基于改进涡流搜索算法的外骨骼迭代学习控制

为提升康复外骨骼机器人的步态跟踪性能,提出一种基于改进涡流搜索算法的迭代学习控制方法。首先针对传统迭代学习控制抗扰性差和控制信息缺失问题,引入PD控制器、自适应遗忘因子、误差过渡曲线和控制信息搜索等策略,改进迭代学习控制律;其次,基于多种策略对涡流搜索算法进行改进,提出了一种改进涡流搜索算法,改进后的算法可优化迭代学习控制的PD参数;最后进行行走实验,将提出的迭代学习控制方法与现有的同类算法进行仿真和数值比较,并测试了扰动情况下的跟踪性能。实验结果表明,所提方法的误差更小,跟踪性能更强。该算法改进了迭代学习控制的不足,具有较强的抗扰性能,保证了使用时的稳定性。

基于迭代算法的FFRCT测量系统对急性ST段抬高型心肌梗死PCI术患者生存预后的影响

目的:观察基于迭代算法的无创血流储备分数(FFR)计算技术(FFRCT)测量系统诊断应用于急性ST段抬高型心肌梗死(STEMI)行急诊经皮冠状动脉介入治疗(PCI)治疗后对患者生存预后的影响。方法:前瞻性选取2022年10月至2024年2月内蒙古医科大学附属医院多支合并血管病变(MVD)的急性STEMI患者98例纳入研究,所有患者按随机双盲法分为FFRCT组(49例)和冠状动脉造影(CAG)组(49例)。FFRCT组以FFRCT为诊断依据,根据FFRCT检查结果执行完全血运重建策略;CAG组以CAG为指导处理梗死相关血管。观察两组患者基本临床资料、PCI手术操作细节和(或)技术指标以及相关资源利用指标,观察随访两组心绞痛发作和主要的心脏血管不良事件(MACE)等相关生存预后指标,主要观察终点为随访24个月的全因死亡、心衰、卒中、主要的MACE、及再次血运重建的复合终点事件等。结果:FFRCT组行非梗死相关血管PCI处理占比为55.10%(27/49);两组PCI术后手术操作细节/技术指标比较,FFRCT组手术用时为(65±10)min,较CAG组(60±8)min有所延长,支架总长度为(31±10)mm,短于CAG组(36±10)mm,两组比较差异均有统计学意义(t=-4.062、-6.710,P<0.05),两组造影剂用量、平均支架直径、住院时间等比较,差异均无统计学意义(P>0.05);与CAG组比较,FFRCT组随访24个月时非致死性心肌梗死、主要终点事件、再发心绞痛、再次血运重建发生率均显著降低,组间比较差异有统计学意义(χ2=4.926、5.273、6.091、5.804,P<0.05)。结论:多支合并MVD的急性ST段抬高型心肌梗死患者在急诊PCI过程中使用基于迭代算法的FFRCT测量系统检查指导血运重建,其安全性、有效性值得肯定,在降低PCI后心脑血管事件发生风险、改善预后方面较CAG指导方式具有明显优势。

基于深度学习的K近邻图迭代静脉识别算法研究

深度学习在计算机视觉中具有强大的特征表达能力,近年来广泛应用于静脉特征的提取与识别。通常,基于深度学习的静脉识别模型在训练阶段,每次仅输入1幅图像及其对应的标签,学习图像与标签之间的映射关系,然而,这种每次只处理单幅图像的方法,难以捕捉不同类别多幅静脉图像之间的关系。为了解决该问题,提出一种基于深度学习的K近邻图迭代静脉识别算法。用较优的深度学习模型提取掌静脉图像特征;利用K近邻算法通过特征距离在训练集中选出最近的K幅图像及其标签,通过这些特征向量生成标签传播矩阵和标签矩阵;利用图迭代算法预测待分类图像的标签,完成分类。在香港理工大学和同济大学提供的掌静脉数据集上进行实验,最高识别精度分别为99.67%和92.72%。

