导读:本文包含了自适应迭代学习论文开题报告文献综述及选题提纲参考文献，主要关键词:迭代学习控制,列车自动驾驶,自适应,外部扰动
自适应迭代学习论文文献综述
何之煜[1]（2019）在《自适应迭代学习控制在列车自动驾驶系统中的应用》一文中研究指出迭代学习控制在处理重复运动系统的跟踪问题时,理论上可以完全消除系统的重复性误差,实现对期望曲线的完全跟踪。然而,在系统实际运行中,非严格重复性误差不可避免地客观存在,具体表现在时变外部扰动、初态扰动、输入受限、状态受限等情况,传统的迭代学习控制无法对这些非重复性扰动产生及时的响应。随着迭代次数的增加,系统跟踪误差不断累加,当系统误差累加到一定程度时,会使系统的瞬时输出过大,导致系统失稳,最终影响系统的控制性能。因此,本论文针对上述迭代学习控制研究中出现的问题,以高速列车自动驾驶系统为对象,设计合理的控制律,使列车在运行过程中能够学习有效的重复信息,用于提高列车对期望曲线的跟踪精度。本论文的主要工作和创新点总结如下:一、研究了高速列车运行过程中受到时变外部随机扰动的自适应迭代学习控制问题。将对列车阻力参数模型的研究分为参数化模型和非参数化模型两种情况。对于阻力模型参数化处理中,应用迭代域的递推最小二乘法对阻力模型参数进行辨识;对于阻力模型非参数化处理中,利用基于模糊推理的径向基神经网络算法对阻力参数进行逼近,并利用滑模控制对模型逼近误差、系统扰动项进行补偿。通过在迭代域和时间域设计参数更新律,基于Lyapunov函数构造复合能量函数,证明系统的跟踪误差沿迭代轴是渐进收敛的。当系统存在非重复性的随机扰动时,跟踪误差最终会收敛到零的很小的邻域内,最后通过仿真分析和实验测试验证了所提出算法的有效性。二、研究了高速列车运行过程中受到受限状态的自适应迭代学习控制问题。首先针对系统初态一致性情况下的受限系统控制问题进行研究,接着在此基础上考虑系统的初态扰动和外部时变扰动的状况,通过引入饱和函数对系统输入和系统状态上界进行约束,以及时变边界层函数对系统随机初态进行处理,基于Lyapunov函数设计自适应迭代学习控制律和参数更新律。通过严格的理论推导证明了跟踪误差在上述两种情况下所提出算法于迭代域上的渐进收敛性,并通过仿真和实验测试验证了算法的有效性。叁、研究了高速列车运行过程中误差非一致状况下的自适应迭代学习控制问题。首先根据列车动力学模型建立期望误差动力学模型,在充分考虑列车运行过程中等效质量时变的情况,利用系统跟踪误差对非参数不确定模型进行逼近。通过预设一个时间点,使得系统跟踪误差在预设时间点内收敛到一个允许的可调域内。随后,设计鲁棒迭代学习控制器,并基于Lyapunov函数构造复合能量函数,通过严格的数学证明,证明了系统能够随迭代域对期望误差曲线实现渐进跟踪,提高了系统对于初态扰动影响下的控制性能,并通过仿真和实验测试验证了算法的有效性。(本文来源于《中国铁道科学研究院》期刊2019-05-01）
钱美容,蒋近[2]（2019）在《CD播放器机械臂轨迹跟踪的鲁棒自适应迭代学习控制》一文中研究指出针对CD播放器机械臂轨迹跟踪问题,提出一种鲁棒自适应迭代学习控制算法。分析了CD播放器系统的基本结构,根据空间运动特性建立了机械臂系统模型,提供了机械臂轨迹跟踪控制方案,并结合机械臂系统的结构特点设计了鲁棒自适应控制算法。该算法由可变增益比例—微分控制、前馈学习控制和鲁棒控制组成,可变增益比例—微分控制根据自适应切换规则调整控制增益,保证系统稳定性并加快收敛速度,前馈学习控制通过学习规则计算出每次迭代过程中期望的前馈力矩,以补偿模型不确定性,鲁棒控制确保了系统在外部随机扰动下的鲁棒性。通过实验表明,所提控制算法能加快系统的收敛速度,提高系统的跟踪性能。(本文来源于《计算机集成制造系统》期刊2019年03期）
