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。     

线性离散系统的H∞闭环迭代学习控制器设计

针对线性离散系统，研究了闭环动态迭代学习控制律的设计问题。首先给出了系统收敛的充分条件，其次将它转化为H∞设计问题，最后利用线性矩阵不等式（LMI）方法设计迭代学习控制器。仿真实例表明了设计方法的有效性。     

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。     

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。     

目标轨迹更新的点到点鲁棒迭代学习控制

为了获得更快的算法收敛速度,提出易于操作的插值法来更新目标轨迹.该方法易于选择参数,有更好的泛化性能并为控制算法的设计提供灵活性.采用有更广泛收敛域、能够更好地抵消噪声影响的P型闭环迭代学习控制.对于有初始状态扰动的情况,新算法结合了P型闭环迭代学习控制与插值法轨迹更新,收敛性和鲁棒性得到理论证明.数值仿真验证了新算法比固定目标轨迹算法和P型开环迭代学习控制更有优势.     

广义线性离散系统的优化计算

讨论了广义线性离散系统状态反馈H∞控制问题，论证了它和常义状态空间线性状态反馈H∞控制问题的等价性，利用线性矩阵不等式（LMI）方法，给出了一个使闭环系统无脉冲、内稳定且满足H∞性能指标的状态反馈。     

非正则线性系统闭环P型迭代学习控制算法

在文献[1]的基础上，用另一种方法推导出一个非正则线性系统的闭环P型迭代学习控制律收敛性条件，该条件使得非正则系统中闭环P型迭代学习算法收敛性条件更加完全，应用的范围更加广泛。开环与闭环两种方式的仿真结果验证了在该条件下算法的收敛性和正确性，以及闭环控制的有效性。     

基于神经网络的鲁棒自适应滑模迭代学习控制

对一类不确定非线性系统，包括不确定性机器人，提出一种自适应鲁棒迭代学习控制方案，学习控制用于学习周期性的系统不确定性，自适应滑模控制用于抑制非周期性系统不确定性，并且利用RBF神经网络自适应学习系统不确定性的未知上界，对不确定性系统动态和有界输入拢动具有鲁棒性，通过Lyapunov直接方法，确保了对每次迭代闭环系统是一致有界的，并且沿着迭代次数的增加，跟踪误差渐近收敛于零，仿真结果表明了该方案的有效性。     

二级倒立摆的数字再设计

当数字计算机构成系统的一个组成部分时,需要对连续的控制对象设计数字控制器.本文依据闭环连续系统与其离散系统之间应遵循的某种等价关系,综述了数字控制系统的再设计问题.并且应用这种方法对二级倒立摆系统进行了数字仿真和实时控制,验证了这种方法的有效性.     

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．