迭代学习控制系统的鲁棒收敛性分析

本文提出一种开闭环配合的滤波器型迭代学习控制算法，并将这种算法应用于一般非线性动态系统的轨迹跟踪，对于渐近重复初始条件和渐近周期干扰的情形，通过控制误差估计和输出误差估计，文中分别证明学习过程的一致收敛性，证明中未采用线性化手段。     

神经网络磁链估计的感应电机反步法研究

为实现感应电机的位置渐近跟踪，基于反步法并取转矩和磁链控制信号作为虚拟控制，设计了感应电机位置控制系统．采用多层前馈神经网络估计转子磁链，以Levenberg-Marquardt算法训练网络并调整权值．最后基于Lyapunov稳定性理论证明了系统的稳定性．仿真结果表明，所设计的神经网络磁链观测器具有良好的估计效果，位置跟踪误差迅速收敛，具有较优的伺服跟踪特性．     

奇异最优控制的渐近分析

该文研究分布参数系统的奇异最优控制的收敛性和渐近分析,给出了一种可行的渐近展 开算法和误差估计,并提出一个Stiff类型的未解决问题.     

Stokes方程最优控制问题的超收敛分析

本文对Stokes方程分布最优控制问题的有限元近似进行了全局超收敛分析．基于一致矩形网格上的超逼近结果,通过应用两种后处理技术获得了超收敛结果和渐近准确的后验误差估计．最后,我们给出数值例子验证了理论的有效性．     

基于状态观测器的非仿射非线性系统鲁棒自适应H∞跟踪控制

针对一类非仿射非线性系统，提出了基于状态观测器的鲁棒自适应H∞跟踪控制结构．文中利用高斯径向基神经网络（RBF神经网络）在线抵消非线性模型误差，利用高增益观测器估计不能直接测量的输出导数．利用李亚普若夫稳定理论导出了系统的控制律，包括固定结构的控制律和自适应控制律两个部分，并给出了详细的理论分析和证明：在系统没有扰动时，确保跟踪误差渐近趋于零且系统的所有信号有界；存在扰动时，取得了预期的H∞跟踪性能．     

扰动估计器的构造和设计

本文介绍了一种扰动估计器的构造和设计，它是渐近稳定的，能对有界、带限的不可测扰动作出实时估计，并可将估计误差控制在一定的范围内．该扰动估计器不要求受到扰动的受控系统是稳定的，也不要求受扰的受控系统处于闭环状态．仿真结果验证了该扰动估计器的有效性．     

多维线性随机系统的自适应控制

本文给出MIMO线性随机系统的一种自适应控制算法，其参数递推估计的增益矩阵自动保证有界性，从理论上分析了跟踪控制误差的渐近特性，数字仿真表明该算法的有效性。     

量化误差对直线位姿估计精度影响的研究

针对直线位姿估计问题分析了量化误差的传播特性，并以闭式解的形式建立了位姿估计结果受图像量化误差影响的数学模型．同时，在分析量化误差传播特性的基础上，给出了直线的选线方法．最后，确定了最优直线配置，提高了位姿估计精度．     

基于误差状态卡尔曼滤波估计的旋翼无人机输入饱和控制

针对GPS（global positioning system）信号缺失环境下无人机自主飞行控制问题,设计了一种基于视觉与IMU（inertial measurement unit）融合的误差状态卡尔曼滤波（ESKF）框架,并在此基础上提出了一种新的输入饱和控制方法以进一步缓解视野约束以及运动模糊问题．不同于传统的扩展卡尔曼滤波（EKF）框架,本文设计的滤波框架是对误差状态进行更新与校正,而不是直接对系统状态进行估计．由于误差状态是小量,并且其线性程度较高,因此相对于系统状态局部线性化而言,误差状态的局部线性化的模型误差更小,进而可以提高状态估计的精度．基于ESKF框架得到的全状态估计,本文提出了一种新的线性与双曲正切混合的饱和函数,进而设计了输入饱和控制器并通过李亚普诺夫函数证明了闭环系统平衡点的渐近稳定性．最后,在旋翼无人机平台上的对比实验结果表明：本文ESKF方法得到的状态估计精度更高．另外,本文所提出的输入饱和控制方法有助于保证视觉特征在视野之内,并且比有界积分控制方法有更好的暂态以及稳态性能．     

非完整移动机器人编队的滑模控制

提出了一个非线性滑模控制器，协调一组非完整移动机器人以取得合乎要求的编队．考虑了两个机器人组成的领航者—跟随者机器人模型，通过滑模控制使它们沿预定的轨迹运动并保持预定的相对距离、方位角及运动方向．运用传统的李亚普诺夫理论研究了闭环系统的稳定性．在合理的假设下，从理论上证明了存在有界干扰情形下机器人编队的渐近稳定性，即所设计的滑模控制器使得相对距离误差、方位角误差及运动方向误差渐近稳定．最后，给出了两台机器人情形的数值仿真例子来验证该方法的有效性．     