改进迭代贪婪算法求解可重入流水车间调度问题

可重入混合流水车间是在混合流水车间的基础上增加了可重入特性,具有更高的调度复杂性。为了求解可重入混合流水车间调度问题,首先建立了调度优化模型,优化目标为最小化最大完工时间,然后提出一种带精英调整的学习型迭代贪婪算法(LIG-EA)。LIG-EA算法采用基于工件的编码方式,对重组后的染色体进行解码。种群分为精英个体和普通个体两部分,对精英个体进行精英破坏重建和基于关键工件的染色体调整,对普通个体进行学习机制的构建和普通个体的破坏重建。为提高初始种群质量,采用NEH启发式算法进行种群初始化,并针对可重入混合流水车间的重入特性,在重建操作中增加了插入有效性判断,提高了算法的运行速度。通过大量实验表明LIG-EA算法能够有效求解可重入混合流水车间调度问题。

基于PID型迭代学习控制的列车自动驾驶曲线跟踪算法研究

针对基于比例微分积分(PID,Proportional Integral Derivative)控制的列车速度跟踪算法在跟踪进度、收敛性和稳定性等方面存在的不足,提出一种基于PID型迭代学习控制(ILC,Iterative Learning Control)的列车自动驾驶(ATO,Automatic Train Operation)曲线跟踪算法。通过迭代学习控制,优化跟踪过程,减小跟踪误差,缩短收敛时间;设置典型场景对所设计的算法进行仿真试验,并将仿真结果与基于PID控制算法的跟踪效果进行对比分析。结果表明,PID型ILC算法对列车目标速度和目标位移具有较高的跟踪精度,能够在有限的迭代次数内实现精确跟踪,验证了所提算法的有效性。

结合迭代学习和模型预测的重载列车运行控制

为实现重载列车单次行程的高鲁棒高精度轨迹跟踪,根据列车纵向运动特性,构建重载列车多质点的动力学模型;基于利用批次化的运行过程积累控制经验,结合迭代学习和模型预测控制方法设计1种增强抗扰的重载列车跟踪控制器,将重载列车动力学模型转化为基于模型预测控制框架下的线性二次型最优控制模型,用二次型最优控制的速度和位置状态反馈增益表示迭代学习增益,利用批次化积累的控制经验不断提高跟踪性能,实现单次行程的滚动时域优化,提升轨迹跟踪的鲁棒性和精度;对某货运专线上的2万t重载列车进行跟踪控制仿真,分别从时域稳定性和迭代收敛性验证该控制器的稳定性。结果表明:结合迭代学习和模型预测控制方法能够很好地利用重载列车系统操纵重复性特征并实现全程跟踪控制,较传统控制方法跟踪效果更好并能有效降低列车纵向冲动,同时能够动态响应非重复性扰动,满足重载列车运行控制要求。

机械臂的P型闭环时变滑模迭代学习控制

针对周期运动的机械臂轨迹跟踪控制问题,在任意迭代初始值背景下,提出一种P型闭环滑模迭代学习控制算法。结合滑模控制原理,提出一种带遗忘因子的P型闭环滑模迭代学习控制策略,使处于任意初始位置的状态变量先迭代收敛到滑模面内,再在滑模面内收敛到期望位置,有效解决了任意迭代初始值的控制问题。从理论上证明了P型闭环滑模迭代学习控制算法的收敛性,给出了迭代收敛的条件。机械臂轨迹跟踪控制的仿真结果表明,当迭代初始值远离期望初始值时,机械臂的实际位置能精确跟踪期望位置,大的外部干扰不影响机械臂的轨迹跟踪性能。

地震模拟振动台迭代学习控制算法对比研究

为解决传统控制方法下电液伺服振动台复现波形精度不高的问题,对5种迭代学习控制算法进行了对比研究。采用的迭代学习控制算法包括时域迭代算法和频域迭代算法,时域迭代算法有P型学习律和PD型学习律,频域迭代算法有直接迭代、修正迭代和幂指数迭代,通过振动台仿真模型对比研究各种方法的控制效果。研究结果表明:在相同模型和相同波形条件下,所采用的5种算法中,频域迭代算法优于时域迭代算法,频域迭代算法下波形的相关系数可达98%以上,最大峰值误差在5%以内。

基于自适应切换迭代学习的绳驱踝外骨骼力控制器设计

人-外骨骼构成强耦合系统,步态的偶然变异对控制器产生较大干扰,导致系统震荡。针对这一问题,提出了一种自适应切换的迭代学习控制策略。在峰值误差较大时,采用峰值迭代学习控制,仅对力控信号峰值点进行迭代更新;当峰值误差较小时,切换为传统的PD型迭代学习控制,对力控信号所有点进行迭代更新。为进一步改善控制效果,设计了前馈控制器来补偿鲍登绳传动的非线性摩擦。仿真和外骨骼实验结果表明,与传统PD型迭代学习算法相比,自适应切换的迭代学习控制策略保证了助力曲线的平稳升降,同时该策略具有更快的收敛速度以及受干扰后更快的恢复速度,实现了行走过程中辅助力的准确跟踪控制。

考虑干扰的交通子区模糊迭代学习边界控制

针对固定增益迭代学习控制器跟踪交通子区内期望累计车辆数n^(*)的速度较慢,迭代次数过多的问题,并考虑到实际交通子区内存在的干扰对其运行状态的影响,建立了含有干扰项的交通流模型并对其进行离散化。采用开闭环比例微分(proportion differentiation,PD)型模糊迭代学习控制器,根据研究子区实际路网内的累计车辆数与期望累计车辆数n^(*)的误差及其变化率对开闭环PD型迭代学习控制器的迭代学习增益和反馈增益进行调整,使交通子区内的实际累计车辆数可以较快速地跟踪期望累计车辆数n^(*),并对开闭环PD型模糊迭代学习控制器的收敛性进行严格证明。通过对轻度和中度干扰影响下的交通子区进行仿真,结果显示,对比固定增益迭代学习控制器,开闭环PD型模糊迭代学习控制器的误差收敛速度分别提高24%和31%,平均排队长度分别减少24.52%和16.55%,平均延误分别减少21.63%和19.23%,平均停车次数分别减少23.68%和10.77%。

一种基于PID-迭代学习的无人机控制方法

自20世纪80年代以来,固定翼无人机在军用以及民用方面得到了极为广泛的应用与发展,应用场景如空中侦察、通信中继、物资运送、森林防火和军事巡逻等,大部分应用场景都会涉及重复航线的飞行。无人机在执行任务时,通常对航迹,高度的跟踪精度有较高的要求,而实现固定翼无人机位置控制的基础是无人机的姿态与速度的精确控制。无人机作为一个耦合性强的非线性系统,实现精确控制的难度较大,并且在航迹跟踪控制中容易受到诸多不确定性的影响,使其偏离预设轨迹。中大型固定翼无人机是一个惯量大,滞后性高的受控系统,在经典的无人机飞行控制律设计中,常采用PID算法进行控制,其优势是鲁棒性强,有较好的普适性,适合绝大多数类型的固定翼无人机飞行控制,但是存在测试成本高,风险大。

非线性系统开闭环PID型迭代学习控制算法的鲁棒性

针对非线性时变系统的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,并证明了系统满足收敛条件时,具有开闭环PID型迭代学习律的一类非线性时变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。分析表明,系统在状态干扰、输出干扰和初态干扰有界的情况下跟踪误差有界收敛,在所有干扰渐近重复的情况下可以完全地跟踪给定的期望轨迹。

改进的时不变系统PD型迭代学习控制算法

针对时不变线性系统的迭代学习控制问题,提出了一种改进的时不变系统的PD型迭代学习控制算法,理论证明了系统满足收敛条件时的改进算法是收敛的。仿真实例分析表明,改进的算法利用最新算出的控制分量代替旧的控制分量,使系统的实际输出以更快的收敛速度逼近系统的理想输出。

非线性系统的改进型迭代学习控制算法研究

针对普通闭环PD型迭代学习控制算法收敛速度慢且收敛精度不高的问题,通过在闭环PD型控制算法中引入动态扩张-收缩因子(dynamic expansion compression coefficient,DECC)的方法,提高闭环PD型算法的收敛速度以及收敛精度。同时将鲁棒控制引入至算法中,进一步提高算法抑制外界干扰的能力。通过构造李雅普诺夫函数证明了在所提改进的控制律作用下的信号是有界且收敛的。最后将改进的迭代学习控制算法应用在一类具有重复运行性质的非线性系统中,证明所提算法是有效的。

基于误差最小化的新型迭代学习算法

采用1种新方法对基于时间域内二次型性能函数的最优迭代学习算法进行研究,并采用仿真实例对该方法进行验证。该方法的基本原理是:以整个学习过程输出误差的最小化为目标,并以控制增量的二次型作为函数得到新的性能函数进行分析和设计,研究确定以及不确定性线性离散系统的最优迭代学习律、保性能迭代学习律的设计优化问题。研究结果表明:采用这种新方法可使输出误差很小;仿真结果证明了该算法的正确性和有效性。

改进狼群算法的交通子区迭代学习边界控制方法

针对基于固定增益迭代学习的交通子区边界控制方法收敛速度慢、迭代次数过多及控制精度差的问题。提出了一种迭代学习结合改进狼群算法的交通子区边界控制方案。该方案首先根据宏观基本图理论建立交通子区路网的车辆平衡方程,设计出系统的迭代学习控制律。其次分析了迭代学习控制对宏观基本图的影响,引入自适应步长的狼群算法,该算法以上一批次的宏观基本图为模型,离线对迭代学习控制器的比例和微分增益系数进行寻优,再将最优结果代入下一控制周期迭代学习控制中,进而改善收敛速度与精度。最后,对该方案的收敛性提供了数学证明,而仿真实验结果也表明该算法相较于具有固定增益的迭代学习控制器,收敛速度得到提升,对系统期望轨迹也具有较好的跟踪精度,具有较强的可行性与有效性。

基于一种加速PD型迭代学习控制算法的机械臂轨迹跟踪

针对二自由度机械臂非线性系统,迭代学习控制(iterative learning control,ILC)对于具有重复运动特性的机械臂有较好的控制效果。在扰动的情况下,设计了一种PD型迭代学习控制律,随着系统迭代次数的不断增加,通过在区间内对增益矩阵进行实时修改来缩短所需的修正区间,进而达到加快收敛速度的目的。首先,结合λ范数分析ILC的收敛性。其次,通过仿真验证所提出控制策略的可行性和有效性。最后,在相同条件下,仿真结果表明,PD型ILC收敛速度比P型ILC更快;带有扰动的PD型ILC比传统扰动型PD控制收敛效果更好。

具有自适应学习的开环PD型迭代学习控制算法研究

针对常见的PD型迭代学习控制算法收敛速度慢、收敛精度低的问题,提出了一种具有自适应学习的开环PD型迭代学习控制算法。该算法融合自适应学习和开环PD型学习律,采用自适应因子来优化学习率,通过数学方法证明了其收敛性,并通过仿真验证了算法的有效性。

一种可用于线性动态延迟控制系统的闭环比例型一阶给定超前迭代学习控制算法

讨论了迭代学习控制的基本概念,并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法.理论分析证明,这种控制算法对于跟踪重复运动的轨迹具有良好的效果.

基于二维Roesser模型与范数优化迭代学习控制的市域铁路列车速度追踪研究

ATO(列车自动运行)技术通过控制算法实现列车运行速度自动调节,通过对控制算法进行优化,可使列车运行速度更加贴合目标速度。轨道交通列车作为具有高度重复性的非线性动力学系统,在固定线路的时间轴和批次轴具有二维动态演化的特性,因此考虑将二维模型迭代学习控制应用于轨道交通列车。不同车厢在列车运行时所受空气阻力不同,将列车车厢分为头、中、尾三类,求解基于多质点模型的列车动力学方程,对其进行线性化处理,得到列车的状态空间方程;应用二维系统理论,将其转换为二维Roesser模型;设计范数优化迭代学习控制算法,将其作为二维模型的输入信号,验证了新建立的二维模型具有渐进稳定性。同时,选择市域铁路D型列车组作为研究对象,通过对速度、位移追踪仿真,验证了优化后算法的可行性;并选择了两种常用的一维系统ILC(迭代学习控制)进行速度追踪仿真,通过比较三者的追踪误差,验证了优化后算法的追踪性能优于其余两者。