无模型学习自适应控制的若干问题研究及其应用

论文摘要

论文研究了非线性离散时间系统无模型自适应控制理论中的若干问题及应用,丰富和完善了无模型自适应控制理论。论文主要研究内容和创新点总结如下:一、证明了基于偏格式线性化方法的无模型自适应控制方案（PFL-MFAC）的输出调节问题的BIBO稳定性和收敛性:并将相应的结果应用到永磁直线电机速度控制和三容水箱液位控制中。二、针对滞后非线性离散时间系统,提出了基于紧格式线性化方法的改进无模型自适应控制方案（TFL-iMFAC）和基于偏格式线性化方法的改进无模型自适应控制方案（PFL-iMFAC）,理论分析及仿真验证了TFL-iMFAC和PFL-iMFAC的有效性。三、针对一般非线性离散时间系统,基于迭代轴上的偏格式线性化方法和迭代轴上的全格式线性化方法,提出了基于偏格式线性化方法的无模型自适应最优迭代学习控制方案（PFL-MFAOILC）和基于全格式线性化方法的无模型自适应最优迭代学习控制方案（FFL-MFAOILC）,证明了所提出方案的稳定性和收敛性,并将相应的结果应用到快速路入口匝道控制中。四、针对一般非线性离散时间系统,提出了动态时变参数的迭代辨识方案,证明了该种迭代学习辨识方案下的算法收敛性和鲁棒性,并将相应结果应用到快速路的宏观交通流模型参数辨识中。五、将一种基于投影算法的参数化自适应迭代学习控制方案（P-DAILC）应用到快速路交通系统和永磁直线电机（PMLM）控制系统中,仿真结果表明当系统的初始条件和参考轨迹均迭代变化时,该控制方案仍能保证跟踪误差沿迭代轴的渐近收敛性能。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 引言
• 1.2 非线性系统的无模型控制理论
• 1.2.1 无模型自适应控制理论
• 1.2.2 迭代学习控制理论
• 1.2.3 其它无模型控制理论
• 1.3 论文主要工作及组织结构
• 1.3.1 论文主要工作
• 1.3.2 论文创新点
• 1.3.3 论文结构安排
• 2 非线性离散时间系统的无模型自适应控制
• 2.1 引言
• 2.2 基于紧格式线性化方法的无模型自适应控制
• 2.2.1 SISO 非线性离散时间系统
• 2.2.2 MISO 非线性离散时间系统
• 2.2.3 MIMO 非线性离散时间系统
• 2.3 基于偏格式线性化方法的无模型自适应控制
• 2.3.1 SISO 非线性离散时间系统
• 2.3.2 MISO 非线性离散时间系统
• 2.3.3 MIMO 非线性离散时间系统
• 2.4 非线性离散时间系统仿真研究
• 2.4.1 SISO 非线性离散时间系统
• 2.4.2 MISO 非线性离散时间系统
• 2.4.3 MIMO 非线性离散时间系统
• 2.5 在永磁直线电机中的应用
• 2.5.1 永磁直线电机模型
• 2.5.2 控制器参数调节策略
• 2.5.3 永磁直线电机速度控制
• 2.6 在三容水箱液位控制系统中的应用
• 2.6.1 三容水箱液位控制系统介绍
• 2.6.2 控制系统结构设计
• 2.6.3 单容水箱液位控制
• 2.6.4 三容水箱液位控制
• 2.7 本章小结
• 3 滞后非线性离散时间系统的改进无模型自适应控制
• 3.1 引言
• 3.2 Smith 预估控制算法和 PID 参数整定
• 3.2.1 传统的 Smith 预估控制算法
• 3.2.2 PID 参数自整定
• 3.3 改进的无模型自适应控制
• 3.3.1 SISO 滞后非线性离散时间系统
• 3.3.2 MISO 滞后非线性离散时间系统
• 3.3.3 MIMO 滞后非线性离散时间系统
• 3.4 仿真研究
• 3.4.1 SISO 滞后非线性离散时间系统
• 3.4.2 MISO 滞后非线性离散时间系统
• 3.4.3 MIMO 滞后非线性离散时间系统
• 3.5 本章小结
• 4 非线性离散时间系统的无模型自适应最优迭代学习控制
• 4.1 引言
• 4.2 基于紧格式线性化方法的无模型自适应最优迭代学习控制
• 4.2.1 紧格式线性化方法
• 4.2.2 控制器设计
• 4.2.3 收敛性分析
• 4.3 基于偏格式线性化方法的无模型自适应最优迭代学习控制
• 4.3.1 偏格式线性化方法
• 4.3.2 控制器设计
• 4.3.3 收敛性分析
• 4.4 基于全格式线性化方法的无模型自适应最优迭代学习控制
• 4.4.1 全格式线性化方法
• 4.4.2 控制器设计
• 4.4.3 收敛性分析
• 4.5 仿真研究
• 4.6 快速路交通系统中的应用
• 4.6.1 宏观交通流模型
• 4.6.2 边界条件
• 4.6.3 入口匝道的无模型自适应最优迭代学习控制
• 4.7 本章小结
• 5 非线性离散时间系统的迭代学习辨识和参数自适应迭代学习控制
• 5.1 引言
• 5.2 迭代学习辨识
• 5.2.1 问题描述
• 5.2.2 参数辨识算法及收敛性证明
• 5.3 参数自适应迭代学习控制
• 5.3.1 问题描述
• 5.3.2 控制器设计
• 5.3.3 学习收敛性分析
• 5.4 快速路交通系统中的应用
• 5.4.1 模型变换和假设条件
• 5.4.2 宏观交通流模型的迭代学习辨识
• 5.4.3 快速路入口匝道的参数自适应迭代学习控制
• 5.5 永磁直线电机中的应用
• 5.5.1 永磁直线电机模型
• 5.5.2 永磁直线电机的参数自适应迭代学习控制
• 5.6 本章小结
• 6 结论与展望
• 6.1 结论
• 6.2 有待于进一步研究的问题
• 参考文献
• 致谢
• 作者简历
• 论文和科研
• 学位论文数据集