能克服病态，算法简单，易于应用，并且给出了算法的收敛性证明。  

非线性系统鲁棒无模型学习自适应控制

给出了ＭＩＳＯ非线性系统的无模型学习自适应控制方案，它具有极其简单的递推形式，可以处理传统ＰＩＤ控制器不能处理的ＭＩＳＯ非线性系统、时变系统等。并且讨论了控制系统的收敛性；稳定笥及鲁棒性。仿真结果说明这种理论的优越性。  

大型舰船综合减摇系统无模型自适应控制

针对减摇鳍单独控制,减摇水舱单独控制和鳍/被动水舱综合控制3种减摇系统设计了无模型自适应控制方案,并对相应的减摇效果进行仿真研究.仿真研究结果表明:大型舰船采用基于无模型自适应控制的鳍/被动水舱联合减摇方案,其工作性能好于单独使用减摇鳍或减摇水舱等减摇装置的性能,在各种航态下都能满足系统设计要求.另外,无模型自适应控制仅用系统I/O数据,不必事先建立系统精确的数学模型,可适应海况的变化,且参数调整少,计算量小,还能适应系统对快速性的要求.  

非线性时变参数不确定系统的自适应迭代学习控制

利用离散时间轴与迭代轴之间的相似性, 提出了一种新的离散时间自适应迭代学习控制 (AILC) 方法来处理带有时变参数不确定性的非线性系统. 与自适应控制相类似, 所提出的 AILC 是基于投影算法的, 因此学习增益可以沿学习轴迭代地调节. 在随机初始状态和参考轨迹迭代变化的条件下, 所提出的 AILC 仍可沿迭代学习轴渐近地实现有限时间区间上的逐点收敛性.