CN111367175B - 一种未知转移概率跳变系统的邻态偏差智能控制方法 - Google Patents
一种未知转移概率跳变系统的邻态偏差智能控制方法 Download PDFInfo
- Publication number
- CN111367175B CN111367175B CN202010184396.5A CN202010184396A CN111367175B CN 111367175 B CN111367175 B CN 111367175B CN 202010184396 A CN202010184396 A CN 202010184396A CN 111367175 B CN111367175 B CN 111367175B
- Authority
- CN
- China
- Prior art keywords
- mode
- state deviation
- jump
- cost function
- adjacent state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明公开了一种未知转移概率跳变系统的邻态偏差智能控制方法,属于工程系统领域。所述方法包括:对于Markov跳变系统,其模态转移概率的不确定性由某一未知分布来描述,建立抗干扰控制问题模型;其次,构造模态依赖价值函数的更新形式;根据输入的控制策略获得模态轨迹,计算出邻态偏差,从而更新价值函数,直至收敛;最后,根据价值函数优化控制策略;重复上述过程直至控制策略收敛,从而得到能使系统闭环稳定且满足指定干扰抑制性能的控制器。本发明解决了在转移概率完全未知情形下Markov跳变系统的控制问题,具有十分重要的实际意义。
Description
技术领域
本发明涉及一种未知转移概率跳变系统的邻态偏差智能控制方法,属于工程系统领域。
背景技术
数年来,Markov(马尔可夫)跳变系统控制问题一直是控制领域的研究热点之一。作为一类典型的多模态随机系统,Markov跳变系统可以用来模拟具有突变特性的动态系统,一般为受外部环境干扰或内部结构和参数的变化使系统具有随机突变特性的动态系统,如工业系统、容错控制系统、网络控制系统等。转移概率作为系统的关键性因素,描述了模态跳变的随机动态特性。
在转移概率已知或部分已知的条件下,针对Markov跳变系统的研究涉及控制领域的各个方面,包括稳定性分析、估计、控制、滤波与优化等,已取得了不错的理论成果。然而,在应用过程中,大多数实际系统的转移概率信息并不能提前获知,这使得用线性矩阵不等式或黎卡提方程描述的传统控制方法具有其局限性。例如,在直流电机跳变电路控制系统中,系统的电路模式会以一定概率跳变为不同的工作模式,不同的工作模式下电路有着不同的工作特性,而这种情况下系统的转移概率往往事先未知。因此,在转移概率完全未知的情况下,利用一定的智能学习手段,解决Markov跳变系统的控制问题,具有十分重要的应用价值和必要性。
发明内容
针对实际工程应用中常见的Markov跳变系统的干扰抑制问题,本发明提出一种直流电机跳变电路系统的邻态偏差智能控制方法,所述方法包括:
步骤一:建立直流电机跳变电路系统的离散化Markov跳变系统模型,所述Markov跳变系统模型的模态转移概率满足分布函数,且分布的期望存在;针对所述直流电机Markov跳变系统,在输入电压使系统满足均方稳定的条件下,给定系统抗干扰性能指数δ>0,寻求状态反馈控制率u(k)=Fix(k),其中,Fi为反馈控制器增益,也称控制策略;x(k)∈Rn是系统的状态向量,为n维的实数矩阵;表示电流和电机的角速度;满足:
其中,k为离散时刻,z(k)是系统的被控输出,w(k)是系统的干扰信号,上标“T”为向量转置符号;
步骤二:构建所述Markov跳变系统的模态依赖价值函数,所述模态依赖价值函数根据模态不断更新,用于评价当前Fi的好坏;
当r(k)=i时,r(k)为电机的i种工作状态;所述模态依赖价值函数为:
Yi(t,k+1)=Yi(t,k)+γi(t)ei(t,k)d(t,k)
Yi(t,0)=Yi(t),Yi(t+1)=Yi(t,N(t))
其中,Yi(t)为模态依赖价值函数,t为模态轨迹的数量,N(t)为第t条模态轨迹的长度,步长γi(t)=1/t;ei(t,k)为资格系数;d(t,k)为邻态偏差;
步骤三:根据邻态偏差更新价值函数,直到每个模态下的模态依赖价值函数收敛;
步骤四:根据收敛的模态依赖价值函数更新控制策略,直至控制策略收敛,输出该控制策略,即获得满足系统稳定和指定抗干扰性能的控制策略。
在本发明的一种实施方式中,所述Markov跳变系统为:
x(k+1)=A(r(k))x(k)+B(r(k))u(k)+G(r(k))w(k)
z(k)=C(r(k))x(k)+D(r(k))u(k)
其中,x(k)∈Rn是系统的状态向量,为n维的实数矩阵,包括电流和电机的角速度;u(k)是电路的输入电压,作为控制输入向量;w(k)是系统的干扰信号;z(k)是系统的被控输出;k为离散时刻;Ar(k),Br(k),Gr(k)表示系统的动态参数;Cr(k)和Dr(k)分别表示系统输出的状态加权矩阵和输入加权矩阵;r(k)表示系统的模态,是在有限集合Θ={1,2,3,…,n}中随时间k取值的离散Markov随机过程,分别表示电路中n种工作状态。
