具有控制时滞和测量数据丢失的直线电机迭代学习控制

针对测量信号存在丢失和控制信号存在时滞的直线电机控制系统,研究PD型迭代学习控制算法的收敛性问题.假设数据丢失描述为概率未知的随机Bernoulli过程,其中丢失概率属于某个已知数值区间,利用超前法解决控制信号存在的时滞问题.基于Bellman-gronwall不等式和$lambda$范数理论,证明了所提出的迭代学习控制策略能够使系统在有限时间内跟踪期望轨迹.最后通过仿真验证了所提出学习算法的有效性.     

测量数据丢失的一类非线性系统迭代学习控制

迭代学习控制方法应用于网络控制系统时,由于通信网络的约束导致数据包丢失现象经常发生.针对存在输出测量数据丢失的一类非线性系统,研究P型迭代学习控制算法的收敛性问题.将数据丢失描述为一个概率已知的随机伯努利过程,在此基础上给出P型迭代学习控制算法的收敛条件,理论上证明了算法的收敛性,并通过仿真验证理论结果.研究表明,当非线性系统存在输出测量数据丢失时,迭代学习控制算法仍然可以保证跟踪误差的收敛性.     

数据丢失对迭代学习控制的影响分析

针对一类线性系统,分析数据丢失对迭代学习控制算法的影响.首先基于lifting方法给出跟踪误差渐近收敛和单调收敛的条件,并分析收敛速度与数据丢失率的关系,结果表明收敛速度随着数据丢失程度的增加而变慢.其次,为抑制迭代变化扰动的影响,给出一种存在数据丢失时的鲁棒迭代学习控制器设计方法,并将控制器设计问题转化为求取线性矩阵不等式的可行解.仿真示例验证了理论分析的结果以及鲁棒迭代学习控制算法的有效性.

     

数据丢失下多智能体系统迭代学习跟踪控制

考虑数据丢失下非线性多智能体系统的一致性跟踪问题。假设多智能体系统使用固定网络通信拓扑结构,由于通信网络自身限制导致多智能体系统中存在数据丢失现象。将数据丢失现象描述为取值0/1的随机伯努利序列,设计分布式一致性跟踪误差,提出该系统在数据丢失下的P型迭代学习控制算法。采用压缩映射的方法给出收敛性条件,并在理论上分析了跟踪误差的收敛性。仿真结果表明,提出的算法可以实现该系统在有限时间区间上对期望轨迹的完全跟踪,验证了算法的有效性。     

具有丢失数据的贝叶斯网络结构学习算法

学习具有丢失数据的贝叶斯网络结构主要采用结合 EM 算法的打分一搜索方法,其效率和可靠性比较低.针对此问题建立一个新的具有丢失数据的贝叶斯网络结构学习算法.该方法首先用 Kullback-Leibler(KL)散度来表示同一结点的各个案例之间的相似程度,然后根据 Gibbs 取样来得出丢失数据的取值.最后,用启发式搜索完成贝叶斯网络结构的学习.该方法能够有效避免标准 Gibbs 取样的指数复杂性问题和现有学习方法存在的主要问题.     

存在时延和数据丢失的网络控制系统的控制器设计

研究了存在时延和数据丢失的网络控制系统的控制器设计问题．鉴于数据丢失现象和网络诱导时延的存在,将网络控制系统建成随机时延切换模型．利用李亚普诺夫方法,给出了使网络控制系统均方渐近稳定的新颖且与时延相关的条件．基于这个条件,理想的控制器可通过求解若干个线性矩阵不等式得到．利用一个数值例子证明了方法的有效性．     

具有丢失数据的TAN分类器学习

TAN分类器以良好的分类性能而著称,但分类器本身和归纳学习算法并不具有处理丢失数据的能力,而现有的用于分类技术中丢失数据处理的方法在可靠性方面均不同程度地存在一些缺陷.本文针对问题,结合TAN结构和Gibbs sampling进行具有丢失数据的分类器迭代学习,在迭代中,TAN结构学习、参数学习和丢失数据修复交替进行,随着迭代的收敛,最终将得到TAN分类器,同时丢失的数据也得到修复.     

具有通信约束的反馈辅助PD型量化迭代学习控制

本文针对网络线性系统, 研究了具有通信约束的反馈辅助PD型迭代学习控制问题. 信号从远程设备传输到 迭代学习控制器过程中, 存在数据量化与数据包丢失的情况. 将数据包丢失模型描述为具有已知概率的伯努利二 进制序列, 采用扇形界方法处理数据量化误差, 提出了一种反馈辅助PD型迭代学习控制算法. 采用压缩映射法分析 证明了在存在数据量化和丢失的情况下, 所提控制算法依然可以保证跟踪误差渐近收敛到零. 并进一步对存在初 始状态偏移时所提算法的鲁棒性进行了讨论. 最后, 通过仿真示例, 对比验证了理论结果的有效性和优越性.     