新型同步发电机励磁控制器的设计

针对传统的基于迭代学习控制算法的同步发电机励磁控制器存在初始控制信号由经验确定的问题,提出了一种基于即时学习型迭代学习控制算法的同步发电机励磁控制器的设计方案。该方案在迭代学习控制算法中引入即时学习算法,利用即时学习算法计算初始控制信号,有效减少了初始控制信号与理想控制信号之间的误差。仿真结果表明,该励磁控制器收敛速度快,具有更强的维持机端电压的能力。     

带有初态学习的可变增益迭代学习控制

针对一类非线性系统提出一种新的学习控制算法,该算法在可变学习增益的迭代学习控制律基础上,增加了系统初态的迭代学习律.利用算子理论证明了系统在存在初态偏移时经过迭代学习后,其输出能够完全跟踪期望轨迹,同时得到了该算法谱半径形式的收敛条件.将该算法与传统迭代学习控制相比较可以看出,前者的收敛速度得到了较大提高,而且解决了可变学习增益迭代学习控制的初态偏移问题.仿真结果验证了该算法的有效性.     

具有滞后的饱和非线性工业控制系统的迭代学习控制

基于稳态优化中递阶控制结构,对具有滞后的非平滑饱和非线性工业控制系统施行迭 代学习控制,提出了期望目标轨线δ-可达以及迭代学习算法的ε-收敛的慨念,给出了加权超前 PD-型开环迭代学习算法,对算法的收敛性进行论证.数字仿真证明了算法的有效性,并表明对 工业控制系统的动态品质有显著改进.     

基于内部回归神经网络的强化学习

在强化学习和动态规划算法的基础上,提出一种不需要预测模型的改进的强化学习算法：该学习算法在模型未知和没有先验经验的条件下,能通过自身神经网络的在线学习,有效控制不稳定的非线性系统：该学习算法的网络结构采用内部回归神经网络,这样可以增强网络本身处理动态信息的能力,使其更适合复杂系统的稳定控制。应用到一级倒立摆物理实体的控制．实验结果表明了该学习算法在性能上优于其他同类强化学习算法．     

非线性时滞系统的高阶迭代学习控制

针对非线性时滞系统,讨论了输出跟踪控制的高阶迭代学习算法,并给出了算法的收敛性 证明.当由于重复定位等原因造成初态偏差时,提出一种反复学习方案,完成初态和轨迹跟 踪,它对初态偏差有较强的鲁棒性.仿真结果表明了该算法的有效性.     

非线性系统在任意初值下的PID型迭代学习控制

针对一类在有限时间区间上重复运行的非线性系统,给出了一种可以解决迭代学习控制中任意初值问题的PID型迭代学习算法及其收敛条件。采用算子理论证明了该算法的收敛性,结果表明该算法不仅有效解决了迭代学习控制的初值问题,而且放宽了收敛条件。仿真分析及与PD型迭代学习控制算法的仿真结果的对比证明,非线性系统在任意初值条件下经过PID型迭代学习后跟踪精度显著提高,输出误差曲线更快速趋于零,表明了该算法的有效性。     

非线性系统迭代跟踪控制的批次遗忘学习算法

针对P型迭代学习算法对初始偏差和输出误差扰动敏感,以及PD型迭代学习算法容易放大系统噪声,降低系统鲁棒性的问题,研究了具有任意有界扰动及期望输出的重复运行非线性时变系统的PD型迭代学习跟踪控制算法.利用迭代学习过程记忆的期望轨迹、期望控制以及跟踪误差,给出基于变批次遗忘因子的学习控制器设计,并借助λ范数理论和Bellman-Gronwall不等式,讨论保证闭环跟踪系统批次误差有界的学习增益存在的充分必要条件,及分析控制算法的一致收敛性.本算法改善了系统的鲁棒性和动态特性,单关节机械臂的跟踪控制仿真验证了方法的有效性.     

基于迭代学习控制的移动机器人轨迹跟踪控制

为提高移动机器人对特定轨迹的重复跟踪能力,提出了采用开闭环PD型迭代学习控制算法对移动机器人进行轨迹跟踪控制的方法。建立了包含外界干扰的非完整约束条件下的轮式移动机器人运动学模型,给出了系统的控制算法和控制结构。仿真结果表明,采用开闭环PD型迭代学习控制算法对轨迹跟踪是可行有效的,收敛速度优于其他迭代学习算法。     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

非线性迭代学习控制问题的延拓修正牛顿法

对于非线性迭代学习控制问题,提出基于延拓法和修正Newton法的具有全局收敛性的迭代学习控制新方法.由于一般的Newton型迭代学习控制律都是局部收敛的,在实际应用中有很大局限性.为拓宽收敛范围,该方法将延拓法引入迭代学习控制问题,提出基于同伦延拓的新的Newton型迭代学习控制律,使得初始控制可以较为任意的选择.新的迭代学习控制算法将求解过程分成N个子问题,每个子问题由换列修正Newton法利用简单的递推公式解出.本文给出算法收敛的充分条件,证明了算法的全局收敛性.该算法对于非线性系统迭代学习控制具有全局收敛和计算简单的优点.