摘要：针对一类在空间区间内重复运行的非参数不确定运动系统,本文提出一种基于李雅普诺夫方法的自适应空间重复学习控制(SRLC)策略。首先,引入空间微分算子将系统从时间域转换到空间域形式,并将系统非参数不确定性划分为空间周期不确定和非周期不确定两部分。其次,设计全饱和空间重复学习律估计和补偿空间周期非参数不确定部分,同时保证被估计值的连续性和有界性。此外,将非周期不确定部分转换为参数化不确定形式,并设计其上界参数的空间自适应更新律用以补偿系统非周期不确定。最后,设计控制器确保系统输出能够精确跟踪空间周期性期望信号。仿真结果验证了所提方法的有效性。

摘要：本文针对一类具有非对称死区输入的非参数不确定系统设计了一种误差跟踪迭代学习控制(ILC)算法。首先,构造一种新型的期望误差轨迹放宽经典迭代学习控制的初值一致条件。其次,利用微分中值定理将非对称死区转换为线性形式,并利用径向基函数(RBF)神经网络对系统不确定性和死区参数进行估计和补偿。在此基础上,设计误差跟踪迭代学习控制器和组合自适应律,实现系统在指定区间对期望轨迹的高精度跟踪。最后,基于Lyapunov-Like理论进行稳定性分析,并通过仿真验证了本文所提方法的有效性。

摘要：本文针对一类非参数不确定系统提出一种自适应神经网络重复学习控制方法。利用期望轨迹的周期特性,构造周期性期望控制输入,并设计重复学习律估计未知期望控制输入并补偿系统周期不确定,实现系统对期望轨迹的高精度跟踪。在此基础上,利用神经网络估计系统未知状态和补偿非周期性不确定,进而提高系统鲁棒性。与已有的部分限幅学习律相比,本文提出的全限幅重复学习律可以保证估计值的连续性且能够被限制在指定的界内。最后,基于Lyapunov方法分析误差的收敛性能,并给出仿真结果验证了本文所提方法的有效性。