【MFAC】基于紧格式动态线性化的无模型自适应迭代学习控制

简介: 【MFAC】基于紧格式动态线性化的无模型自适应迭代学习控制

来源:侯忠生教授的《无模型自适应控制:理论与应用》(2013年科学出版社)。

👉对应书本 7.2 单输入单输出系统(SISO)紧格式动态线性化(CFDL) 和 4.4 单输入单输出系统(SISO)紧格式动态线性化(CFDL)的无模型自适应迭代学习控制(MFAILC)

学习控制律

数据模型:

y ( k + 1 , i ) = y ( k + 1 , i − 1 ) + ϕ c ( k , i ) Δ u ( k , i ) y\left( {k + 1,i} \right) = y\left( {k + 1,i - 1} \right) + \phi_{c}(k,i)\Delta u(k,i)y(k+1,i)=y(k+1,i1)+ϕc(k,i)Δu(k,i)

给定期望轨迹 y d ( k ) , k = 0 , 1 , … T y_d (k),k={0,1,…T}yd(k),k=0,1,T,控制目标是寻找合适的控制输入,使得跟踪误差 e ( k + 1 , i ) = y d ( k + 1 ) − y ( k + 1 , i ) e(k+1,i)=y_d (k+1)-y(k+1,i)e(k+1,i)=yd(k+1)y(k+1,i) 在迭代次数i趋于无穷时收敛为0.

控制律:

u ( k , i ) = u ( k , i − 1 ) + ρ ϕ c ( k , i ) ∣ ϕ c ( k , i ) ∣ 2 + λ e ( k + 1 , i − 1 ) u\left( {k,i} \right) = u\left( {k,i - 1} \right) + \frac{\rho\phi_{c}\left( {k,i} \right)}{\left| \phi_{c}\left( {k,i} \right) \right|^{2} + \lambda}e\left( {k + 1,i - 1} \right)u(k,i)=u(k,i1)+ϕc(k,i)2+λρϕc(k,i)e(k+1,i1)

PPD参数估计算法

ϕ c ^ ( k ) = ϕ c ^ ( k − 1 ) + η Δ u ( k − 1 ) μ + Δ u ( k − 1 ) 2 [ Δ y ( k ) − ϕ c ^ ( k − 1 ) Δ u ( k − 1 ) ] \hat{\phi_{c}}(k) = \hat{\phi_{c}}\left( {k - 1} \right) + \frac{\eta\Delta u\left( {k - 1} \right)}{\mu + {\Delta u\left( {k - 1} \right)}^{2}}\left\lbrack \Delta y(k) - \hat{\phi_{c}}(k - 1)\Delta u\left( {k - 1} \right) \right\rbrackϕc^(k)=ϕc^(k1)+μ+Δu(k1)2ηΔu(k1)[Δy(k)ϕc^(k1)Δu(k1)]

其中,μ>0为权重因子,为了让控制算法更具一般性,引入步长因子 η∈(0,1] .

PPD参数重置算法

如果

∣ ϕ c ^ ( k , i ) ∣ ≤ ε \left| {\hat{\phi_{c}}(k,i)} \right| \leq \varepsilonϕc^(k,i)ε

∣ Δ u ( k , i − 1 ) ∣ ≤ ε \left| {\Delta u\left( {k ,i- 1} \right)} \right| \leq \varepsilonΔu(k,i1)ε

s i g n ( ϕ c ^ ( k , i ) ) ≠ s i g n ( ϕ c ^ ( k , 1 ) ) sign\left( {\hat{\phi_{c}}(k,i)} \right) \neq sign\left( {\hat{\phi_{c}}(k,1)} \right)sign(ϕc^(k,i))=sign(ϕc^(k,1))

ϕ c ^ ( k , i ) = ϕ c ^ ( k , 1 ) \hat{\phi_{c}}(k,i) = \hat{\phi_{c}}(k,1)ϕc^(k,i)=ϕc^(k,1)

算法重置机制的引入是为了使PPD估计算法具有更强的对时变参数的跟踪能力。

相关文章
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
|
SQL 开发框架 算法
【MFAC】基于偏格式动态线性化的无模型自适应控制
【MFAC】基于偏格式动态线性化的无模型自适应控制
|
算法
【MFAC】基于全格式动态线性化的无模型自适应控制
【MFAC】基于全格式动态线性化的无模型自适应控制
|
4月前
|
传感器 人工智能 物联网
HarmonyOS NEXT~鸿蒙操作系统功耗优化特性深度解析
本文深入解析了华为鸿蒙(HarmonyOS)操作系统的功耗优化特性,涵盖低功耗设计原理、核心技术及实际应用效果。通过与Android对比,展现其在待机功耗、CPU调度效率和内存占用上的优势。文章重点阐述分布式任务调度、微内核架构及智能感知技术,并针对智能穿戴、物联网和智能手机等场景优化进行分析,同时为开发者提供优化建议。未来,鸿蒙将探索AI预测性管理等新技术,进一步提升能效表现。
402 30
|
3月前
|
人工智能 Linux 计算机视觉
GitHub 开源热搜!10.7k  star, MagicAnimate,让照片秒变动画短片!
MagicAnimate 是由新加坡国立大学与字节跳动团队开发的静态图像动画工具,基于视频扩散模型与时序注意力模块,可实现高保真一致动画。用户只需上传一张照片和动作视频/DensePose 数据,即可生成高质量动画,效率提升 50%。项目在 GitHub 上获得 11.1k 星,支持多 GPU 推理、模型替换及跨平台部署,适用于短视频创作、在线教育、营销广告等场景。其优势在于流畅度高、细节还原精准,是目前最强的人像动画技术之一。
150 0
|
10月前
|
存储 人工智能 自然语言处理
OpenScholar:华盛顿大学联合艾伦研究所开源的学术搜索工具
OpenScholar是由华盛顿大学和艾伦AI研究所联合开发的开源学术搜索工具,旨在通过检索和综合科学文献中的相关论文来回答用户问题。该工具利用大规模科学论文数据库、定制的检索器和重排器,以及一个优化的8B参数语言模型,生成基于实际文献的准确回答。OpenScholar在提供事实性回答和准确引用方面超越了现有的专有和开源模型,所有相关代码和数据均已开源,支持并加速科学研究。
328 1
OpenScholar:华盛顿大学联合艾伦研究所开源的学术搜索工具
【MFAC】基于紧格式动态线性化的无模型自适应控制(Matlab代码)
【MFAC】基于紧格式动态线性化的无模型自适应控制(Matlab代码)
|
Kubernetes 容器 Perl
Kubernetes网络插件体系及flannel基础
文章主要介绍了Kubernetes网络插件体系,特别是flannel网络模型的工作原理、配置和测试方法。
258 3
Kubernetes网络插件体系及flannel基础
|
11月前
|
消息中间件 Java 大数据
大数据-56 Kafka SpringBoot与Kafka 基础简单配置和使用 Java代码 POM文件
大数据-56 Kafka SpringBoot与Kafka 基础简单配置和使用 Java代码 POM文件
206 2
|
JavaScript Java 测试技术
基于SpringBoot+Vue+uniapp的学生签到系统的详细设计和实现(源码+lw+部署文档+讲解等)
基于SpringBoot+Vue+uniapp的学生签到系统的详细设计和实现(源码+lw+部署文档+讲解等)
162 5