具有丢失数据的可分解马尔可夫网络结构学习

具有丢失数据的可分解马尔可夫网络结构学习是一个重要而困难的研究课题,数据的丢失使变量之间的依赖关系变得混乱,无法直接进行可靠的结构学习．文章结合最大似然树和Gibbs抽样,通过对随机初始化的丢失数据和最大似然树进行迭代修正一调整,得到修复后的完整数据集;在此基础上基于变量之间的基本依赖关系和依赖分析思想进行可分解马尔可夫网络结构学习,能够避免现有的丢失数据处理方法和可分解马尔可夫网络结构学习方法存在的效率和可靠性低等问题．试验结果显示,该方法能够有效地进行具有丢失数据的可分解马尔可夫网络结构学习．     

存在时延和数据包丢失的网络控制系统故障检测

考虑一类长时延网络控制系统,在假定其存在控制时延和数据包丢失的基础上对其进行故障检测．首先对系统进行建模,将故障观测器构建成随机时延切换系统模型;然后通过李雅普诺夫稳定性理论,将观测器系统的均方渐近稳定条件归结为一线性矩阵不等式,当系统正常时,若给定的矩阵不等式成立,则该观测器是渐近稳定的,当系统发生故障时,观测器残差...     

受扰动2-D线性时变系统的迭代学习控制

利用2-D系统理论的Roesser模型,给出了受扰动的线性时变离散系统迭代学习控制(ILC)问题的一种解决方法.对系统所受的已知扰动,给出其学习律参数的选取范围以及仅经一次迭代就能实现输出完全跟踪期望轨迹的参数选取方法;对系统所受的未知扰动,首先对SISO系统提出其学习律存在的条件及参数选取方法,进而推广到MIMO系统中,提出MIMO系统学习律的参数选取方法.最后给出两个数值例子进一步说明所得结果的有效性.     

时延与丢包情形下的网络控制系统量化反馈镇定

网络控制系统是通过实时网络来形成闭环反馈的控制系统。网络的介入会带来许多不确定因素,包括网络诱导时延和数据包丢失以及量化误差,它们会影响系统的稳定性,严重时甚至会导致系统失稳。本文针对短时延网络控制系统,考虑传感器-控制器和控制器-执行器两个通道都存在数据包丢失,在传感器到控制器端设立量化器,将系统建模为一个异步动态系统,利用异步动态系统指数稳定性理论、线性矩阵不等式工具分析了闭环系统稳定性,并基于MATLAB软件的线性矩阵不等式(LMI)工具箱实验仿真进行有效性验证,结果证明了方案的可行性,最后给出控制器参数的设计方法。     

基于Jacobi方法的线性离散时间系统的迭代学习控制

提出线性离散时间系统基于Jacobi方法的迭代学习控制问题.通过构建线性迭代学习控制问题与线性方程组之间的联系,将Jacobi方法引入到迭代学习控制中,并由此构建得到迭代学习控制律.借助于矩阵运算,证明这种学习律能使得系统的输出跟踪误差经有限次迭代后为零.数值例子说明了算法的可适用性.     

存在未知时滞非线性系统的迭代变区间预测迭代学习控制

本文针对机理模型未知的非线性非仿射多入多出(multiple-input and multiple-output,MIMO)离散时间系统, 研究了系统同时存在未知时滞和迭代变化运行时间区间的预测迭代学习控制(predictive iterative learning control,PILC)问题. 首先利用未知时滞的上下界信息建立了一种新型的动态线性化(dynamic linearization,DL)模型, 理论分析表明该模型能够等价描述本文所考虑的存在未知时滞的未知非线性系统. 同时, 设计一种新的数据补偿机制用以处理由于系统运行时间区间迭代变化而引起的数据丢失问题. 基于所建立的DL模型和数据补偿机制, 设计了能够同时处理未知时滞和迭代变化运行时间区间的预测迭代学习控制方法. 通过严格的理论分析同时给出了建模误差和跟踪控制误差的收敛性质. 最后, 通过仿真进一步验证了所提方法的有效性.     

Time delay and packet dropout compensation for networked control systems: a linear estimation method

This article studies the problem of H _∞ controller design for networked control systems (NCSs) with time delay and packet dropout. A linear estimation-based time delay and packet dropout compensation method is proposed. The delay switching-based method is presented to deal with the variation of time delay, and H _∞ controller design is presented for NCSs with packet dropout compensation by using linear matrix inequality (LMI)-based method. Then the combined delay switching and parameter uncertainty-based method is presented to model the variation of time delay, and H _∞ controller design is also presented. The simulation results illustrate the effectiveness of the newly proposed linear estimation-based time delay and packet dropout compensation.     

带控制时滞广义系统的PID型迭代学习算法

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.     

Stochastic stability of networked control systems with network-induced delay and data dropout

This paper deals with the stochastic stability of networked control systems with the presence of network- induced delay and transmitted data dropout. Based on the Lyapunov approach, sufficient conditions for the mean-square stability of the networked control system are derived subject that the sequence of transmission interval is driven by an identically independently distributed sequence and by a finite state Markov chain, respectively. Stabilization controllers are constructed in terms of linear matrix inequalities correspondingly. An example is provided to illustrate our results.     

Iterative learning control for constrained linear systems

This article considers iterative learning control (ILC) for linear systems with convex control input constraints. First, the constrained ILC problem is formulated in a novel successive projection framework. Then, based on this projection method, two algorithms are proposed to solve this constrained ILC problem. The results show that, when perfect tracking is possible, both algorithms can achieve perfect tracking. The two algorithms differ, however, in that one algorithm needs much less computation than the other. When perfect tracking is not possible, both algorithms can exhibit a form of practical convergence to a ‘best approximation’. The effect of weighting matrices on the performance of the algorithms is also discussed and finally, numerical simulations are given to demonstrate the effectiveness of the proposed methods.