基于神经网络的时变非线性系统迭代学习辨识

时变神经网络结构可简单地取为常规神经网络连接形式,但连接权却是时变的.如何确定时变权是应用时变神经网络时的难题.迭代学习方法是一种合理的选择,它不同于将时变连接权展成Taylor级数,通过训练多项式系数的处理方法.而且,后者的处理方式不可避免地存在截断误差.对于有限区间连续时变非线性系统的神经网络建模与辨识,借助于重复运行过程,以迭代学习算法调整权值,进行网络训练.不计逼近误差,提出的学习算法能够使得辨识误差在整个区间上渐近收敛于零.为处理非零但有界的逼近误差,采用带死区的迭代学习算法.逼近误差界值已知时,文中证明带死区修正的迭代学习算法使得辨识误差在整个区间上渐近收敛于由死区界定的邻域内.对于逼近误差界值未知的情形也进行了讨论.     

Perfect synchronization of chaotic systems： a controllability perspective

This paper presents a synchronization method, motivated from the constructive controllability analysis, for two identical chaotic systems. This technique is applied to achieve perfect synchronization for Lorenz systems and coupled dynamo systems. It turns out that states of the drive system and the response system are synchronized within finite time, and the reaching time is independent of initial conditions, which can be specified in advance. In addition to the simultaneous synchronization, the response system is synchronized un-simultaneously to the drive system with different reaching time for each state. The performance of the resulting system is analytically quantified in the face of initial condition error, and with numerical experiments the proposed method is demonstrated to perform well.     

动态系统的一阶特征模型与直线伺服系统的自适应迭代学习控制

就线性定常/时变系统以及非线性系统,依据特征模型理论,给出动态系统的一阶特征模型.其特征参数随时间变化,即以一阶时变差分方程描述受控系统的动态特性;与二阶和三阶特征模型相比较,一阶模型具更少参数.为解决由一阶特征模型描述的系统的控制问题,提出基于遗忘因子迭代学习辨识的自适应迭代学习控制方法.迭代学习辨识适于时变参数的估计,它允许被估计参数随时间快速变化,抑或突变.以直线伺服系统的位置跟踪控制为例,给出一种基于特征模型与LQ最优控制策略的自适应迭代学习控制方案.仿真与实验结果表明,提出的控制方案能够有效实现受控系统的位置跟踪控制.     

有限时间迭代学习控制

针对任意初态情形, 借助于初始修正吸引子的概念,讨论不确定时变系统能够达到实际完全跟踪性能的迭代学习控制方法.闭环系统中含有限时间控制作用, 在预先指定的区间上实现零误差跟踪,且起始段的系统输出轨迹也可预先规划.分别讨论部分限幅学习与完全限幅学习, 证明闭环系统中各变量的一致有界性以及误差序列的一致收敛性. 变量有界性证明得益于提出的限幅学习算法,特别是完全限幅学习算法可确保参数估值的变化范围.