时域约束FIR滤波器设计的IRCLS算法

考虑了带有时域约束的线性相位FIR滤波器的Minimax设计问题．将设计问题转化为迭代地求解一系列约束加权最小二乘逼近问题，在迭代过程中利用逼近误差的包络线对权函数进行更新．迭代过程收敛后，得到一个准Minimax解．将此方法应用于阶跃响应受约束的FIR滤波器以及Nyquist滤波器的设计，设计例子说明了所提设计方法的有效性．     

D型闭环迭代学习控制的2—D模型及收敛性分析

本将2-D线性连续-离散系统理论应用于连续线性迭代学习控制系统中，给出能很好反映迭代学习控制过程的数学模型-2-D线性连续-离散系统Roessor模型。在2-D系统理论上证明了D型闭环迭代学习控制律的收敛性。根据该理论设计的闭环迭代学习控制器，受到的限制较小。     

基于H∞方法的鲁棒迭代学习控制设计

针对不确定的线性系统,研究鲁棒梯度型迭代学习控制的设计问题.通过分析系统不确定性对反馈闭环控制和前馈学习控制的影响,给出了保证迭代学习控制在有限时间段上鲁棒收敛的充分条件.依据此条件,将迭代学习控制的设计问题转化为H∞设计问题,提出了一种兼具反馈与前馈作用的鲁棒迭代学习控制律.迭代学习控制的设计过程分为两步进行:先基于H∞方法设计反馈控制器,再采用固定步长的梯度法设计前馈控制器.仿真结果表明了该设计方法的可行性.     

基于遗忘因子的数据驱动最优迭代学习控制算法研究

针对一类有限时间内重复运行的非线性非仿射离散时间系统,本文提出了一种基于遗忘因子的数据驱动最优迭代学习控制方法.首先,引入一种迭代动态线性化方法,将被控非线性系统等效化为线性输入输出增量形式;其次,分析了最优迭代学习控制方法中存在的问题,并针对由历史信息的累积效应所导致的控制输入不能及时响应的问题,设计自适应遗忘因子使算法具有更好的可控性和灵活性.所提出的控制方法是数据驱动的控制方法,设计和分析过程仅依赖于系统的输入输出数据,不包含任何显式模型信息.最后,通过仿真验证了该方法的有效性.     

时域约束FIR滤波器设计的IRCLS算法

考虑了带有时域约束的线性相位FIR滤波器的Minimax设计问题 .将设计问题转化为迭代地求解一系列约束加权最小二乘逼近问题 ,在迭代过程中利用逼近误差的包络线对权函数进行更新 .迭代过程收敛后 ,得到一个准Minimax解 .将此方法应用于阶跃响应受约束的FIR滤波器以及Nyquist滤波器的设计 ,设计例子说明了所提设计方法的有效性 .     

一类模糊增益调节迭代学习控制器设计

针对迭代学习控制收敛速度比较慢的问题,结合模糊控制技术,通过改变PD型迭代学习控制增益的方法设计了一个模糊增益调节迭代学习控制器,对单臂机械手模型进行计算机仿真,结果表明:这种设计方法与原PD型迭代学习控制算法在收敛速度上有比较优势.     

具干扰抑制的线性鲁棒迭代学习控制

针对不确定线性定常系统,考虑频域迭代学习控制器设计及干扰抑制问题.根据提出的闭环迭代学习控制律,推导出跟踪误差收敛的充分条件,并证明了它等价于系统没有采用迭代学习控制时的鲁棒性能条件,但在性能上却得到大大的改善.在完全跟踪不可能实现的情况下,讨论性能权重函数的选取,保证了跟踪误差收敛于实际工程容许的范围内,且参数选择非常简单.基于此性能权重函数,结合鲁棒控制理论,求解满足收敛条件的控制器.给出的仿真结果表明该设计方法的有效性.     

基于二次型优化的迭代学习控制算法

针对线性时不变系统提出了一种基于优化控制理论设计的迭代学习控制算法,该算法基于二次型优化性能指标,利用梯度下降搜索法来拟合迭代学习控制律,仿真结果表明,该算法具有较快的收敛速度,且系统实际输出能够在较小的迭代次数下快速跟踪给定轨迹。     

有界输入下基于backstepping的迭代学习控制

讨论一类含饱和执行机构的非匹配不确定非线性系统的输出跟踪问题．结合反演（backstep-ping）设计方法和迭代学习控制，提出一种输入限幅下的backstepping迭代学习控制方案．学习控制用于学习周期性的系统不确定性，backstepping方法用于处理非匹配不确定性，并且利用低通滤波器削弱饱和执行机构的影响．通过Lyapunov方法，证明所设计的控制器不仅可保证闭环系统中所有信号一致有界，而且随迭代次数增加，跟踪误差收敛到零．仿真结果表明控制器的有效性和可行性．     

基于高阶内模的非线性离散系统迭代学习控制

针对一类工作于重复条件下的一阶非正则离散时间非线性系统追踪迭代域非严格重复的参考轨迹问题,提出基于高阶内模(HOIM)的迭代学习控制方法.利用高阶内模,描述系统输出追踪参考轨迹的迭代域变化规律问题.在针对非线性系统的迭代学习控制律设计过程中,根据内模原理,将高阶内模与D型迭代学习控制律相结合,设计合适的学习增益.从理论上严格证明,在所提出的基于高阶内模的迭代学习控制律的作用下,系统跟踪误差的迭代域收敛性.对机械手离散时间模型的仿真结果表明了该迭代学习控制方法的有效性.     

一种可用于线性动态延迟控制系统的闭环比例型一阶给定超前迭…

讨论了迭代学习控制的基本概念，并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法。理论分析证明，这种控制算法对于跟踪重复运动的轨迹具有良好的效果。     

一种可用于线性动态延迟系统控制的开环比例型一阶给定超前迭代学习控制算法

本文讨论了迭代学习控制的基本概念，并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法。理论分析证明，这种控制算法对于跟踪重复运动的轨迹具有良好的效果。     

一种可用于线性动态延迟系统控制的开环比例型一阶给定超？…

本文讨论了迭代学习控制的基本概念，并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法。理论分析证明，这种控制算法对于跟踪重复运动的轨迹具有良好的效果。     

线性矩阵方程的迭代求解方法

在很多问题中会遇到线性矩阵方程的求解问题,如果线性矩阵方程用矩阵直积和矩阵按行或按列进行拉直,用向量表示未知数不仅不方便,而且占用空间较大,因此有必要讨论线性矩阵方程的数值求解方法.本文给出了线性矩阵方程的迭代求解方法,讨论了迭代方法收敛的条件,给出了线性矩阵方程的雅可比迭代方法和方阵乘幂求和方法,用数值例子基于Matlab程序验证了算法的可行性.     

一种优化神经网络结构算法

给出了一种优化三层神经网络结构算法。首先以较大隐层节点数进行学习，然后根据隐层输出信息提取各节点之间的线性特征来优化隐层节点数。对隐层输出信息提取各节点之间的线性特征，给出了两种方法：一种是在ＢＰ神经网络迭代后用自适应线性单元来提取隐层输出各节点之间线性特征，另一种是在ＢＰ神经网络迭代时就尽量使隐层输出各节点之间呈线性，然后用上种方法来提取隐层输出各节点之间线性特征。实例验证，后一种比前一种能更好     

基于数据驱动高阶学习律的轮式移动机器人轨迹跟踪控制

轮式机器人执行巡逻、播种和工业生产等任务是一个强非线性的间歇过程.针对重复运行的轮式机器人轨迹跟踪问题,本文提出了一种基于数据驱动的高阶迭代学习控制算法.首先,对轮式移动机器人的模型进行推导设计,并对推导得到的状态空间形式的离散时间模型利用基于状态转移的迭代动态线性化方法,将轮式机器人系统转化为线性输入输出数据模型;其...     

一种优化神经网络结构算法

给出了一种优化三层神经网络结构算法。首先以较大隐层节点数进行学习，然后根据隐层输出信息提取各节点之间的线性特征来优化隐层节点数。对隐层输出信息提取各节点之间的线性特征，给出了两种方法：一种是在ＢＰ神经网络迭代后用自适应线性单元来提取隐层输出各节点之间线性特征，另一种是在ＢＰ神经网络迭代时就尽量使隐层输出各节点之间呈线性，然后用上种方法来提取隐层输出各节点之间线性特征。实例验证，后一种比前一种能更好地优化ＢＰ神经网络结构。     

离散时间系统自适应迭代学习控制的研究进展

离散自适应迭代学习控制是针对在有限时间区间上运行的不确定非线性离散时间系统提出的一类方法,可有效抵抗系统的不确定性,并放宽了传统迭代学习控制中要求相同初始条件和参考轨迹这两个关键假设。即可在随机初始条件下实现对迭代变化参考轨迹的几乎完全跟踪性能。本研究给出了迭代学习控制方法的分类,对其中的自适应迭代学习控制方法的设计思路和适用背景进行了阐述。重点综述了离散时间系统自适应迭代学习控制方法的发展过程,讨论了所提出离散时间自适应控制方法的特点和适用范围,提出了基于数据驱动的自适应迭代学习控制发展的必然趋势和有待于进一步研究的问题。     

初值大偏差分布参数系统迭代学习跟踪控制

利用迭代学习控制算法,研究了一类不确定抛物型线性分布参数系统轨迹跟踪问题.针对学习过程中状态初始值存在大偏差,提出了变增益系数闭环P型迭代学习控制算法,给出了在该迭代学习律作用下对期望轨迹跟踪的充分条件.基于Bellman-Gronwall不等式和算子理论,对迭代误差在L2范数意义下的收敛性进行了完整证明.数值例子说明了算法的可适用性.     

基于二阶导数公式的迭代亏损校正法

给出了基于二阶导数公式的迭代亏损校正法，并证明了这种方法迭代过程的不动点和具有二阶导数多项式配置解的等价性。此外还就线性问题讨论了这种方法收敛到不动点的条件。数值实验结果表明，这种方法不仅能快速收敛到不动点，而且对刚性常微分方程尤其有效。