一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

线性时变系统辨识的神经网络方法

构造了一种用于线性时变系统辨 神经网络,研究了它对线性时变控制系统的逼近能力。在以Ｌ＾２（０,ｔ１）;Ｒ＾ｍ的任意一个有界子集为控制函数集上,神经网络具有一致逼近线性时变系统的状态的能力,了采用标准正交系作为样本的 训练方法,按照这种方法训练后,在由这个标准正交系所生成的Ｌ＾２「Ｏ,ｔ１」;Ｒ＾）的空间上,神经网络的输出一致逼近线性时变系统的状态。     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

一类不确定时滞大系统的分散模型参考自适应控制

运用分散模型参考自适应控制方法研究了一类不确定时滞大系统问题.在选择参考模型时,根据系统所期望的性能指标,考虑各子系统的相互作用,保留了互联项.这类不确定大系统的关联及干扰是时变不确定的.在这种不确定性界存在但却未知的情形下,基于Lyapunov稳定性理论,给出了其分散自适应控制律,并证明了整个互联大系统是一致最终有界...     

一类复杂系统的分布式模型参考自适应控制

针对一类子系统相关联的复杂多输入多输出系统，提出了一种在多输入子系统中采用基于Lyapunov函数的模型参考自适应控制(MRAC)的方法．其中各个子系统建模为线性多输入系统，并假设各子系统的参数均为未知，各子系统之间存在相互影响．通过理论推导和计算机仿真证明了该控制方法的可行性和有效性。     

可变纯滞后时变系统模型参考自适应预估控制

基于Smith预估控制和参数最优化理论,提出了可变纯滞后时变系统的模型参考自适应预估控制(MRAPC)。MRAPC由自适应预估器,自适应过程模型,自适应机构及常规控制器所组成。它大大地减少了系统中时变参数和可变纯滞后的影响,控制性能明显地强于Smith预估控制。其后给出的仿真结果证实了MRAPC的有效性。     

宏观交通流模型的自适应迭代学习辨识策略

城市路网交通流系统具有很强的随机性和时变性,单一固定的交通流模型难以准确地描述城市路网的实际运行情况,在考虑交通流稳态和动态特性的基础上,提出了一种含有未知时变多参数的非线性宏观交通流模型,并针对交通流固有的重复性特征,设计了一种时变多参数的自适应迭代学习辨识策略。在有限时间区间内,利用迭代学习辨识策略将参数辨识问题转化为最优跟踪控制问题,使交叉口各进口道的排队车辆数均趋于真实值,利用去伪算法的实时自适应能力调整迭代学习辨识策略的学习律增益,提高辨识策略的抗干扰能力。通过严格的数学理论推导证明了该算法的收敛性,最后采用基于模型的控制方法进行仿真实验,进一步验证了该方法的有效性。     

一类时变时滞切换系统的稳定性

本文讨论了一类时变时滞切换系统的稳定性。首先,对系统进行了广义模型变化;然后,通过构造适当的Lyapunov函数,使用了积分不等式,并且引入一些自由权矩阵,得到了基于线性矩阵不等式的系统稳定性判据。文中对时变时滞的导数并不做要求。最后,通过仿真算例说明了所得到的结论在保守性上优于现存的结果。     

一类复杂系统的分布式模型参考自适应控制

针对一类子系统相关联的复杂多输入多输出系统 ,提出了一种在多输入子系统中采用基于Lyapunov函数的模型参考自适应控制 (MRAC)的方法 .其中各个子系统建模为线性多输入系统 ,并假设各子系统的参数均为未知 ,各子系统之间存在相互影响 .通过理论推导和计算机仿真证明了该控制方法的可行性和有效性 .     

一类非线性系统模型参考自适应模糊控制

针对一类过程结构和参数都存在很大不确定性或未知的非线性系统,利用模糊逻辑系统的逼近能力,提出了模型参考自适应模糊控制器设计的系统方法．基于μ－修正方案,建立了未知参数的自适应调节律．利用李雅普诺夫理论,证明了基于自适应模糊控制算法的闭环系统是全局稳定的,系统的跟踪误差在有限时间内可收敛到任意给定的零的一个邻域内．仿真结果显示了这一新方法的有效性．     

一类线性时变脉冲系统的指数稳定性

用Gronwall不等式和冻结系数法,给出一类线性时变脉冲系统指数稳定的充分条件,并用数值例子说明结果是有效的.     

一类多变时滞线性系统的指数稳定性

研究了一类多变时滞线性系统的指数稳定性,通过构造适当的Lyapunov泛涵,利用凸组合技术,得出系统多时滞相关的指数稳定的充分条件,并以线性矩阵不等式的形式给出.最后通过数值算例表明该方法的有效性.     

一类双线性参数化时变时滞系统的自适应迭代学习控制

针对一类双线性参数化时变时滞系统,设计了一种新颖的自适应迭代学习控制策略,该策略利用信号置换思想与参数重组技术来有效处理系统中时变时滞项,引入微分-差分耦合型自适应律以解决系统中双线性参数化项.通过构建一个Lyapunov-Krasovskii型复合能量函数证明了跟踪误差的收敛性以及所有信号的有界性.仿真实例结果表明该策略是有效且可行的.     

基于边界层的一类不确定系统的迭代学习控制

针对一类具有任意初态和非周期有界扰动的不确定非线性时变系统,提出一种基于边界层的迭代学习控制方法,将边界层设计成一个具有剩余宽度的指数衰减函数,通过边界层把任意初态问题转换为零初值迭代学习问题.针对周期和非周期不确定性扰动,分别设计周期项的学习律和非周期项的边界学习律,然后在此基础上给出了迭代学习控制算法.文中给出了相关定理,并应用类Lyapunov方法给出了定理的详细证明.仿真结果表明,所提出的算法是有效的,轨迹跟踪误差能收敛到边界层.     

具控制时滞的线性时滞系统的迭代学习控制

针对一类具有控制时滞的线性系统，讨论了D型迭代学习控制算法，从理论上给出了算法收敛的充分条件。数值仿真结果表明，这种算法是有效的。     

一类不确定混合线性系统鲁棒自适应控制

通过分析一类具有Markov跳跃参数的不确定混合线性系统的随机稳定性问题,将确定型系统中的Lasalle稳定性定理推广到混合系统中,并对系统不确定部分的未知范数上界提出了一种参数自适应估计方法及相应的鲁棒控制律,实现了混合线性系统以概率1渐近稳定.研究结果表明,此控制方案对混合线性系统的不确定部分有较强的鲁棒性.     

对一类非严格重复系统的两种基于二阶内模的迭代学习控制器设计

通过对系统中的不确定参数建立迭代域上的二阶内模来研究一类非线性连续时间系统的非严格重复性,并依照内模原理提出了两种基于二阶内模的参数迭代学习控制器:二阶迭代学习控制器和平行迭代学习控制器.本文分别使用不同的Lyapunov函数,证明了两种控制器在各自的可行范围内都可以保证系统的跟踪误差收敛.通过对这两种学习机制的比较分析,说明了平行迭代学习控制设计的合理性.两个数值仿真不仅证实了两种算法的有效性,也展示了平行迭代学习控制器更好的收敛特性.