在本发明的一种实施方式中,所述模态转移概率定义为:
Pr(r(k+1)=j|r(k)=i,ξk)=πij(ξk)
其中,πij(ξk)为从模态i跳变到模态j的转移概率,ξk是一个随机变量,描述了转移概率的时变特性。
在本发明的一种实施方式中,所述资格系数为:
在本发明的一种实施方式中,当r(k)=i时,分别用Ai,Bi,Ci,Di,Gi表征A(r(k)),B(r(k)),C(r(k)),D(r(k)),G(r(k));则邻态偏差,定义如下:
在本发明的一种实施方式中,所述转移概率的期望为:
πij=E[πij(ξk)]
其中,随机变量ξk满足分布函数。
在本发明的一种实施方式中,所述更新价值函数包括以下步骤:
a.初始化能使系统闭环稳定的控制策略Fi(0)和Ui(0),迭代次数l=0,价值函数的初始值为0;
b.从任意初始模态开始,每个模态下的资格系数初始值赋值为0;
c.将控制策略Fi(l)和Ui(l)带入系统,用状态观测器观测系统的状态值,进而根据已知的系统参数获得系统当前的跳变模态;
d.由定义更新资格系数,计算出邻态偏差,从而更新模态依赖的价值函数;若价值函数Yi(t)收敛,则输出Yi(t);若不收敛,t=t+1,返回步骤b,直至Yi(t)收敛。
在本发明的一种实施方式中,所述根据价值函数优化控制策略包括:
设收敛的价值函数为Yi(l),则控制策略Fi和Ui的更新由下式给出:
Fi(l+1)=-(I+HiBi)-1HiAi
其中,
若满足||Fi(l+1)-Fi(l)||<ε,其中,ε为给定的精度系数,则Fi(l)即为满足要求的控制器增益,系统抗干扰反馈控制率为u(k)=Fi(l)x(k);若不满足,则l=l+1,将Fi(l)返回步骤b。
在本发明的一种实施方式中,所述分布函数为高斯分布或均匀分布或指数分布。
本发明的一种直流电机跳变电路系统的邻态偏差智能控制方法用于转移概率固定和时变的不同情况下的Markov跳变系统。
有益效果:
本发明针对实际工程应用中的普遍存在的Markov跳变系统,如直流电机跳变电路系统,在完全未知转移概率的条件下,利用邻态偏差智能学习的控制方法不仅使系统闭环稳定,而且满足指定的干扰抑制性能要求,与现有技术相比的优点在于:
(1)本发明解决了在转移概率完全未知情形下Markov跳变系统的控制问题,具有十分重要的实际意义;
(2)本发明可以处理转移概率时变的情形,且其时变信息不仅局限于高斯分布,也可以是其他分布,如均匀分布、指数分布等,这相比于直接估计转移概率的方法有着明显的优势;
(3)本发明的价值函数更新算法是在线的,因此价值函数具有快速收敛特性。
附图说明
图1为实施例2的模态依赖价值函数的范数轨迹图。
图2为实施例2的闭环系统状态响应图;(a)为状态x1的闭环系统状态响应图:(b)为状态x2的闭环系统状态响应图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
实施例1
本实施例提供一种针对工程技术中直流电机跳变电路系统的控制问题,采用未知转移概率跳变系统的邻态偏差智能控制方法,所述方法包括:
步骤一:建立直流电机跳变电路系统的离散化Markov跳变系统模型。首先,直流跳变电路的电机动态描述为:
其中,r(t)=1,2,3分别表示电机的三种功率模式下的工作状态:正常功率、低功率、中等功率。不同工作模式下系统有着不同的参数。t为连续时间,u(t)为输入总电压,i为电机电流,v(t)为电机角速度;Km为电机负载常数,Ke为反电动势常数,Kd为阻尼常数,Rm为电路连接总电阻,L为电感系数;J为机械惯性,包括电机电枢和轴的机械惯性;w(t)为系统干扰,包括负载和系统摩擦。
以x(t)=[i(t),v(t)]为状态变量,得到状态空间模型:
其中,
将上述系统离散化,采样时间为h,得到离散化的直流电机的Markov跳变系统模型:
x(k+1)=Ar(k)x(k)+Br(k)u(k)+Gr(k)w(k)
z(k)=Cr(k)x(k)+Dr(k)u(k)
其中,
其中,x(k)∈Rn,是系统的状态向量,包括电机电流i(k)和电机角速度v(k);u(k)是电路的输入电压,作为控制输入向量;w(k)是系统的干扰信号;z(k)是系统的被控输出;k为离散时刻;Ar(k),Br(k),Gr(k)表示系统的动态参数;Cr(k)和Dr(k)分别表示系统输出的状态加权矩阵和输入加权矩阵;r(k)表示系统的模态,是在有限集合Θ={1,2,3}中随时间k取值的离散Markov随机过程,分别表示电路中三种工作状态;模态转移概率定义为:
Pr(r(k+1)=j|r(k)=i,ξk)=πij(ξk)
其中,πij(ξk)为从模态i跳变到模态j的转移概率,ξk是一个随机变量,描述了转移概率的时变特性;为了方便起见,当r(k)=i时,分别用Ai,Bi,Ci,Di,Gi表征Ar(k),Br(k),Cr(k),Dr(k),Gr(k);
假设随机变量ξk满足一定的分布函数,如高斯分布、均匀分布等,且转移概率的期望存在,则转移概率的期望为:
πij=E[πij(ξk)]
抗干扰控制问题模型为:针对上述直流电机Markov跳变系统,旨在调节合适的输入电压使系统满足均方稳定的条件下,给定系数δ>0,寻求状态反馈控制率u(k)=Fix(k),满足:
