基于经验数据的学习控制在负载模拟器中的应用

本文针对以往单纯采用迭代学习控制引起的系统初始转矩冲击和收敛时间过长的问题,提出了一种新的基于经验数据的学习控制算法。指出影响系统输出的关键因素是舵机的转速。然后根据这个特点,应用迭代学习控制的经验,设计了一种简单的算法来确定迭代学习控制的初始输入量,再利用神经网络学习算法修正偏差。仿真结果表明基于经验数据的学习控制很好的解决了单纯采用迭代学习控制而引起的初始转矩冲击和收敛时间过长的问题。     

即时学习算法在非线性系统迭代学习控制中的应用

运用即时学习算法来解决一类非线性系统的迭代学习控制初值问题。对于任何类型的迭代学习控制算法，即时学习算法都能有效地估计初始控制量，减小了初始输出误差，加快了算法的收敛速度，使得经过有限次迭代后系统输出能严格跟踪理想信号。对机器人系统的仿真结果表明了该方法的有效性。     

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.     

非线性系统的学习控制及其在机器人中的应用

分析了一类非线性系统的迭代学习控制问题,给出了迭代算法收敛的充分条件,使得经过逐次迭代后系统输出严格跟踪理想信号,且迭代初始状态与理想状态及理想输入无关。最后,机器人系统的仿真结果表明了本文方法的可行性及实用性。     

新型同步发电机励磁控制器的设计

针对传统的基于迭代学习控制算法的同步发电机励磁控制器存在初始控制信号由经验确定的问题,提出了一种基于即时学习型迭代学习控制算法的同步发电机励磁控制器的设计方案。该方案在迭代学习控制算法中引入即时学习算法,利用即时学习算法计算初始控制信号,有效减少了初始控制信号与理想控制信号之间的误差。仿真结果表明,该励磁控制器收敛速度快,具有更强的维持机端电压的能力。     

非线性系统迭代学习算法

对于一个未知的非线性连续系统或离散系统,从任给的一个初始控制出发,尝试实现一条 给定的输出目标轨线.在满足一定条件下,利用跟踪误差来修正控制函数,经过反复的迭代学 习可以取得满意的效果.本文改进了Arimoto、Togai和Bien等的开环迭代学习的收敛条 件,并提出闭环迭代学习算法.理论与仿真结果证明了闭环算法在收敛条件、速度和抗干扰能 力上都优于开环算法.     

具有扰动的非线性系统高阶迭代学习控制

迭代学习控制(ILC)利用系统的重复性不断改进控制性能.本文讨论一类具有扰动的非线性、时变系统高阶迭代学习控制算法及其迭代学习收敛的充分条件,并与D型迭代学习算法相比,讨论典型PD高阶ILC算法的收敛速度.仿真结果证实高阶ILC算法具有更快的收敛速度,并且当系统满足收敛条件、不确定项及输出扰动项有界时迭代学习收敛.     

时滞非线性系统的采样迭代学习控制

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.     

非线性迭代学习控制问题的延拓修正牛顿法

对于非线性迭代学习控制问题,提出基于延拓法和修正Newton法的具有全局收敛性的迭代学习控制新方法.由于一般的Newton型迭代学习控制律都是局部收敛的,在实际应用中有很大局限性.为拓宽收敛范围,该方法将延拓法引入迭代学习控制问题,提出基于同伦延拓的新的Newton型迭代学习控制律,使得初始控制可以较为任意的选择.新的迭代学习控制算法将求解过程分成N个子问题,每个子问题由换列修正Newton法利用简单的递推公式解出.本文给出算法收敛的充分条件,证明了算法的全局收敛性.该算法对于非线性系统迭代学习控制具有全局收敛和计算简单的优点.     

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。     

基于BP神经网络的迭代学习初始控制策略研究

针对传统迭代学习控制(ILC)在面临新的环境或控制任务时学习时间长、收敛速度慢的问题,提出基于BP神经网络的迭代学习初始控制策略。通过BP神经网络拟和经验数据,对以往控制经验加以充分利用,避免了对初始控制输入量的盲目选择。仿真验证了方法的可行性和有效性。     

基于神经网络的机器人轨迹鲁棒跟踪控制

在神经网络辨识的基础上 ,提出一种新的鲁棒迭代学习控制方法。该方法利用神经网络对非线性系统进行在线辨识 ,产生迭代学习控制算法的前馈作用 ,并与实时反馈控制相结合 ,实现连续轨迹跟踪控制。仿真结果表明 ,该方法能克服机器人系统动力学模型的不确定性和外部干扰 ,且以极少的学习次数和网络训练次数达到满意的跟踪控制要求 ,具有良好的鲁棒性和控制性能     

任意初态下的工业机器人迭代学习控制

对迭代初值为任意值的工业机器人轨迹跟踪控制系统,提出了一种基于滑模面的非线性迭代学习控制算法,使机器人轨迹能快速、精确跟踪上期望轨迹。基于有限时间收敛原理,构建了关于机器人轨迹跟踪误差的迭代滑模面,在滑模面内,机器人轨迹跟踪误差在预定时间内收敛到零。设计了基于滑模面的迭代学习控制算法,理论证明了随着迭代次数的增加,处于任意初态的轨迹将一致收敛到滑模面内,解决了迭代学习中的任意初值问题。数值仿真验证了该算法的有效性和抗干扰能力。     

基于层迭CMAC网络的6-DOF机器人自适应控制

研究了标称自适应+迭代学习控制算法的稳定性,并利用层迭CMAC网络的优良特性, 提出了基于层迭CMAC的标称自适应+迭代学习控制方法．此方法将标称自适应控制中确定的 模型信息与未知的信息分离,充分利用模型中确定的信息进行前馈控制;而对于未知信息, 则利用层迭CMAC进行自适应学习．仿真实验表明用本文所设计的控制系统对6 DOF并行机器 人进行轨线控制,可获得比以往的普通CMAC+PD控制系统更好的控制效果．     

一类未知多变量非线性系统的动态神经网络自适应控制

对一类未知的非线性的多变量系统，提出了用动态神经网络实现直接自适应控制的策略，基于Ｌｙａｐｕｎｏｖ理论，获得一个稳定并且连续的学习律，避免了递归训练过程，闭环系统被证明是鲁棒稳定的，跟踪误差收敛到一个小的残集，这种方法的特点是即不需要离线学习阶段也不要求初始的参数误差足够小，仿真结果验证了提出的动态网络的自适应控制算法的有效性。     

一种基于CMAC的自学习控制器

现有的基于CMAC的自学习控制器能够有效地减小跟踪误差,但是在跟踪连续变 化信号如正弦波时,由于累积误差的影响会产生过学习现象,进而导致系统的不稳定.为此, 提出一种新的基于CMAC的自学习控制器,它以系统的动态误差作为CMAC的激励信号, 从而避免了累积误差的影响.仿真结果表明,该控制器不仅是有效的,而且具有很强的鲁棒 性.此外,它可以使用较高的学习速率,实时性强.     

一类具有多维存储结构的CMAC神经网络

对于多输入 CMAC神经网络 ,概念映射决定了网络泛化特性 .从而直接影响到网络学习速度和网络的逼近精度 .本文在对多输入 CMAC网络进行深入分析的基础上 ,指出了概念映射的重要性及现有映射算法存在的不足 ;巧妙地将网络存储器由原来的一维改为多维从而得到了一类新型的多输入 CMAC神经网络 ,同时给出了新型网络的概念映射算法并分析论证了算法的合理性、严密性 .计算机仿真结果验证了所提出新型网络及其概念映射算法的有效性     

高阶CMAC神经网络的研究

提出了一种高阶ＣＭＡＣ（ＨＣＭＡＣ）神经网络，它是采用高阶的径向基函数作为接收域函数，为了进一步增强对输入模式的表达，还可以用接收域函数输入模式向量构成张量积，这时产生的是高维的增强表达，同时ＨＣＭＡＣ沿用ＣＭＡＣ的地址映射方法，由于高阶接收域函数的引入，使其可以获得较ＣＭＡＣ连续性强且有解析微分的复杂函数近似，ＨＣＭＡＣ在不改变ＣＭＡＣ简单结构的基础上较ＲＢＦ网络有计算量少，学习效率高等优点，中     

基于ANFIS的迭代学习控制初始控制研究

将自适应神经模糊推理算法用于迭代学习控制初始控制输入量的求取问题,提出一种基于自适应神经模糊推理系统的迭代学习初始控制算法。针对传统迭代学习控制中对于经验数据运用不足或是没有运用的问题,利用迭代学习控制对于以往控制任务的学习建立经验数据库,通过自适应神经模糊推理系统对于经验数据库中的数据进行拟和以得到新的控制输入量。通过仿真分析验证了算法的可行性和有效性。     

离散非线性系统的迭代学习轨迹跟踪鲁棒算法优化及应用

针对一类存在随机输入状态扰动、输出扰动及系统初值与给定期望值不严格一致的离散非线性重复系统,提出了一种P型开闭环鲁棒迭代学习轨迹跟踪控制算法．基于λ范数理论证明了算法的严格鲁棒稳定性,并通过多目标函数性能指标优化P型开闭环迭代学习控制律的增益矩阵参数,保证了优化算法下系统输出期望轨迹跟踪误差的单调收敛性,达到提高学习算法收敛速度和跟踪精度的目的．最后应用于二维运动移动机器人的实例仿真,验证了本文算法的可行性和有效性．