非线性系统开闭环D型迭代学习算法的鲁棒性

研究了系统满足收敛条件时，具有开闭环D型迭代学习控制律的一类非线性系统在动态过程存在干扰的情况下控制算法的鲁棒性问题。理论分析表明，当系统动态过程扰动有界时，开闭环D型迭代学习控制算法是鲁棒的。当满足开闭环学习收敛条件时，控制误差收敛到期望值的某一个邻域，其大小与相邻两次迭代运行中这些干扰的大小有关，而与初始控制输入等无关，当干扰越小时，学习控制过程越接近于期望值。     

一类离散非线性系统开闭环P型迭代学习控制收敛的充要条件

收敛性是迭代学习控制的重要研究内容之一,针对一类参数未知的离用非线性系统,研究了其开闭环Ｐ型迭代学习控制的收敛性问题,给出了收敛的充要条件,结果表明,开闭环Ｐ型迭代控制的收敛条件与描述系统的状态方程具体形式无关。     

基于初态学习的非仿射非线性系统的开闭环PD型迭代学习控制

针对非仿射非线性系统,提出了新的学习控制算法,即初态未知情况下系统的输入和初态都需要进行学习的开闭环PD型迭代学习控制,并给出了该算法的收敛性充分条件.初态学习允许系统在每次迭代开始时有一定的定位误差,不严格要求其初态与期望初态重合或固定于某一具体位置上.该算法允许初态在收敛性条件范围内任意设置,从而保证了学习控制系统具有初始定位误差的鲁棒收敛性.依据此收敛性条件,可确定输入学习律及初态学习律的学习增益.利用压缩映射分析方法,证明了系统在任意初始状态下经过迭代后,其输出能够完全跟踪期望轨迹.该算法解决了初始值未知情况下的收敛性问题,且放宽了收敛条件,并通过仿真结果验证了所提算法的有效性.     

非线性系统闭环PD型迭代学习收敛性分析

提出并证明了非线性系统采用闭环PD型学习律时迭代学习控制的收敛充分条件、必要条件和充分必要条件,并指出其收敛性仅与D型学习增益有关,而与P型学习律的学习增益无关,且收敛性与状态方程的具体形式无关.     

一类非线性系统的初态迭代学习控制

针对一类非线性系统,提出了具有初态学习的开闭环PD型迭代学习算法,并给出了该算法的收敛充分条件。依据此收敛条件,可确定初态学习律和输入学习律的学习增益,而不必依赖系统的结构和参数,从而放宽了对初始定位的要求。初态学习允许在每次迭代开始时,其初态与期望初态有一定的定位误差,并允许初态在收敛条件范围内任意设置。利用压缩映射分析方法,证明了系统在任意初态下经过几次迭代后,实际输出能完全跟踪上期望轨迹。最后,通过仿真实例验证了所提算法的有效性和可行性。     

具有初态学习的闭环PD型迭代学习控制

针对一类输入时滞非线性系统提出了一种新的学习控制算法,即在任意初始状态条件下系统的输入和初态同时进行学习的闭环PD型迭代学习控制,其中输入利用给定超前法。给出了该算法谱半径形式的收敛条件,并利用算子理论证明了系统在任意初始状态条件下经过迭代后,其输出能够完全跟踪期望轨迹。该算法解决了闭环PD型迭代学习控制的初始状态问题,且放宽了收敛条件。仿真结果表明了该算法的有效性。     

一类非线性不确定系统的迭代学习控制

针对在有限时间区间上运行的一类非线性不确定系统,基于类Lyapunov 方法给出了一种迭 代学习控制器设计方法． 在提出的控制方案中,学习策略用来处理界函数已知的不确定项,但并未 采用鲁棒方法处理不确定项． 由于控制器中未采用断续函数,避免了系统中产生颤振现象． 理论分 析结果表明,该方案可保证闭环系统中所有变量的有界性,并且跟踪误差能够在整个作业区间上收 敛到零,实现完全跟踪． 数值仿真验证了算法的有效性．     

一类具有加法不确定性非线性系统的鲁棒性分析

针对自由系统、外部干扰输入矩阵和控制输入矩阵都具有加法不确定性的一类仿射非线性系统,讨论了非线性系统的鲁棒Ｈ∞控制问题,将这类非线性系统具有鲁棒性能的充分条件归结为Ｈａｍｉｌｏｎ－Ｊａｃｏｂｉ不等式的可解性问题,并获得了非线性鲁棒控制器的一种形式。     

迭代学习控制系统：收敛性与鲁棒性（Ⅰ）

讨论了在初态偏差、状态漂移和量测噪音同时存在的干扰环境中运行的迭代学习控制系统的鲁棒性问题．针对复杂系统结构，给出了保证Ｐ－型和Ｄ－型学习律算法收敛性的干扰条件     

初态学习下非仿射非线性系统的迭代学习控制

针对非仿射非线性系统,提出初态学习律,并给出关于初态学习的收敛性充分条件.初态学习使得系统在每次迭代开始时,不严格要求其初态与期望初态重合或者固定于某一具体位置上,而是允许存在一定的定位偏差.利用压缩映射分析方法,推导出在初态学习下的开环学习律、闭环学习律、开闭环学习律的收敛性充分条件,证明了迭代学习控制系统关于初始定位误差的鲁棒收敛性.依据此收敛性条件,可确定输入学习律及初态学习律的学习增益.理论分析与数值仿真表明初态学习下迭代学习算法的有效性.     

