递推自适应极点配置算法

本文提出了一种递推自适应极点配置算法，证明了它的稳定性和收敛性，该处特点是在控制器参数的计算中利用一次迭代公式，使在线计算量大幅度减少。前馈环节保证它的渐近跟踪特性。最后，仿真例子说明了该算法的正确性。     

多变量极点配置自适应动态解耦控制器

本文提出了一种以多变量极点配置为基础的自适应解耦控制器,该控制器不仅可以任意配置闭环系统的极点位置而且可以直接对闭环系统实现动静态解耦控制,仿真实验结果表明该控制器比一般的极点配置控制器具有更好的控制性能。     

最优跟踪特殊参考输出的自适应极点配置算法

本文针对确定性系统给出了一种自适应极点配置算法,并证明了算法的全局稳定性和对一类特殊参考输出的最优跟踪性。     

一种新的随机多变量自适应极点配置控制器

本文提出的随机多变量自适应极点配置控制器,由于采用了一种新的极点配置结构,它不仅可以避免求解伪交换矩阵方程而实现任意极点配置,跟踪时变参考输入,而且可以抑制随机噪声干扰.该控制器不仅可以控制开环不稳定或非最小相位系统,而且还可以控制具有任意、未知或变化的延时结构和具有任意输入输出个数的随机多变量系统。     

具有减少辨识参数的随机多变量极点配置自适应控制器

本文提出了一种新的限制输出个数减少随机多变量自适应控制中辨识参数的方法，并给出了减少辨识参数的极点配置自适应算法。虽然采用ｎ个输入１个输出的减少辨识参数的模型来设计控制器，但所提出的控制器能够保证被控系统的几个输出跟踪参考输入信号，仿真结果表明，所提出的方法是成功的。     

基于极点配置的多模型自适应控制

基于极点配置技术对单输入单输出离散时间被控对象提出多模型自适应控制算法，在保证稳定性的前提下，算法对被控对象参数跳变时能进行有效的控制，并提高了系统的瞬态响应。     

多变量鲁棒自适应极点配置算法

在系统具有一般不确定结构的情况下,提出了一种多变量自适应极点配置算法,解决了多变量自适应极点配置算法的奇异性问题,证明了它的全局收敛性和稳定性.该算法构造了一个估计参数的修正策略,保证估计模型的一致能控性,并且得到能控度的一个下界.所需要的先验知识仅为系统的能观性指数和能控性指数的上界以及干扰上界.     

一种新的间接自适应极点配置算法

针对离散时不变最小相位系统，提出了一种新的间接自适应极点配置算法。该算法的主要优点是可以实现对任意有界参考输出的渐近跟踪，而其他自适应极点配置则不具有这种性质，仿真例子说明所提新算法的良好跟踪性能。     

多变量自适应极点配置的递推算法

本文提出一个递推计算控制器参的方法，得到具有两层迭代过程的多变量自适应极点配置算法，大幅度减少了在线计算量，同时在辩识算法中利用投影方法，证明了该算法的稳定性和收敛性。     

全局收敛的鲁棒极点配置自校正控制算法

提出了一种可消除确定性扰动影响的鲁棒极点配置自适应控制器的设计方法.这种方法可以直接获得控制器参数,无需求解Diophantine方程,也不需要辨识多余的辅助参数和进行参数分离,而且根据内模原理可以消除未知确定性扰动的影响,实现对参考输入的稳态无误差跟踪.给出了所提算法的全局收敛性证明,并通过仿真实验验证了算法的有效性.     

基于CARIMA模型的全局收敛的多变量随机自适应控制算法

本文针对多变量受控自回归积分滑动平均模型(CARIMA)提出了新的直接随机自适应控制算法,该算法不仅能鲁棒抑制任何定常负荷干扰而且应用于非最小相位系统仍具有全局收敛性,该算法不要求事先知道系统的关联矩阵只要求知道关联矩阵的整值参数。     

基于多模型切换的多变量直接自适应极点配置控制器

提出一种基于多模型切换的多变量直接自适应控制器,控制器参数模型集可由系统参数模型集直接得到,不但仍为一紧集并且被其模型子集完全覆盖.该多模型控制器不仅改善了控制系统的暂态响应,而且可以实现极点配置,最后给出了全局收敛性分析.     

具有极点配置的加权跟踪自适应控制算法及其全局收敛性

本文对非最小相位系统,给出了一种加权跟踪加极点配置自适应控制算法,并证明了这种算法的全局收敛性.     

直接辨识扰动模型的内模极点配置自适应控制

给出了直接在辨识器中估计扰动模型和过程模型参数的算法,扰动模型用于极点配置自适应控制,根据内部模型原理消除未知确定扰动.由于使用了与常规方法不同的观测向量,因而省去了分离扰动模型的计算过程.这种方法可适用于多个扰动频率的情况,且辨识器的阶数不超过常规辨识器.分析了参数的可辨识性和系统的稳定性.     

多变量间接自适应解耦控制算法

本文提出了一种新的间接自适应控制方案.它具有如下优点:1)可以自适应解耦具有任意传输延时结构的一般随机多变量系统;2)减少辨识参数;3)可以控制开环不稳定或非最小相位系统.文中还证明了该方案具有全局收敛特性,参数估计具有强相容性.