步骤二:构建模态依赖价值函数;所述模态依赖价值函数根据模态不断更新,用于评价当前动作(控制策略)的好坏;
当r(k)=i时,所述Markov跳变系统的抗干扰控制问题的价值函数由下式给出:
Yi(t,k+1)=Yi(t,k)+γi(t)ei(t,k)d(t,k)
Yi(t,0)=Yi(t),Yi(t+1)=Yi(t,N(t))
其中,Yi(t)为价值函数,t为模态轨迹的数量,N(t)为第t条模态轨迹的长度,步长γi(t)=1/t;ei(t,k)为资格系数:
d(t,k)为邻态偏差,定义如下:
步骤三:基于邻态偏差的价值函数更新算法,包括:
a.初始化能使系统闭环稳定的控制策略Fi(0)和Ui(0),迭代次数l=0,价值函数的初始值为0;
b.从任意初始模态开始,每个模态下的资格系数初始值赋值为0;
c.将控制策略Fi(l)和Ui(l)带入系统,用状态观测器观测系统的状态值,进而根据已知的系统参数获得系统当前的跳变模态;
d.由定义更新资格系数,计算出邻态偏差,从而更新模态依赖的价值函数;若价值函数Yi(t)收敛,则输出Yi(t);若不收敛,t=t+1,返回步骤b,直至Yi(t)收敛。
步骤四:优化控制策略,设步骤三中收敛的价值函数为Yi(l),则控制策略Fi和Ui的更新由下式给出:
Fi(l+1)=-(I+HiBi)-1HiAi
其中,
若满足||Fi(l+1)-Fi(l)||<ε,其中,ε为给定的精度系数,则Fi(l)即为满足要求的控制器增益,系统抗干扰反馈控制率为u(k)=Fi(l)x(k);若不满足,则l=l+1,将Fi(l)返回步骤三中的步骤b。
实施例2
本实施例针对直流电机跳变电路,提供一种未知转移概率跳变系统的邻态偏差智能控制方法进行仿真实验验证,为了验证所提方法的有效性,该离散Markov跳变系统的参数描述如下:
D1=D2=D3=(0 0 1)T,G1=G2=G3=(0 0.1)T。
不失一般性,选取转移概率矩阵服从高斯随机分布,随机性用如下高斯概率密度矩阵进行描述:
其中,n(μ,σ)表示高斯转移概率密度函数,μ为均值,σ为方差。
选择模态轨迹长度K=20,轨迹条数T=500,权值率λ=0.1,抗干扰性能指数δ=1,根据提出的方法,价值函数的收敛情况如图1所示。可以看出,各模态下的价值函数都快速收敛。根据收敛的价值函数,最终得到的抗干扰控制器为:
F1=[2.4575,-2.6197],F2=[4.2283,-3.8338],F3=[-5.2250,5.7909]
假设系统初始状态x(0)=[1,-1]T,干扰输入w(k)=0.2sin(0.01πk+0.1π)。将得到的控制器应用于原系统进行仿真实验,得到系统的状态响应曲线如图2所示。可以看出,系统的各个状态都趋向于0,表示系统满足均方稳定;且当时间趋于无穷大时,也能满足系统抗干扰性能指标;可知,系统闭环稳定且满足指定的抗干扰性能要求。
需要强调的是,本发明涉及的技术并不仅适用于上述例子,这些技术可以用于任何适用的线性Markov跳变系统,包括转移概率固定和时变的不同情况。
本发明的保护范围并不仅局限于上述实施例,凡是在本发明构思的精神和原则之内,本领域的专业人员能够做出的任何修改、等同替换和改进等均应包含在本发明的保护范围之内。
Claims (10)
1.一种直流电机跳变电路系统的邻态偏差智能控制方法,其特征在于,所述方法包括:
步骤一:建立直流电机跳变电路系统的离散化Markov跳变系统模型,所述Markov跳变系统模型的模态转移概率满足分布函数,且分布的期望存在;针对所述直流电机Markov跳变系统,在输入电压使系统满足均方稳定的条件下,给定系统抗干扰性能指数δ>0,寻求状态反馈控制率u(k)=Fix(k),其中,Fi为反馈控制器增益,也称控制策略;x(k)∈Rn是系统的状态向量,为n维的实数矩阵,表示电流和电机的角速度;满足:
其中,k为离散时刻,z(k)是系统的被控输出,w(k)是系统的干扰信号,上标“T”为向量的转置;
步骤二:构建所述Markov跳变系统的模态依赖价值函数,所述模态依赖价值函数根据模态不断更新,用于评价当前Fi的好坏;
当r(k)=i时,r(k)为电机的i种工作状态;所述模态依赖价值函数为:
Yi(t,k+1)=Yi(t,k)+γi(t)ei(t,k)d(t,k)
Yi(t,0)=Yi(t),Yi(t+1)=Yi(t,N(t))
其中,Yi(t)为模态依赖价值函数,t为模态轨迹的数量,N(t)为第t条模态轨迹的长度,步长γi(t)=1/t;ei(t,k)为资格系数;d(t,k)为邻态偏差;
步骤三:基于邻态偏差更新价值函数,直到每个模态下的模态依赖价值函数收敛;
步骤四:根据收敛的模态依赖价值函数更新控制策略,直至控制策略收敛,输出该控制策略,即获得满足系统稳定和指定抗干扰性能的控制策略。
2.如权利要求1所述的一种直流电机跳变电路系统的邻态偏差智能控制方法,其特征在于,所述Markov跳变系统为:
x(k+1)=A(r(k))x(k)+B(r(k))u(k)+G(r(k))w(k)
z(k)=C(r(k))x(k)+D(r(k))u(k)
