基于核正则化的重复线性时变系统迭代学习控制
系统与控制
2023-03-08 v1 系统与控制
摘要
对于数据驱动迭代学习控制（ILC）方法，模型估计与控制器设计问题均转化为某些选定模型结构的参数估计问题。众所周知，若模型阶数选择不当，会导致方差大或偏差大的模型，这是实践中进一步提升数据驱动 ILC 建模与跟踪性能的障碍之一。系统辨识领域应对此问题的一个新兴趋势是使用正则化而非统计检验（如 AIC、BIC），其代表之一是所谓基于核的正则化方法（KRM）。本文将 KRM 集成到数据驱动 ILC 中以处理一类重复线性时变系统，并且我们证明所提方法在迭代域具有最终有界跟踪误差。数值仿真结果表明，与最小二乘法及一些现有数据驱动 ILC 方法相比，所提方法在跟踪性能上能给出更快收敛速度、更好精度与鲁棒性。
引用
@article{arxiv.2303.03822,
title = {Kernel-based Regularized Iterative Learning Control of Repetitive Linear Time-varying Systems},
author = {Xian Yu and Xiaozhu Fang and Biqiang Mu and Tianshi Chen},
journal= {arXiv preprint arXiv:2303.03822},
year = {2023}
}
备注
17 pages