批次变长度下连续非线性系统的采样迭代学习控制

摘要

迭代学习控制(Iterative Learning Control)可以利用先前迭代的输入输出信息和跟踪信息来构造下一次迭代过程的输入信号，使得当迭代次数增加时，系统的跟踪性能逐渐提高。由于迭代学习控制需要利用历史的学习经验来修正控制输入信号，故而需要被控对象是能够重复运行的。然而，在大多数实际系统的运用中，并不能保证严格的重复性（如初始状态的变化，跟踪目标的变化等），从而限制了迭代学习控制的应用范围。为了放宽迭代学习控制中迭代长度一致的制约条件，本文主要做了以下工作:
　　1.针对连续时间非线性系统中的批次长度随迭代变化的问题，提出了一个修正的跟踪误差，并给出了一种不需要先验知识的P型采样ILC算法以及使跟踪误差在每个采样时刻收敛的充分条件。同时，讨论了提出的ILC算法在初始状态不变和初始状态有界变化两种情况下的收敛问题。仿真试验验证了提出算法的有效性。
　　2.针对连续时间非线性系统中的批次长度随迭代变化的问题，利用修正的跟踪误差，给出了两种不需要先验知识的PD型采样ILC算法:基于传统PD型ILC算法和基于迭代滑动平均的PD型ILC算法。以及分别给出了两种算法使跟踪误差在每个采样时刻收敛的充分条件。同时，讨论了提出的两种ILC算法在初始状态不变和初始状态有界变化两种情况下的收敛问题。仿真试验验证了两种算法的有效性。
　　3.运用双足步行机器人模型，针对第二章中提出的具有修正跟踪误差的P型ILC算法进行仿真实验，实验结果证明了算法的有效性。

目录

声明

摘要

符号说明

第一章 绪论

1．1 课题背景及意义

1．2 迭代学习控制

1．2．1 基本原理

1．2．2 研究现状

1．3 批次长度变化的迭代学习控制

1．4 本文的主要工作

第二章 批次变长度下连续非线性系统的P型采样迭代学习控制

2．1 引言

2．2 问题描述

2．3 ILC算法设计和收敛性分析

2．4 初始状态变化的ILC控制律设计

2．5 仿真实验

2．6 本章小结

第三章 批次变长度下连续非线性系统的PD型采样迭代学习控制

3．1 引言

3．2 问题描述

3．3 ILC算法设计和收敛性分析

3．3．1 基于传统PD型采样ILC算法设计及收敛性分析

3．3．2 基于迭代滑动平均算子的PD型采样ILC算法设计及收敛性分析

3．4 初始状态变化的ILC算法设计和收敛性分析

3．4．1 基于传统PD型学习律的ILC算法设计及收敛性分析

3．4．2 基于迭代滑动平均算子的PD型学习律的ILC算法设计及收敛性分析

3．5 仿真实验

3．5．1 基于传统PD型学习律的ILC算法仿真

3．5．2 基于迭代滑动平均算子的PD型学习律的ILC算法仿真

3．6 本章小结

第四章 基于双足步行机器人模型的批次长度随机变化的采样迭代学习控制

4．1 引言

4．2 问题描述

4．3 ILC算法

4．4 仿真实验

4．5 本章小结

第五章 结论与展望

参考文献

附录

致谢

研究成果及发表的学术论文

作者和导师简介