赵云杰,曹荣敏,周惠兴[3]（2018）在《非圆车削系统的无模型自适应迭代学习控制》一文中研究指出直线电机是非圆车削刀具进给系统的重要组成部分,设计的基于非圆车削的无模型自适应迭代学习控制方案具有使直线电机具备自我学习,改进其位置误差的能力。首先给出了迭代域伪梯度的概念与迭代域基于输入输出增量形式的全格式动态线性化数据模型,然后给出相应的无模型自适应迭代学习控制方案,最后给出直线电机位置误差的仿真分析。理论和仿真研究均表明,随着迭代次数的增加,非圆车削刀具进给系统可以改进其位置误差。(本文来源于《控制工程》期刊2018年10期）
张铁,李昌达,覃彬彬,刘晓刚[4]（2018）在《SCARA机器人的自适应迭代学习轨迹跟踪控制》一文中研究指出为了减小执行重复运动任务机器人的末端位置误差,提出了自适应迭代学习轨迹跟踪控制算法。根据拉格朗日方程得到SCARA机器人的动力学模型,设计了控制力矩的迭代算法,利用Lyapunov函数对该算法的稳定性进行了理论证明,搭建了具有典型机械结构的SCARA机器人实验平台。通过实验验证了自适应迭代学习控制算法能有效减小SCARA机器人的末端位置误差,具有较强的可执行性。(本文来源于《中国机械工程》期刊2018年14期）
刘保彬,周伟[5]（2018）在《基于高阶内模的鲁棒自适应迭代学习控制》一文中研究指出针对一类带有非严格重复的未知参数的离散时间非线性系统跟踪迭代域变化的参考轨迹问题,考虑系统中存在未知时变控制增益和时变外部扰动的情况,提出了一种鲁棒自适应迭代学习控制算法。迭代域变化的未知参数由高阶内模产生。系统中还存在迭代域任意有界变化的状态初值问题。采用设计迭代轴观测器的方法,对产生未知参数的高阶内模的基函数进行估测。严格的理论推导证明了跟踪误差在有限时间区间上沿迭代轴的渐近收敛性。多个仿真实例表明了基于高阶内模的鲁棒自适应迭代学习算法的有效性。(本文来源于《控制工程》期刊2018年05期）
吴慧[6]（2018）在《不确定多智能体系统鲁棒自适应迭代学习一致性》一文中研究指出多智能体系统中的每个智能体经过信息交流和互相协作后能够解决单个智能体无法完成的复杂任务。目前为止,多智能体系统的协作控制问题已经在工业和编队控制等诸多领域中得到了广泛应用,其中多智能体系统一致性问题在其协作控制中占据重要角色。自适应迭代学习控制策略不仅能够保证多智能体系统的一致性误差在有限时间上的收敛性能,同时也能有效消除系统中存在的不确定性,目前将自适应迭代学习控制的方法应用到多智能体系统中的成果还较少。本文主要研究了通讯拓扑结构不确定的一阶和高阶多智能体系统及存在未知时变迭代可变参数的高阶多智能体系统的精确一致性和编队控制问题。在只有一部分从节点可以得到头节点的信息以及存在初态误差的情况下,提出相应的分布式鲁棒自适应迭代学习控制协议。最终在初始状态学习条件下通过Lyapunov理论分析得到多智能体系统在有限时间内实现精确一致性的充分条件。本文的工作主要有:对于通讯拓扑结构不确定的一阶参数化非线性多智能体系统,首先用T-S模糊模型去逼近多智能体系统不确定的拓扑结构,接着在初始状态学习条件下基于模糊广义一致性误差设计出新的不使用任何全局信息的鲁棒自适应迭代学习控制律。所提出的分布式控制律能够保证多智能体系统的所有从节点在有限时间内精确跟踪上头节点,同时所提出的控制律对多智能体系统的编队控制也同样适用。基于T-S模糊模型对不确定非线性映射及结构的有效逼近特性,继续将结果推广到拓扑结构不确定的高阶参数化多智能体系统中,接着在初始状态学习条件下基于滤波误差设计出相应的鲁棒自适应迭代学习控制律,并经过Lyapunov理论分析得到高阶多智能体系统一致性误差精确收敛的充分条件,且所提出的控制律也有效解决了多智能体系统的编队问题。针对存在未知时变迭代可变参数的高阶多智能体系统,先用高阶内模对时变迭代可变参数进行建模,接着在对接条件下提出一种新的基于高阶内模的鲁棒自适应迭代学习控制律处理多智能体系统的一致性跟踪问题。最后通过对复合能量函数的严格证明得到多智能体系统在有限时间区间内实现精确一致性的充分条件。同样地,我们还给出了多智能体系统的编队控制结果。(本文来源于《西安电子科技大学》期刊2018-05-01）
