摘要 | 第4-6页 |
ABSTRACT | 第6页 |
第一章 绪论 | 第11-25页 |
1.1 迭代学习控制基本原理 | 第11-13页 |
1.2 迭代学习控制与其控制方法的比较 | 第13-16页 |
1.2.1 与逆动力学控制的比较 | 第14页 |
1.2.2 与反馈控制的比较 | 第14页 |
1.2.3 与自适应控制的比较 | 第14-15页 |
1.2.4 与其它智能控制方法的比较 | 第15-16页 |
1.3 迭代学习控制主要研究内容 | 第16-22页 |
1.3.1 迭代学习算法设计 | 第16-18页 |
1.3.2 初值问题 | 第18-19页 |
1.3.3 鲁棒性与鲁棒迭代学习控制 | 第19-20页 |
1.3.4 基于性能的迭代学习控制 | 第20-21页 |
1.3.5 学习速度的优化 | 第21页 |
1.3.6 学习经验的利用 | 第21-22页 |
1.3.7 迭代学习控制的应用研究 | 第22页 |
1.4 本文主要工作 | 第22-23页 |
1.5 本文结构 | 第23-25页 |
第二章 P型因果性迭代学习算法设计 | 第25-40页 |
2.1 引言 | 第25页 |
2.2 系统动力学因果性及迭代学习算法学习机理分析 | 第25-29页 |
2.2.1 连续系统因果性及PID迭代学习算法学习机理分析 | 第25-27页 |
2.2.2 离散系统因果性及PID迭代学习算法学习机理分析 | 第27-28页 |
2.2.3 其它一些迭代学习算法学习机理分析 | 第28-29页 |
2.3 线性离散系统P型因果性迭代学习算法设计 | 第29-35页 |
2.3.1 高阶差分形式线性离散系统新算法设计 | 第29-33页 |
2.3.2 一般形式线性离散系统新算法设计 | 第33-35页 |
2.4 仿真结果 | 第35-37页 |
2.5 结论 | 第37-40页 |
第三章 二次型最优迭代学习算法设计 | 第40-53页 |
3.1 引言 | 第40-41页 |
3.2 确定系统二次型最优迭代学习算法设计 | 第41-45页 |
3.2.1 问题描述 | 第41-42页 |
3.2.2 最优迭代学习算法设计 | 第42-43页 |
3.2.3 稳定性及收敛性分析 | 第43-45页 |
3.3 不确定性系统最优迭代学习算法设计 | 第45-50页 |
3.3.1 输入矩阵未知系统最优迭代学习算法设计 | 第45-48页 |
3.3.2 一般模型不确定性系统最优迭代学习算法设计 | 第48-50页 |
3.4 仿真实例 | 第50-52页 |
3.5 结论 | 第52-53页 |
第四章 基于LMI方法的保性能迭代学习算法设计 | 第53-65页 |
4.1 引言 | 第53-54页 |
4.2 问题描述 | 第54-56页 |
4.3 确定性系统最优迭代学习算法设计 | 第56-57页 |
4.4 不确定性系统保性能迭代学习算法设计 | 第57-60页 |
4.5 保性能迭代学习律的优化 | 第60页 |
4.6 仿真研究 | 第60-64页 |
4.7 结论 | 第64-65页 |
第五章 不确定性机器人系统自适应鲁棒迭代学习控制 | 第65-74页 |
5.1 引言 | 第65-66页 |
5.2 问题描述 | 第66页 |
5.3 自适应鲁棒迭代学习控制 | 第66-67页 |
5.4 主要结论 | 第67-71页 |
5.5 仿真结果 | 第71-73页 |
5.6 结论 | 第73-74页 |
第六章 受限柔性机器人臂鲁棒迭代学习控制 | 第74-81页 |
6.1 引言 | 第74-75页 |
6.2 受限柔性机器人臂动力学模型 | 第75-76页 |
6.3 柔性机器人鲁棒迭代学习控制 | 第76-80页 |
6.4 结论 | 第80-81页 |
第七章 基于数据模型实现迭代学习控制输入初值的优化 | 第81-89页 |
7.1 引言 | 第81页 |
7.2 迭代学习控制输入初值与系统收敛性的关系 | 第81-83页 |
7.3 迭代学习控制输入初值的确定 | 第83-86页 |
7.3.1 “数据模型”的建立 | 第83-84页 |
7.3.2 相关性数据的提取 | 第84页 |
7.3.3 控制输入初值的确定 | 第84-86页 |
7.4 仿真实例及结果 | 第86-87页 |
7.5 结论 | 第87-89页 |
第八章 结论与展望 | 第89-91页 |
参考文献 | 第91-96页 |
致谢 | 第96-97页 |
攻读博士学位期间完成论文及科研情况 | 第97-98页 |