其中,x(k)∈Rn是系统的状态向量,为n维的实数矩阵,包括电流和电机的角速度;u(k)是电路的输入电压,作为控制输入向量;w(k)是系统的干扰信号;z(k)是系统的被控输出;k为离散时刻;A(r(k)),B(r(k)),G(r(k))表示系统的动态参数;C(r(k))和Dr(k)分别表示系统输出的状态加权矩阵和输入加权矩阵;r(k)表示系统的模态,是在有限集合Θ={1,2,3,…,n}中随时间k取值的离散Markov随机过程,分别表示电路中n种工作状态。
3.如权利要求2所述的一种直流电机跳变电路系统的邻态偏差智能控制方法,其特征在于,所述模态转移概率定义为:
Pr(r(k+1)=j|r(k)=i,ξk)=πij(ξk)
其中,πij(ξk)为从模态i跳变到模态j的转移概率,ξk是一个随机变量,描述了转移概率的时变特性。
6.如权利要求1所述的一种直流电机跳变电路系统的邻态偏差智能控制方法,其特征在于,所述转移概率的期望为:
πij=E[πij(ξk)]
其中,随机变量ξk满足分布函数。
7.如权利要求5所述的一种直流电机跳变电路系统的邻态偏差智能控制方法,其特征在于,所述更新价值函数包括以下步骤:
a.初始化能使系统闭环稳定的控制策略Fi(0)和Ui(0),迭代次数l=0,价值函数的初始值为0;
b.从任意初始模态开始,每个模态下的资格系数初始值赋值为0;
c.将控制策略Fi(l)和Ui(l)带入系统,用状态观测器观测系统的状态值,进而根据已知的系统参数获得系统当前的跳变模态;
d.由定义更新资格系数,计算出邻态偏差,从而更新模态依赖的价值函数;若价值函数Yi(t)收敛,则输出Yi(t);若不收敛,t=t+1,返回步骤b,直至Yi(t)收敛。
9.如权利要求6所述的一种直流电机跳变电路系统的邻态偏差智能控制方法,其特征在于,所述分布函数为高斯分布或均匀分布或指数分布。
10.权利要求1-9任一所述的一种直流电机跳变电路系统的邻态偏差智能控制方法用于转移概率固定和时变的不同情况下的线性Markov跳变系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010184396.5A CN111367175B (zh) | 2020-03-17 | 2020-03-17 | 一种未知转移概率跳变系统的邻态偏差智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010184396.5A CN111367175B (zh) | 2020-03-17 | 2020-03-17 | 一种未知转移概率跳变系统的邻态偏差智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111367175A CN111367175A (zh) | 2020-07-03 |
CN111367175B true CN111367175B (zh) | 2021-04-02 |
Family
ID=71206835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010184396.5A Active CN111367175B (zh) | 2020-03-17 | 2020-03-17 | 一种未知转移概率跳变系统的邻态偏差智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111367175B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112838793B (zh) * | 2021-01-22 | 2023-01-24 | 重庆电子工程职业学院 | 一种基于状态转移的永磁同步电机控制方法 |
CN113189878B (zh) * | 2021-04-28 | 2022-05-24 | 浙江工业大学 | 一种基于有扰无线网络化控制系统延时估计逼近控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101695775A (zh) * | 2009-11-03 | 2010-04-21 | 大连理工大学 | 磨齿机用高精度端齿自动分度装置 |
CN104298126A (zh) * | 2014-09-23 | 2015-01-21 | 江南大学 | 非齐次Markov跳变控制系统的观测器设计方法 |
CN104460336A (zh) * | 2014-09-23 | 2015-03-25 | 江南大学 | 非齐次Markov跳变系统的干扰抑制方法 |
CN107313898A (zh) * | 2017-08-15 | 2017-11-03 | 华北电力大学 | 基于Markov跳变规律的风力发电系统控制的方法 |
CN108803334A (zh) * | 2018-06-21 | 2018-11-13 | 广东工业大学 | 基于非齐次马尔科夫模型的直流电机有限时间控制方法及系统 |
CN109343351A (zh) * | 2018-12-07 | 2019-02-15 | 桂林电子科技大学 | 一种改进pid控制的开关磁阻电机转矩控制系统 |
