基于编解码的量化迭代学习控制

发布时间：2021-05-25 12:28

　　量化是降低控制系统传输负载、提高控制系统运行效率的有效手段之一,特别适用于网络环境下的控制系统。但是量化也会带来信息传输精度的降低,而编解码机制正好可以弥补这一主要缺点。针对迭代学习控制（Iterative Learning Control,ILC）,如何将量化与编解码有机结合,实现系统的高精度跟踪控制,具有重要的理论意义和实用价值。本文研究了基于编解码的量化迭代学习控制问题,其中编解码是指对信号进行变换（编码）及还原（解码）的过程。本文首先在第一章介绍了预备知识,包括量化和丢包问题,另外还介绍了当前量化ILC的研究进展。第二章到第四章为具体研究内容及成果:1、第二章研究了无限和有限均匀量化器情形下基于编解码的量化ILC问题,其中,仅考虑在系统输出端量化的情形。在无限均匀量化器情形下,利用无限均匀量化器与编解码机制的有机结合模式,实现了此框架下的零误差收敛结果。分别考虑了线性系统与仿射非线性系统。仿真验证了理论结果。之后研究了有限均匀量化器情形下基于编解码的量化ILC问题,与无限均匀量化器情形下基于编解码的量化ILC问题相比,难点在于如何选择合适的量化器饱和上界,实现有限个量化级下,跟... 

【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校

【文章页数】：94 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题背景及意义
    1.2 迭代学习控制
    1.3 ILC的实际应用研究
    1.4 量化控制问题
    1.5 量化迭代学习控制研究现状
        1.5.1 基于对数量化器的有界收敛
        1.5.2 基于对数量化器的零误差收敛
    1.6 传输丢包问题
    1.7 本文的主要工作
第二章 基于均匀量化器的编解码迭代学习控制
    2.1 引言
    2.2 问题描述
    2.3 线性系统下基于无限均匀量化器情形
    2.4 非线性系统下基于无限均匀量化器情形
    2.5 线性系统下基于有限均匀量化器情形
    2.6 仿真实验
    2.7 本章小结
第三章 一般框架下的量化迭代学习控制
    3.1 引言
    3.2 问题描述
    3.3 无限量化级情形
    3.4 有限量化级情形
    3.5 仿真实验
    3.6 本章小结
第四章 随机丢包环境下的编解码迭代学习控制
    4.1 引言
    4.2 问题描述
    4.3 ILC算法设计与收敛性分析
    4.4 仿真实例
    4.5 本章小结
第五章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
硕士砑究生学位论文答辩委员会决议书


【参考文献】：
期刊论文
[1]Iterative Learning Control for Discrete-time Stochastic Systems with Quantized Information[J]. Dong Shen,Yun Xu.  IEEE/CAA Journal of Automatica Sinica. 2016(01)

博士论文
[1]基于LMI技术的量化控制系统优化设计[D]. 车伟伟.东北大学 2008



本文编号：3205340