Newton-Steffensen型迭代方法在一阶Hlder连续条件下的局部收敛性

研究了一牛顿型迭代方法,即Newton-Steffensen型迭代方法的局部收敛性质.在假设非线性算子f的Fréchet导数在f(x)的零点x*的某个邻域满足一阶Hlder连续条件下,确立了该迭代方法在Banach空间里的局部收敛定理,并给出了其局部收敛阶是1+p阶.

关于N型映射的迭代和终于不动点

函数迭代通常会发生复杂的动力学现象,即使是简单的函数,甚至是逐段的线性函数的迭代都很复杂.通常计算出一个分段线性函数的n次迭代精确表达式非常困难.本文考虑N型映射的动力学性质,定义了一个关于N型映射的指标函数.利用这个指标函数,本文给出了该映射n次迭代精确表达式,同时给出了终于不动点恰好第n步映到不动点的充分必要条件.

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。

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。

超深断控缝洞型储层迭代反演方法——以富满油田为例

塔里木盆地塔河南岸富满油田超深层奥陶系灰岩地层缝洞型油藏现如今是油田产能建设的核心靶区。研究区储层是受走滑断裂作用控制地层破裂形成的大量溶蚀孔洞,非均质性强。而常规波阻抗反演的低频模型是由层位、断裂和测井数据建立起来的,不能表征储层的断控非均质性。为此,提出以“断裂破碎带相”为约束的迭代反演方法来预测储层,其技术流程是先对原始地震数据进行解释性处理,得到能反映储层断裂破碎带特征的属性体,将其与常规波阻抗反演得到的优质储层空间轮廓数据和初始低频模型进行比例融合,生成新的非均质性低频模型,进而开展多轮次迭代反演。反演结果可真实地刻画非均质储层断裂破碎带特征,10口井的预测吻合率可达92.86%。应用表明,该方法改善了储层预测效果,提高了断控储层的预测精度,有效地支撑了研究区的工作。

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%。

用户体验、创业机会迭代与用户型企业创业绩效关系的实证研究

体验经济时代,为用户打造极致体验的产品和服务是用户型企业进行创业机会迭代的着力点和提升创业绩效的增长点,但既有文献并未对用户体验和创业机会迭代的构成要素进行有效界定,也未对用户体验和创业机会迭代影响创业绩效的作用机制予以揭示。因此,本研究以用户型企业为研究对象,从创业机会迭代视角出发,探究用户体验与用户型企业创业绩效之间的关系。研究发现:体验质量和体验行为正向影响用户型企业用户绩效和成长绩效,效率型创业机会迭代和创新型创业机会迭代在其中具有中介效应。本文的研究结论对用户型企业创业机会迭代和提高创业绩效具有参考价值。

带误差项的广义Halpern-Ishikawa型迭代序列的强收敛定理

在实Banach空间中,为证明Φ-伪压缩映象不动点的迭代强收敛性,引进了带误差项的广义Halpern-Ishikawa型迭代算法,并利用所设计的迭代算法,证明了Φ-伪压缩映象不动点的一个新的强收敛定理。从而完善了带误差项的广义Halpern-Ishikawa型迭代算法的研究。

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。

非线性系统的PD型迭代学习控制

非线性系统的ＰＤ型迭代学习控制孙明轩黄宝健张学智（西安工业学院电子系西安７１００３２）关键词初始条件问题，迭代学习控制，非线性系统．１）国家自然科学基金资助项目．收稿日期１９９６－０７－２５１引言运用迭代学习控制技术设计控制器时，只需要通过重复操作获...