CN110620528A (zh) * | 2019-09-20 | 2019-12-27 | 电子科技大学 | 一种基于二阶超螺旋滑模的多通道直流电机系统控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI392216B (zh) * | 2008-10-15 | 2013-04-01 | Anpec Electronics Corp | 用於三相無刷直流馬達之無感測啟動方法及相關裝置 |
US10245406B2 (en) * | 2015-03-24 | 2019-04-02 | Ventec Life Systems, Inc. | Ventilator with integrated oxygen production |
-
2020
- 2020-03-17 CN CN202010184396.5A patent/CN111367175B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101695775A (zh) * | 2009-11-03 | 2010-04-21 | 大连理工大学 | 磨齿机用高精度端齿自动分度装置 |
CN104298126A (zh) * | 2014-09-23 | 2015-01-21 | 江南大学 | 非齐次Markov跳变控制系统的观测器设计方法 |
CN104460336A (zh) * | 2014-09-23 | 2015-03-25 | 江南大学 | 非齐次Markov跳变系统的干扰抑制方法 |
CN107313898A (zh) * | 2017-08-15 | 2017-11-03 | 华北电力大学 | 基于Markov跳变规律的风力发电系统控制的方法 |
CN108803334A (zh) * | 2018-06-21 | 2018-11-13 | 广东工业大学 | 基于非齐次马尔科夫模型的直流电机有限时间控制方法及系统 |
CN109343351A (zh) * | 2018-12-07 | 2019-02-15 | 桂林电子科技大学 | 一种改进pid控制的开关磁阻电机转矩控制系统 |
CN110620528A (zh) * | 2019-09-20 | 2019-12-27 | 电子科技大学 | 一种基于二阶超螺旋滑模的多通道直流电机系统控制方法 |
Non-Patent Citations (6)
Title |
---|
H∞ Control for Discrete-Time Markov Jump Systems With Uncertain Transition Probabilities;Xiaoli Luan;《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》;20130731;第58卷(第6期);1566-1572 * |
Mode-Independent H2-Control of a DC Motor Modeled as a Markov Jump Linear System;Ricardo C. L. F. Oliveira;《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》;20140930;第22卷(第5期);1915-1919 * |
一种基于相邻耦合误差的多电机同步控制策略;张承慧;《中国电机工程学报》;20070531;第27卷(第15期);59-63 * |
不完备信息集下随机跳变系统的状态递归估计;赵顺毅;《中国博士学位论文全文数据库-基础科学辑》;20160115(第1期);A002-147 * |
模态跳变概率可控的Markov跳变线性系统的优化;徐琰恺;《控制与决策》;20080331;第23卷(第3期);246-250 * |
高斯转移概率离散Markov跳变系统镇定域研究;周子恒;《控制工程》;20190531;第26卷(第5期);859-963 * |
Also Published As
Publication number | Publication date |
---|---|
CN111367175A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsu et al. | Wavelet adaptive backstepping control for a class of nonlinear systems | |
Soltanpour et al. | Robust control strategy for electrically driven robot manipulators: adaptive fuzzy sliding mode | |
CN111367175B (zh) | 一种未知转移概率跳变系统的邻态偏差智能控制方法 | |
Butt et al. | Adaptive dynamic surface control of a hypersonic flight vehicle with improved tracking | |
CN104199295A (zh) | 基于神经网络的机电伺服系统摩擦补偿和变结构控制方法 | |
CN109033585B (zh) | 不确定网络控制系统的pid控制器设计方法 | |
