针对一类线性正则系统,传统迭代学习控制算法收敛速度较低的问题,设计了一种快速迭代学习控制算法。该算法在传统P型迭代学习控制算法基础上,增加了由相邻两次迭代时跟踪误差构成的上一次差分信号和当前差分信号,并在Lebesgue-p范数度量意义下,利用卷积推广的Young不等式严格证明了,当迭代次数趋于无穷大时,系统的跟踪误差收敛于零,并给出了算法的收敛条件。该算法与传统P型迭代学习控制算法相比,不仅提高了收敛速度,而且还避免了采用λ范数度量跟踪误差的缺陷,最后通过仿真结果进一步验证了所提算法的有效性。
迭代学习控制算法与神经网络和自适应控制等其他学习类算法不同,迭代学习控制是针对在有限时间区间上具有重复运行特性的被控系统,利用系统存储的跟踪误差对控制输入进行逐次修正,从而实现完全跟踪期望轨迹的目的。由于不需要精确模型信息便可以设计迭代学习控制器,且结构简单等优点,因此迭代学习控制。自提出以来,无论是在理论研究方面还是在实际应用中都取得了大量研究成果。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !