输入增益未知非参数不确定系统的准最优学习控制

为解决一类非参数不确定系统在任意初态且输入增益未知情形下的轨迹跟踪问题,提出准最优误差跟踪学习控制方法.该方法综合准最优控制和迭代学习控制两种技术设计控制器,在构造期望误差轨迹的基础上,根据控制Lyapunov函数及Sontag公式给出标称系统的优化控制,以鲁棒方法和学习方法相结合的策略处理非参数不确定性.闭环系统经过足够次迭代运行后,经由实现系统误差对期望误差轨迹在整个作业区间上的精确跟踪,获得系统状态对参考信号在预设的部分作业区间上的精确跟踪.仿真结果表明所设计学习系统在收敛速度方面快于非优化设计.

具有死区输入的非参数不确定系统误差跟踪迭代学习控制

本文针对一类具有非对称死区输入的非参数不确定系统设计了一种误差跟踪迭代学习控制(ILC)算法。首先,构造一种新型的期望误差轨迹放宽经典迭代学习控制的初值一致条件。其次,利用微分中值定理将非对称死区转换为线性形式,并利用径向基函数(RBF)神经网络对系统不确定性和死区参数进行估计和补偿。在此基础上,设计误差跟踪迭代学习控制器和组合自适应律,实现系统在指定区间对期望轨迹的高精度跟踪。最后,基于Lyapunov-Like理论进行稳定性分析,并通过仿真验证了本文所提方法的有效性。

一类非参数不确定系统的自适应神经网络重复学习控制

本文针对一类非参数不确定系统提出一种自适应神经网络重复学习控制方法。利用期望轨迹的周期特性,构造周期性期望控制输入,并设计重复学习律估计未知期望控制输入并补偿系统周期不确定,实现系统对期望轨迹的高精度跟踪。在此基础上,利用神经网络估计系统未知状态和补偿非周期性不确定,进而提高系统鲁棒性。与已有的部分限幅学习律相比,本文提出的全限幅重复学习律可以保证估计值的连续性且能够被限制在指定的界内。最后,基于Lyapunov方法分析误差的收敛性能,并给出仿真结果验证了本文所提方法的有效性。