基于混合灵敏度设计的鲁棒迭代学习控制

提出一种鲁棒迭代学习控制的设计方法．利用混合灵敏度设计方法，控制器满足一定鲁棒性条件时就可以直接获得收敛更新规则．此外，只要学习滤波函数满足一定条件，系统跟踪误差将显著降低．仿真结果表明该方法有效性较高．     

基于向量Lyapunov函数和LMI的大系统分散镇定

基于线性关联大系统的比较方程稳定性判据，给出了一种完全解耦的子系统控制器设计方法．该方法通过构造一个向量Lyapunov函数来满足比较方程的稳定性要求，并将控制器的设计转换为一组线性矩阵不等式的求解，进而对大系统进行镇定．由于各子系统控制器的设计可独立进行，相较于加权Lyapunov函数方法，该方法降低了控制算法的计算量和难度．仿真结果表明了该方法的可行性和有效性．     

基于模型参考自适应方法的对偶控制方法研究

针对未知参数随机系统，基于模型参考自适应方法和双准则函数，设计了具有控制和学习作用的对偶控制器．通过控制器的学习作用提高了控制精度，有效地减少了启动时的超调．仿真结果表明，设计的控制器能够具有较好的跟踪性能．     

基于SIMULINK的迭代学习励磁控制器的设计

该文将迭代学习控制理论应用于同步发电机励磁控制器的设计中，采用混合型迭代学习控制律对其进行控制。在两机系统中使用SIMULINK软件对励磁控制系统的稳定性和动态性能等进行分析，设计出满足系统要求的励磁控制器。仿真结果表明该方法的有效性和一般性，改善了控制性能，具有很强的维持机端电压的能力，与常规的PID控制器相比较，收敛速度得到很大提高，有利于提高电力系统稳定性。     

严格反馈非线性时变系统的迭代学习控制

针对一类含未知时变参数的严格反馈非线性系统, 提出一种实现有限作业区间轨迹跟踪控制的迭代学习算法. 基于Lyapunov-like方法设计控制器, 回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求. 以反推设计(Backstepping)方法设计控制器, 为使得虚拟控制项可导, 引入一级数收敛序列; 将时变参数展开为有限项多项式形式, 在控制器设计中采取双曲正切函数处理余项对于系统跟踪性能的影响. 理论分析表明, 闭环系统所有信号有界, 并能够实现系统输出完全收敛于理想轨迹.     

约束纹理映射的自适应方法

传统的约束纹理映射方法大都在满足指定的约束条件时破坏了参数化结果的保形性,为此提出一种自适应的约束纹理映射方法.通过迭代最小化一个由保形项和约束项组成的加权能量得到带约束参数化结果,并且以每步更新权重的方式来平衡这两项;在每步迭代时,每个约束点权系数的选取依赖于上次结果中该约束点距指定位置距离的一个单调函数.利用该方法可以在满足指定约束条件的前提下兼顾到结果的保形性.实验结果表明,该方法能够快速、有效地得到较好的纹理贴图效果.     

基于Vinnicombe距离的迭代辨识与控制设计

迭代辨识与控制设计的主要问题在于保证控制设计的稳定性和闭环性能的不断改善. 针对该问题, 本文提出一种基于Vinnicombe距离的迭代辨识与控制设计方法. 每次迭代辨识使用上次设计的控制器, 通过闭环辨识得到包含真实系统的不确定模型集合, 设计镇定这个集合的控制器; 同时提出迭代辨识过程闭环性能改善条件, 以及控制器的设计方法. 仿真结果显示了该方法的有效性.     

不确定多时滞系统非脆弱鲁棒保代价控制

针对一类含有多时滞的不确定线性系统，在控制器增益存在乘性和加性两种摄动形式时分别设计了非脆弱具有鲁棒性能的保代价控制器．利用构造的Lyapunov函数和线性矩阵不等式，证明并给出了非脆弱鲁棒保代价状态反馈控制问题有解的充分条件，仅通过求解相应的线性矩阵不等式就可得到非脆弱鲁棒保代价控制器．所设计的控制器不仅使闭环系统具有鲁棒性，能满足所给的的鲁棒保代价性能指标，而且当控制器增益参数变化时，系统性能指标同样能够满足要求．该系统对环境参数的变化具有更好的适应能力。     

时滞不确定组合系统的鲁棒分散输出控制

讨论了时滞不确定组合系统的鲁棒分散输出控制问题．不确定项存在于子系统内部，可以是非线性或时交的：而且时滞存在互联项中，并满足匹配条件．不确定项是有界的，但界是未知的．利用自适应律来估计未知的上界，设计出分散无记忆输出控制器．基于Lyapunov稳定性理论和Lyapunov-Krasovskii函数，该控制器能够保证闭环系统的解是终极一致有界的．最后的仿真结果说明该设计方法是有效的．     

基于反馈控制的迭代学习控制器设计

针对具有不确定项或干扰项的重复非线性时变系统,提出了基于反馈控制的迭代学习控制器,其中迭代学习控制器设计为高阶PD型,它以前馈的形式作用于对象,在满足一定的收敛性条件下,证明了该控制器的跟踪误差界是系统初始状态误差界和系统输出干扰项界的线性函数,同时改变反馈增益可以调整系统的最终跟踪误差界,仿真与实验均表明了该方法的有效性。