摘要：针对一类具有任意初态和非周期有界扰动的不确定非线性时变系统,提出一种基于边界层的迭代学习控制方法,将边界层设计成一个具有剩余宽度的指数衰减函数,通过边界层把任意初态问题转换为零初值迭代学习问题.针对周期和非周期不确定性扰动,分别设计周期项的学习律和非周期项的边界学习律,然后在此基础上给出了迭代学习控制算法.文中给出了相关定理,并应用类Lyapunov方法给出了定理的详细证明.仿真结果表明,所提出的算法是有效的,轨迹跟踪误差能收敛到边界层.

摘要：针对一类退化系统目标跟踪的迭代学习控制问题进行了探讨．这类系统不满足目前对迭代学习控制通常所要求的收敛性条件,从而使得学习控制方法在这类系统上的应用遇到困难．为了解决这类问题,提出了一种新的设计方案——吸引流形方法．通过构造一个相应于所给系统稳定而吸引的流形,且在构造的过程中同时设计出学习控制函数序列,以使完成对所给期望目标的跟踪．同时也讨论了这种方法的可实现问题．另外,该方法可无本质困难地应用到相应的非线性系统上．

摘要：针对广义系统的迭代学习算法设计过程中的收敛速度问题,基于广义系统的奇异值分解方法提出一类二阶迭代学习算法并借助于Q因子方法讨论了广义系统迭代学习控制算法的收敛速度问题.该方法可以将算法的收敛速度问题转化为Q因子值大小问题.数值仿真证明了迭代学习控制系统在有限次运行后收敛于期望轨迹,以及算法的收敛速度大小与算法增益矩阵取值有关.

摘要：针对由 n个传动器所驱动的 n个关节机器人系统 ,采用学习控制的方法讨论了其跟踪控制的问题 .首先通过变换降阶 ,将相应系统转化为低阶系统 ,然后针对低阶系统进行设计 .该方法消除了 Kawamara方法在学习过程中要求每次学习都要经过相同的初始值的限制 ,从而克服了 Kawamara方法难以应用到“学习过程中存在初态偏差”的困难 .

摘要：自抗扰控制是我国著名学者韩京清原创的先进控制技术,本文针对自抗扰控制(ADRC)在高阶系统应用中控制器设计和参数整定问题,提出了串级自抗扰控制(CADRC).CADRC把高阶被控对象分解为含确定性部分和含总扰动的低阶部分的串联组合,采用由内环和外环组成的串级控制系统来完成控制.该CADRC方案的内环采用内模控制,外环采用经典ADRC.外环ADRC的被控对象是一个等效的低阶系统,可以采用带宽法进行整定,而内环的内模控制采用高阶低通滤波器进行回路成形设计和参数整定.仿真研究表明,所提出的方法是有效的,具有良好的工程应用前景.

摘要：基于几何分析,对迭代学习控制问题进行了讨论。在这种几何框架下获得了与目前算法完全不同的快速算法,为迭代学习控制的研究开辟了一条全新的途径。这种基于几何理论的新途径,能明确的指引人们应该怎样去设计更好的学习算法,而不是像目前的研究结果那样,总是囿于Arimoto(1984)所提出的最基本的算法形式之中。数值仿真结果表明新算法的有效性与优越性。

摘要：针对具有变时滞、变参数和扰动的大时滞不确定系统的控制问题,本文提出了滞后时间削弱与自抗扰控制方法,综合应用了前馈控制、反馈控制和自抗扰补偿控制.为了提高系统的稳定性,在前馈控制器的设计中采用了系统的边界模型确定控制器参数取值范围;采用系统边界模型输出与系统实际输出的动态加权和作为反馈控制器的输入.为了提高系统控制的性能,自抗扰补偿控制回路的设计基于标称模型的补偿控制器.理论证明和仿真结果表明,所提出的方法是有效的,其在具有模型参数变化、滞后时间变化和外部扰动情况下,能保证系统的稳定性和良好的控制性能.

摘要：本文研究了一类时空离散的非线性抛物型偏差分系统的迭代学习控制问题.首先,针对系统含有不确定系数与非线性特点,设计了开环P型迭代学习控制算法;然后,建立了输出跟踪误差沿迭代轴收敛的充分条件,并利用离散Gronwall不等式、λ范数以及压缩映射原理,详细给出了收敛性分析证明.最后通过仿真实例说明了算法的有效性.

摘要：本文给出了逼近 X-样条的构造算法、性质及其在字型设计中的应用 ;并给出了用逼近 X-样条设计的两个字型实例。

摘要：为了减轻用户负担,针对k-means算法的k值给定问题进行了研究,提出了一种k值自动获取方法。对所需要聚类的数据进行抽样,对抽样数据相互之间的间距进行计算,获得密度参数R,Z和簇划分参数r,m,h。在多次抽样数据得到的参数集中,选取一组最小的参数运用到动态k-means算法中,获得k值。在自动获取参数的基础上,通过实验对簇间属性相似数据获得了准确率较高的聚类结果。实验结果表明,该算法提高了k-means算法的自动化计算能力。