梅景[7]（2018）在《城市快速路系统的无模型自适应迭代学习控制研究》一文中研究指出近年来,由于城市车辆数的急剧增加,快速路主辅路交通流分布不均衡的状况已经成为当今的普遍现象。因此,必须从全局考虑研究合理有效的快速路主辅路均衡控制方法,来提高快速路系统的使用效率。现有的城市快速路主辅路系统控制方法大多是将主路和辅路分开,分别进行控制。此外,现有的绝大多数主辅路控制方法对模型的依赖大,很难适应主辅路系统的强非线性、时变性、周期性特点。因此,本文以无模型自适应迭代学习控制(Model free adaptive iterative learning control,MFAILC)为理论基础,深入系统地研究城市快速路主辅路系统的均衡控制方法。论文的主要工作总结如下:第一,本文将Papageogiou提出的宏观交通流模型作为主路的交通流模型,将存储转发模型(Store-and-forward model)进行简化,并作为辅路的交通流模型。最终建立起适合理论和仿真研究的主辅路系统模型。第二,本文从局部均衡控制,即主路和辅路之间的均衡控制以及全局均衡控制,即主路和辅路之间、辅路各路段之间的均衡控制这两个方面进行了研究。在城市主辅路系统局部均衡控制研究中,以主路与辅路之间的交通密度均衡为控制目标,提出了基于MFAILC的城市主辅路系统局部均衡控制方案;在城市主辅路系统全局均衡控制研究中,进一步考虑了相邻两个辅路路段的交通密度均衡,其中,主辅路之间使用局部均衡控制方法,辅路各路段之间使用多交叉口协调控制。第叁,对于提出的基于MFAILC的城市快速路主辅路系统局部均衡控制方案和全局均衡控制方案这两种控制方案进行了收敛性分析。经过分析表明,所提出的两种控制方案能确保均衡控制误差收敛,从而保证完成主辅路系统的均衡控制任务。第四,利用MATLAB和Vissim仿真工具对所提两种控制方案的有效性进行仿真验证,给出了不同仿真平台下的不同控制方案的仿真结果。(本文来源于《北京交通大学》期刊2018-03-01）
朱国昕,雷鸣凯,赵希梅[8]（2018）在《永磁同步电机伺服系统自适应迭代学习控制》一文中研究指出针对执行重复性任务的永磁同步电机伺服系统,由于参数摄动、随机扰动等不确定因素影响导致的跟踪精度下降,误差发散问题,提出一种自适应迭代学习控制方法.该方法在PD型反馈控制的基础上增加自适应迭代项对控制律中未知参数进行迭代学习,减少不确定因素对系统性能的影响.建立了含有不确定性扰动的系统模型和PMSM自适应迭代学习控制系统,并且基于Lyapunov稳定性理论,分析了该方案的收敛性.结果表明,与传统PD型ILC相比,该方法收敛速度更快,跟踪精度更高,可有效改善系统的性能.(本文来源于《沈阳工业大学学报》期刊2018年01期）
雷鸣凯[9]（2017）在《永磁同步电机伺服系统自适应迭代学习控制》一文中研究指出永磁同步电机(PMSM)以其体积小、结构简单、转动惯量低、功率密度高等优点在工业机器人、高精度数控机床等伺服控制领域获得了广泛的应用。迭代学习控制(ILC)适用于执行重复任务的伺服控制系统,理论上可以达到完美的跟踪效果。然而实际系统中存在的各类扰动、建模误差、参数时变等不确定性会对ILC的收敛性和系统的跟踪性产生不利影响。因此针对PMSM伺服系统在ILC过程中处理不确定性问题方面的缺陷进行研究,采用自适应控制与ILC相结合的方法,即自适应迭代学习控制(AILC),其兼具了ILC解决重复跟踪问题和自适应控制解决系统不确定性问题上的双重优势,提高了PMSM伺服系统的跟踪精度,并加快了系统的收敛速度。首先,介绍了PMSM的结构及分类,根据坐标变换建立了PMSM在dq坐标系下的数学模型。采用di=0控制建立了PMSM矢量控制系统并分析了摩擦转矩、齿槽转矩、模型误差、参数时变等不确定因素对控制系统的影响,建立了系统的状态方程。其次,针对PMSM伺服系统受模型不确定性影响导致的跟踪精度下降,误差发散等问题,提出了一种参数自适应迭代学习律。其主要是在PD反馈控制的基础上增加自适应迭代项,通过沿迭代轴进行参数学习,辨识出控制律未知参数。然后提出一种改进型自适应迭代学习律,相当于在前一种学习律的基础上增加了对未知参数的时域估计,充分利用了时域和迭代域的信息。基于Lyapunov稳定性理论,分析了两种方案的收敛性。仿真结果表明,在存在模型不确定性的情况下,AILC比传统型ILC收敛速度快,跟踪精度高,可有效改善系统的性能。最后,针对PMSM伺服系统运行过程中受动态参数不确定性影响的问题,提出一种L1自适应反馈与ILC相结合的方法。其中L1自适应控制器用来处理系统的动态参数不确定性,并对时域上的外加扰动进行补偿以便于学习控制器可以在标称系统上设计。而学习控制器用来提高系统对周期性输入的跟踪能力,并对摩擦、齿槽转矩等迭代域重复不确定性进行补偿。仿真结果表明,该方案对于减小系统动态参数不确定性对系统的影响,提高系统的性能有良好的效果。(本文来源于《沈阳工业大学》期刊2017-05-31）
黄怡欣,李爽,江秀强[10]（2017）在《基于自适应迭代学习的小行星绕飞容错控制》一文中研究指出对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分:其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数(Radial Basis Function,RBF)神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10-2数量级内的较高姿态控制精度。(本文来源于《中国空间科学技术》期刊2017年01期）
自适应迭代学习论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对CD播放器机械臂轨迹跟踪问题,提出一种鲁棒自适应迭代学习控制算法。分析了CD播放器系统的基本结构,根据空间运动特性建立了机械臂系统模型,提供了机械臂轨迹跟踪控制方案,并结合机械臂系统的结构特点设计了鲁棒自适应控制算法。该算法由可变增益比例—微分控制、前馈学习控制和鲁棒控制组成,可变增益比例—微分控制根据自适应切换规则调整控制增益,保证系统稳定性并加快收敛速度,前馈学习控制通过学习规则计算出每次迭代过程中期望的前馈力矩,以补偿模型不确定性,鲁棒控制确保了系统在外部随机扰动下的鲁棒性。通过实验表明,所提控制算法能加快系统的收敛速度,提高系统的跟踪性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应迭代学习论文参考文献
[1].何之煜.自适应迭代学习控制在列车自动驾驶系统中的应用[D].中国铁道科学研究院.2019
[2].钱美容,蒋近.CD播放器机械臂轨迹跟踪的鲁棒自适应迭代学习控制[J].计算机集成制造系统.2019
[3].赵云杰,曹荣敏,周惠兴.非圆车削系统的无模型自适应迭代学习控制[J].控制工程.2018
[4].张铁,李昌达,覃彬彬,刘晓刚.SCARA机器人的自适应迭代学习轨迹跟踪控制[J].中国机械工程.2018
[5].刘保彬,周伟.基于高阶内模的鲁棒自适应迭代学习控制[J].控制工程.2018
[6].吴慧.不确定多智能体系统鲁棒自适应迭代学习一致性[D].西安电子科技大学.2018
[7].梅景.城市快速路系统的无模型自适应迭代学习控制研究[D].北京交通大学.2018
[8].朱国昕,雷鸣凯,赵希梅.永磁同步电机伺服系统自适应迭代学习控制[J].沈阳工业大学学报.2018
[9].雷鸣凯.永磁同步电机伺服系统自适应迭代学习控制[D].沈阳工业大学.2017
[10].黄怡欣,李爽,江秀强.基于自适应迭代学习的小行星绕飞容错控制[J].中国空间科学技术.2017