非线性系统的梯度变分迭代自学习控制

研究了一类非线性系统的梯度变分迭代自学习算法,以提高此类非线性系统的控制品质.梯度变分迭代自学习算法是针对符合某一类范式的周期性或重复性输出控制的非线性系统而设计的一种自寻优自学习算法.该算法针对一类非线性系统的数学描述模型,给出了性能指标函数,通过梯度变分的方法寻找性能指标函数梯度的负方向,并利用迭代自学习得到性能指标函数的最小值,使系统收敛于目标输出.将该算法应用于极端环境模拟装置的压力控制系统,取得了比传统控制算法更高的效率与更快的收敛速度.梯度变分迭代自学习算法是符合一类数学模型的非线性系统的一种高效控制算法.     

一类非线性迭代学习控制系统的鲁棒收敛性

讨论了对于一类非线性动态系统施加高阶Ｄ型迭代学习算法时构成的迭代学习控制系统的鲁棒收敛性．证明了当系统初始状态逐渐固定在靠近期望初态的某一点上时，系统控制、状态、输出会收敛到相应期望轨迹的邻域内．同时，证明了在渐近理想重复初始条件下的算法收敛性．仿真结果表明，开闭环配合的学习律是克服初态偏移的一种有效途径     

非周期时变非线性系统自适应迭代学习控制

对一类含有非周期时变不确定性的非线性系统的控制问题进行了研究。该系统具有严格反馈形式且控制增益未知。在控制器设计中,用一种具有迭代特性的神经网络消除了非周期时变不确定性的影响,并综合应用反演技术和鲁棒自适应控制技术消除了严格反馈结构和未知控制增益带来的设计问题。稳定性分析结果表明:系统所有状态量有界且输出量在积分意义下收敛到期望轨迹。仿真试验证明了所设计控制器的有效性。     

基于克隆选择算法的非线性优化迭代学习控制

为实现对模型不确定的有约束非线性系统在特定时间域上输出轨迹的有效跟踪,将改进的克隆选择算法用于求解迭代学习控制中的优化问题。提出基于克隆选择算法的非线性优化迭代学习控制。在每次迭代运算后,一个克隆选择算法用于求解下次迭代运算中的最优输入,另一个克隆选择算法用于修正系统参考模型。仿真结果表明,该方法比GA-ILC具有更快的收敛速度,能够有效处理输入上的约束以及模型不确定问题,通过少数几次迭代学习就能取得满意的跟踪效果。     

非线性关联大系统的控制器设计

对一类由Takagi-Sugeno双线性模型描述的带有时变时滞的非线性关联大系统,研究了其分散状态反馈控制问题.根据Lyapunov稳定性分析理论和并行分布补偿算法,导出了闭环关联大系统时滞相关渐进稳定的充分条件,该条件比现有结果具有更小的保守性.设计出了相应的分散模糊控制器,并将其转化成为一个受线性矩阵不等式约束的凸优化问题.     

带有鲁棒控制项的MIMO非线性系统的模糊控制

针对一类不确定多输入多输出（MIMO）非线性系统, 提出了一种新的鲁棒间接自适应模糊控制设计方案, 解决了提高模糊控制精度问题. 模糊逻辑系统用作逼近系统的未知函数, 根据跟踪误差给出了参数调节律, 用鲁棒控制项对未知的逼近误差进行补偿, 以此来减小逼近误差对跟踪精度的影响. 基于李亚普诺夫函数方法证明了所设计的控制方案不但能保证跟踪误差收敛到原点的小邻域内, 而且通过适当增大设计参数的值, 可使跟踪误差减小, 提高了控制精度.仿真结果表明了该方法的有效性.     

期望轨迹可变的非线性时变系统迭代学习控制

针对一类存在扰动的未知非线性时变系统,提出了一种在不同次迭代运行过程中期望轨迹可变的迭代学习控制算法.该算法首先构造含未知参数项的系统逆控制,然后利用小波级数逼近逆系统的未知非线性参数,其最佳逼近系数与系统的期望轨迹无关,最后在迭代过程中通过学习的方法修正小波逼近系数,并采用变结构技术抑制系统干扰的影响,设计了在期望轨迹变化情况下的鲁棒迭代学习控制律.算法的收敛性分析表明,随着迭代次数的增加,逼近系数与最佳系数的差异减小.针对机械臂系统的仿真表明轨迹跟踪误差逐次减小并收敛,说明了算法的有效性.