排序方式: 共有13条查询结果,搜索用时 15 毫秒
1.
2.
传统的迭代学习控制机理中, 积分补偿是典型的策略之一, 但其跟踪效用并不明确. 本文针对连续线性时
不变系统, 对传统的PD–型迭代学习控制律嵌入积分补偿, 利用分部积分法和推广的卷积Young不等式, 在Lebesgue-
p范数意义下, 理论分析一阶和二阶PID–型迭代学习控制律的收敛性态. 结果表明, 当比例、积分和导数学习增益满
足适当条件时, 一阶PID–型迭代学习控制律是单调收敛的, 二阶PID–型迭代学习控制律是双迭代单调收敛的. 数值
仿真验证了积分补偿可有效地提高系统的跟踪性能. 相似文献
3.
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. 相似文献
4.
针对于具有初始状态不确定性的非线性时不变系统,采用矩形脉冲信号补偿传统的比例微分型一阶和二阶迭代学习控制律.在Lebesgue-p范数度量跟踪误差意义下,利用卷积的推广的Young不等式分析学习控制律的跟踪性能.分析表明,在适当选取比例学习增益,微分学习增益和非线性状态函数的Lipschitz常数以保证收敛因子小于1的前提下,渐近跟踪误差是由初始状态不确定性引起的,而且可通过调节补偿因子予以消减.数值仿真验证了补偿策略的有效性和理论分析的正确性. 相似文献
5.
本文针对一类线性离散时不变系统,利用共轭方向优化方法设计了一种迭代学习控制算法.首先,基于采样数据构建超向量,将原二维动态系统转化为迭代域中的一维系统.其次,在这种形式下,利用当前的跟踪误向量减去其在以前搜索方向上的投影,构建新的搜索方向,以补偿当前的控制信号,进而构建下一次迭代的控制信号.再次,结合共轭方向的性质,利用数学归纳法分析了算法的单调收敛性和二次终止性.最后,数值仿真验证了理论分析的正确性和有效性;同时,与已发表的比例型和范数最优迭代学习控制方法进行比较,得出了本算法的优越性. 相似文献
6.
7.
8.
9.
工业过程迭代学习算法的鲁棒性 总被引:5,自引:0,他引:5
在工业过程稳态优化进程中,为了进一步改善工业过程的动态品质,提出了迭代学习控制策略。本文研究系统状态初值漂移和系统参数扰动对迭代学习控制算法收敛性的影响。理论分析表明,当系统状态初值漂移和系统参数扰动在一定范围内,迭代学习控制算法关于是鲁棒的。 相似文献
10.
基于工业过程稳态优化中递阶控制结构和线性工业过程控制系统中的迭代学习控制规律, 本文对饱和非线性工业过程控制系统和变增益非线性工业过程控制系统施行迭代学习控制, 分别给出加权PD 型闭环迭代学习控制算法和加权幂型开闭环迭代学习控制算法, 提出了期望目标轨线的 δ 可达性和迭代学习算法的ε 收敛性的概念. 利用Bellman Gronwall不等式和λ 范数理论, 论证了算法的收敛性. 数字仿真表明, 迭代学习控制能有效改善非线性工业控制系统在稳态优化时的动态品质. 相似文献