基于几何分析的改进迭代学习控制算法

针对非线性系统提出了一种基于几何分析的改进迭代学习控制算法。该算法在控制律中引入了遗忘因子,对前一次控制输出和它的变化量进行弱化,增强迭代学习控制的鲁帮性。并对提出的算法做了一致收敛性分析。数值仿真结果验证了此算法的有效性。     

一类非线性系统的学习控制算法

本文对很广的一类非线性系统在其数学模型与参数未知时，采用闭环Ｄ型迭代学飞算法，使其被控系统的输出很快地收敛于给定的轨迹。并分析了开，闭环学习的机理，给出了闭环Ｄ型算法的收敛条件及证明。仿真结果表明其收敛速度远高于由Ａｒｉｍｏｔｏ等人提出的开环学习算法。     

一种双线性系统的预测函数控制算法

预测控制是以计算机为手段基于模型预测进行控制的方法，但是以往的预测控制算法通常是集中在线性渐进稳定对象，对非线性系统的研究工作较少。针对实际工业过程中广泛存在的双线性系统，通过对其每一滚动优化点进行线性化处理后，设计了一种简便高效的、可与线性系统媲美的预测函数控制算法，核算法具有解析形式，从而避免了一般非线性子优的繁琐计算。利用Matlab软件份真表明该非线性预测函数控制方法是一种计算简单、抑制干扰能力强、跟踪性能好、误差较小的有效的控制方法。     

非线性系统自适应控制算法研究进展

非线性系统的自适应控制已成为当前控制领域的重要研究方向。通过总结近年来在非线性系统自适应控制方面所取得的成果,对非线性系统自适应控制器的一般形式和设计方法进行了分析与探讨。最后对非线性系统自适应控制的发展趋势进行了展望。     

一种多变量系统广义预测自适应控制的直接方法

本文把一种单交量系统广义预测自适应控制的直接方法推广到多变量系统中,对其闭环稳定性和收敛性作了分析,并通过一个仿真实例表明了该算法的有效性。     

不确定时滞系统的迭代学习控制算法（I）

讨论了不确定时滞系统迭代学习控制的鲁棒收敛性，在存在干扰和初始偏移的情形下，给出了较弱的收敛性充分条件，仿真结果表明，迭代学习控制算法对于抑制初始点偏移和周期干扰的影响是有效的。     

基于单步预测的模型参考自适应逆控制

针对非线性系统,提出一种基于单步预测的模型参考自适应逆控制方案.该方案将预测思想引入自适应逆控制中,采用Elman网络作为模型辩识器,利用它建立非线性系统输出的预测模型;采用模糊神经网络作为自适应逆控制器,由预测误差进行参数的在线自适应寻优.仿真结果表明,该方案具有很好的跟踪效果和较强的鲁棒性.     

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.     

Support vector machine based nonlinear model multi-step-ahead optimizing predictive control

1INTRODUCTION Modelpredictivecontrol(MPC)isaclassof controlalgorithmsinwhichadynamicprocessmodelisusedtopredictandoptimizeprocessper formance[1].Becausemanyindustrialprocessesare intrinsicallynonlinear,especiallyintwocases[2]:strongnonlinearregulatorcontrolproblemsand servocontrolproblemswithfrequentchangesof operatingpoints.Nonlinearmodelpredictivecon trol(NMPC)techniquesshouldbedevelopedto overcometheeffectofthehardnonlinear.Re cently,someNMPCalgorithmshavebeenputfor ward,whicharema…     

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.     

非线性离散系统的自适应反馈一步向前预测控制方法

针对时变、滞后、反馈时间慢且参数未知的非线性离散时间模型系统的特点，提出了一种自适应反馈控制方法。在方法中，考虑到调整时间内反馈信息少与工程易实现的要求，采用多层预报的方法，对模型跟踪误差进一步向前预测，进而利用预测结果对模型和输入做进一步修正。此外，对算法的收敛性和稳定性从数学上给出了说明。并通过数值仿真验证了方法的可行性和有效性。     

基于Wiener模型的非线性预测函数控制

针对传统的预测函数控制对非线性强、结构多变的实际对象控制效果不佳问题,提出了一种基于Wiener模型的非线性预测函数控制(PFC)方法。通过引入支持向量机回归方法,建立Wiener模型中非线性部分的逆模型,在输出反馈和参考轨迹上分别添加一个Wiener模型中非线性部分的逆模型,将非线性预测函数控制转化为线性预测函数控制,用线性优化算法解决非线性预测函数控制问题,避免了复杂的非线性优化。pH中和过程的计算机仿真结果表明,该方法比PID控制效果更好,而且对模型失配具有很好的自适应性能。     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

基于T-S模型的自适应模糊预测函数控制

针对多变量非线性系统，提出一种基于Takagi-Sugeno(T-S)模型的自适应模糊预测函数控制方法.在T-S模糊模型结构已确定情况下，利用加权递推最小二乘法对T-S模糊模型后件参数进行在线辨识.对模糊模型在每一采样点进行线性化，将描述非线性系统的T-S模型转化为线性时变的状态空间模型，并假设输入基函数为阶跃函数，推导出预测控制律的解析式.仿真结果表明，该方法在求解控制律时，无需求解非线性优化问题，并且有效克服了模型失配对系统控制性能的影响，增强了系统的跟踪性能和鲁棒性.     

轮控小型月球探测器姿态稳定的非线性预测控制

针对月球探测器飞行任务要求,推导三轴姿态稳定非线性预测控制器,以抑制反作用轮低速摩擦等对姿态的扰动,满足月球探测器高精度姿态稳定控制精度和稳定度的要求．仿真结果表明该控制器控制精度高,能有效抑制飞轮低速摩擦等对姿态的扰动．     

大气层外拦截器开关式姿态控制律设计

以大气层外拦截器为背景,为了提高姿态控制系统对干扰力矩的鲁棒性,基于预测控制方法设计了开关式姿态控制律.将导引头视场约束和姿态角速度约束以输出约束的形式添加到预测控制的优化问题中,保证了目标不脱离视场.针对线性化后的姿态运动模型,采用约束紧缩的方法,通过适当的调整约束集,保证了算法的鲁棒性.在此基础上得到了带有开关输入的姿态控制对应的优化问题.仿真结果表明,本文给出的设计方法即使在存在较大干扰力矩的情况下仍然能够满足姿态控制精度要求.     

基于多模型的自适应预测函数控制

作为第三代模型预测控制算法，预测函数控制已经在线性系统控制中取得了很好的效果，但应用于非线性对象还有一定局限性。针对现实中大量存在的非线性过程，提出了基于局部模型设计的预测函数控制器加上模型切换算法的多模型自适应预测函数控制器。通过计算机仿真应用于连续发酵过程，表明基于多模型的自适应预测函数控制器比常规的预测函数控制器具有更好的控制效果。