CN112462611B (zh) | 一种精密机电系统滑动摩擦建模方法 | |
Dong et al. | Tracking control for nonaffine systems: A self-organizing approximation approach | |
Chow et al. | A real-time learning control approach for nonlinear continuous-time system using recurrent neural networks | |
Joshi et al. | Adaptive control using gaussian-process with model reference generative network | |
Cai et al. | Finite-/fixed-time stability of nonautonomous functional differential inclusion: Lyapunov approach involving indefinite derivative | |
Song et al. | Integral sliding mode synchronization control for Markovian jump inertial memristive neural networks with reaction–diffusion terms | |
Lee | Stabilization of nonlinear nonminimum phase systems: adaptive parallel approach using recurrent fuzzy neural network | |
Min et al. | Neural network‐based output‐feedback control for stochastic high‐order non‐linear time‐delay systems with application to robot system | |
Tabuada et al. | Data-driven control for SISO feedback linearizable systems with unknown control gain | |
Hsu et al. | Adaptive asymmetric fuzzy neural network controller design via network structuring adaptation | |
Gutiérrez et al. | Robust output‐regulation for uncertain linear systems with input saturation | |
Chen et al. | Recurrent wavelet neural backstepping controller design with a smooth compensator | |
CN111505942A (zh) | 一种分数阶互联系统的分散式自适应控制器的设计方法 | |
Hwang et al. | Fuzzy neural-based control for nonlinear time-varying delay systems | |
Yang et al. | Adaptive neural network optimized control using reinforcement learning of critic-actor architecture for a class of non-affine nonlinear systems | |
Wu et al. | Prescribed performance global stable adaptive neural dynamic surface consensus tracking control of stochastic multi-agent systems with hysteresis inputs and nonlinear dynamics | |
Hsu | Adaptive recurrent neural network control using a structure adaptation algorithm | |
Wu et al. | Indirect adaptive neural network dynamic surface control for non‐linear time‐delay systems with prescribed performance and unknown dead‐zone input | |
Herzallah et al. | Bayesian adaptive control of nonlinear systems with functional uncertainty |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |