基于未知高频增益的非线性系统自适应迭代学习控制

针对一类单输入单输出不确定非线性重复跟踪系统,提出一种基于完全未知高频反馈增益的自适应迭代学习控制.与普通迭代学习控制需要学习增益稳定性前提条件不同,自适应迭代学习控制通过不断修改Nussbaum形式的高频学习增益达到收敛.经证明当迭代次数i→∞时,重复跟踪误差可一致收敛到任意小界δ.仿真结果表明了该控制方法的有效性.     

基于未知控制增益的非线性系统自适应迭代反馈控制

针对一类单输入单输出不确定非线性重复跟踪系统, 提出一种基于完全未知控制增益的自适应迭代反馈控制. 与普通迭代学习控制需要学习增益稳定性前提条件不同, 所提自适应迭代反馈控制律通过不断修改Nuss baum形式的反馈增益达到收敛. 证明当迭代次数i→δ时, 重复跟踪误差可一致收敛到任意小界δ. 仿真显示了所提控制方法的有效性.     

控制方向未知的二阶时变非线性系统自适应迭代学习控制

对一类二阶严格反馈时变非线性系统的自适应迭代学习控制问题进行了研究.系统中含有非周期时变参数化不确定性且控制方向未知.首先,提出了一种神经网络估计器,实现了对未知非周期时变非线性函数的逼近.随后,用Nussbaum函数对未知控制方向进行了自适应估计,并综合应用baCkstcpping技术和自适应迭代学习控制技术设计了控制器.所设计的控制器能保证系统所有状态量在Lpe-范数意义下有界,且系统的输出量在LT2-范数意义下收敛到期望轨迹.最后的仿真研究证明了控制器设计方法的有效性.     

一类未知非线性系统的智能迭代学习控制

从自适应的角度设计迭代学习控制，将神经网络引入迭代学习控制中。学习控制与自适应控制相结合，使得对网络权值的学习和跟踪控制同时进行，克服 了经典迭代学习控制的一些缺陷。基于Lyapunov直接方法，证明了整个控制系统的稳定并实现了任意精度的跟踪。实例仿真结果说明了算法 的有效性及其所具有的优点。     

未知时变时滞非线性参数化系统自适应迭代学习控制

针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞相关不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出两个仿真例子验证了控制方法的有效性.     

高阶无模型自适应迭代学习控制

针对一类非线性非仿射离散时间系统,提出了高阶无模型自适应迭代学习控制方案.控制器的设计和分析仅依赖于系统的输入/输出(I/O)数据,不需要已知任何其他知识.该方法采用了高阶学习律,可利用更多以前重复过程中的控制信息提高系统收敛性,且学习增益可通过"拟伪偏导数"更新律迭代调节.仿真结果验证了所提出算法的有效性.     

非线性参数化系统自适应迭代学习控制

研究一类含有未知时变参数的非线性参数化系统的学习控制问题.利用参数分离技术和信号置换思想,通过置换系统方程,合并所有时变参数为一个未知时变参数,用迭代自适应方法估计该未知参数,设计了一种自适应迭代学习控制方法,使得跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造一个类Lyapunov函数,给出了跟踪误差收敛和所有闭环系统信号有界的一个充分条件.仿真结果验证了该方法的有效性.     

基于模糊网络的非线性不确定系统的迭代学习控制

针对非线性不确定系统，为保证受控制系统的响应特性，应用模糊网络理论构建了非线性系统的模糊模型；基于模糊模型给出了模糊迭代学习控制算法．实例分析和仿真验证表明，所给算法能跟踪系统参数变化，并且能自动调整控制增益，对于系统的扰动影响具有鲁棒性，是一种行之有效的控制方案．     

具有未知死区输入非线性系统的迭代学习控制

针对一类具有死区输入非线性系统,提出一种实现有限作业区间轨迹跟踪控制的神经网络迭代学习算法.基于Lyapunov-like方法设计学习控制器,回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求.为处理输入死区,利用神经网络逼近这种强非线性特性;同时,通过对神经网络逼近误差界的估计并在控制器中设置补偿作用以消除其影响,从而提高系统的跟踪性能.     

高频增益未知的受扰非线性系统输出反馈控制

针对一类具有未知定常参数,包括未知高频增益的受扰非线性最小相位系统,给出了一种鲁棒自适应输出反馈控制策略．系统所受的干扰假设有界,但其界值是未知的．通过采用自适应策略来对其界值进行在线估计,控制算法并不需要高频增益符号的先验知识．同时,系统中的非线性项并不要求满足增长性条件和匹配条件．算法使得估计参数量达到了最小,保证了闭环系统所有信号的有界性,同时使得跟踪误差渐近收敛于零．     

具有未知输入增益的非线性系统的跟踪控制

针对具有未知输入增益的非线性系统, 提出了一种可实现系统输出跟踪控制的自适应控制方法. 通过在backstepping设计中引入一种新的Nausbaum增益, 按该方法设计的控制器可以在系统输入增益未知的情况下实现系统输出的渐近跟踪.     

非线性系统开闭环PI型迭代学习控制律及其收敛性

对于一类参数未知的非线性系统在有奶时域上的精确轨迹跟踪问题，提出了一种开闭环ＰＩ型迭代学习控制策略，给出了其收敛的充要条件，分析表明：所给出的收敛条件推广了现有结果。     

连续非线性系统的迭代学习控制方法*

本文根据误差收敛准则，提出了连续非线性系统的迭代学习控制算法，给出了ＰＩＤ型学习控制算法的收效条件，实际应用表明，该方法可以逼近预定的任意轨线。     

非线性系统闭环P型迭代学习控制的收敛性

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。     

高频增益符号未知时的变结构模型参考自适应控制

解决了对象相对阶大于1、高频增益符号未知时的变结构模型参考自适应控制(VS-MRAC)问题．提出了一种基于监控函数的控制信号切换律, 证明只需要对首个辅助误差构造监控函数, 就可决定控制信号的切换时间;进而, 在监控函数的管理下, 控制信号经至多有限次切换后将停止切换, 闭环系统所有信号一致有界, 跟踪误差将收敛到一个残集内, 且该残集可通过减小某些设计参数而变得任意小．特别地, 我们证明, 若系统的某些初始条件为零, 则至多只需要一次切换．     

非线性间歇过程PD型变增益迭代学习控制

针对迭代学习控制中固定学习增益存在的系统收敛速度较慢,实际应用中系统动态性能较差的缺点,研究了具有批次重复性的非线性间歇过程变增益PD型迭代学习控制方法.利用迭代学习过程中的期望轨迹、控制输入以及跟踪误差信息,设计变增益PD型控制器,给出了谱半径收敛条件,并利用算子理论对其进行了证明.对微藻发酵过程基质浓度的控制进行建...     

时变参数化非线性系统自适应迭代学习控制器设计

针对一类时变参数化非线性系统的控制问题进行深入研究,提出一种新的迭代神经网络估计器,并证明了其逼近引理,实现了对时变不确定性的逼近.在用迭代神经网络对时变不确定性进行估计的同时,以Lyapunov稳定性理论为基础,综合运用Backstepping和自适应控制技术,设计了自适应迭代学习控制器,并进行了稳定性分析,得到了稳定性定理,解决了这类时变非线性系统的控制问题.最后的仿真实验验证了所提出设计方法的正确性.     

带有初态学习的可变增益迭代学习控制

针对一类非线性系统提出一种新的学习控制算法,该算法在可变学习增益的迭代学习控制律基础上,增加了系统初态的迭代学习律.利用算子理论证明了系统在存在初态偏移时经过迭代学习后,其输出能够完全跟踪期望轨迹,同时得到了该算法谱半径形式的收敛条件.将该算法与传统迭代学习控制相比较可以看出,前者的收敛速度得到了较大提高,而且解决了可变学习增益迭代学习控制的初态偏移问题.仿真结果验证了该算法的有效性.     

非线性系统的PD型迭代学习控制

非线性系统的ＰＤ型迭代学习控制孙明轩黄宝健张学智（西安工业学院电子系西安７１００３２）关键词初始条件问题,迭代学习控制,非线性系统．１）国家自然科学基金资助项目．收稿日期１９９６－０７－２５１引言运用迭代学习控制技术设计控制器时,只需要通过重复操作获...