【摘要】：学习算法的稳定性是迭代学习控制能够正常运行的必要前提， 收敛性是迭代学习控制的基本要求。王跃灵等人[123]提出了一种自适应神经网络迭代学习控制方法， 通过采用迭代学习算法对周期性不确定部分进行迭代学习， 采用RBF神经网络对非周期性不确定部分的未知上界自适应学习，研究表明系统具有很好的鲁棒性和稳定性。
学习算法的稳定性是迭代学习控制能够正常运行的必要前提， 收敛性是迭代学习控制的基本要求。 Arimoto在最初提出PID型学习控制律时， 仅针对线性系统在D型学习律下的稳定性和收敛性做了证明， 后来许多学者对其他系统， 如非线性连续系统、 离散系统、 分布参数系统、 广义系统以及滞后系统等做了相应的研究。王跃灵等人[123]提出了一种自适应神经网络迭代学习控制方法， 通过采用迭代学习算法对周期性不确定部分进行迭代学习， 采用RBF神经网络对非周期性不确定部分的未知上界自适应学习，研究表明系统具有很好的鲁棒性和稳定性。朱胜等人[124]针对一类含未知时变参数的严格反馈非线性系统， 提出一种实现有限作业区间轨迹跟踪控制的迭代学习算法， 分析表明: 闭环系统所有信号有界， 并能够使系统输出跟踪上理想轨迹。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