提高充型过程数值模拟运算速度的动态超松弛迭代算法

在模拟铝合金压铸件型腔充型过程时 ,采用传统的固定松弛因子ω(0 <ω <2 )不能有效地减少运算中的迭代次数 ,而采用一种提高充型过程数值模拟运算速度的新算法—动态超松弛迭代算法 ,在 0 <ω <2范围内 ,运用自适应计算方法 ,根据运算的迭代次数的增减可以决定松驰因子的增大或减少 ,动态调整松弛因子可使运算中的迭代次数减少。经实际运算检验 ,运用该方法可以大幅度提高运算速度 ,运算的迭代次数减少 2 5 %。

任意初态下不确定时滞系统的PD型迭代学习控制

针对不确定时滞系统讨论带有初始修正的PD型迭代学习控制算法，给出这类系统的输出极限轨迹，以及迭代输出收敛于该极限轨迹的较弱的充分条件，其中将初始条件放宽为某任意可达初始状态函数的可重复性．仿真结果表明这种算法中的初始修正项可以有效地抑制初始偏移的影响。

渐近伪压缩型映象迭代序列的强收敛定理

在没有任何有界条件下建立了渐近伪压缩型映象带混合型误差修改的Ishikawa和Mann迭代序列收敛到不动点的充要条件,所得结果本质推广和改进了有关文献中的相关结果。

基于自适应迭代更新的函数型数据聚类方法研究

函数型数据的稀疏性和无穷维特性使得传统聚类分析失效。针对此问题,本文在界定函数型数据概念与内涵的基础上提出了一种自适应迭代更新聚类分析。首先,基于数据参数信息实现无穷维函数空间向有限维多元空间的过渡;在此基础上,依据变量信息含量的差异构建自适应赋权聚类统计量,并依此为函数型数据的相似性测度进行初始类别划分;进一步,在给定阈值限制下,对所有函数的初始类别归属进行自适应迭代更新,将收敛的优化结果作为最终的类别划分。随机模拟和实证检验表明,与现有的同类函数型聚类分析相比,文中方法的分类正确率显著提高,体现了新方法的相对优良性和实际问题应用中的有效性。

结构地震响应线性二次型最优迭代学习控制

针对地震作用下工程结构的地震响应,将线性二次型最优控制与迭代学习控制相结合,提出了线性二次型最优迭代学习混合控制方法.该方法根据迭代学习控制过程中二次型性能指标函数极小化导出施加于工程结构的最优控制力,并依此研究该方法减小工程结构地震位移响应的有效性.选取典型建筑结构振动控制Benchmark第2阶段的地震作用Benchmark模型为研究对象,数值仿真结果表明,二次型最优迭代学习混合控制方法能对Benchmark模型的地震位移响应进行有效控制,使控制效果得到一定的改善.

线性广义系统的D型迭代学习控制

根据误差收敛准则,提出了线性广义系统的迭代学习控制算法,利用矩阵理论及不等式技巧给出了线性定常广义系统在D型学习律作用下的迭代控制收敛性结果,这一结果是全新的,其对时变系统也成立;另外,针对线性定常广义离散时间系统,给出了一种通过最优化目标函数确定控制器参数的设计方法.

并联混合型有源滤波器电流跟踪的迭代学习控制

在并联混合型有源电力滤波器控制中,由于传统PI控制只能对直流给定信号进行无差调节,对周期量谐波滤波效果不够理想。该文根据稳定性负载电网谐波具有重复周期性特点,提出了PI型迭代学习控制算法,并引入遗忘因子学习律,增强系统鲁棒性。同时通过模糊推理构造参考电流误差的D型学习律前馈环节,提高了系统的跟踪精度。该控制方法计算量小,易于实现。仿真分析与现场运行结果表明了该控制方法的有效性。

鲁棒高阶PD型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 ,提出了一种鲁棒高阶PD型迭代学习控制器 ,给出了该控制器的收敛性条件 ,证明跟踪误差界是本次迭代学习与前次迭代学习初始值之差的界和系统输出干扰项界的线性函数 .仿真与实验均表明了该方法的有效性 .

凸度量空间中拟压缩映象具误差的Ishikawa型迭代序列的收敛性

对凸度量空间中非线性拟压缩映象具误差的Ishikawa型迭代序列的收敛性问题证明了几个新的收敛性定理 ,结果不仅改进和推广了L .B .Ciric ,Q .H .Liu ,H .E .Rhoades,H .K .Xu等人的相应结果 ,而且对Rhoades_Naimplally_Singh所提出的公开问题 ,在凸度量空间的框架下给出了肯定的答复·