【8页】外文翻译--跟踪控制的非线性集中机械连续时间系统文档在线下载

这有助于保持低的未知模型参数的数量和产生的物理状态变量。

可以得到准确的跟踪控制，使用的非线性内模控制计划和汉森。

计制信号。

用迭代可以得到学习它表明，这些系统通常包含重要的是，身体上的解释，线性除了非线性特性的动态。

提出个新的非线性时不变非线性状态空间模型结构多输入多输出或多元系统。

它由个线性和非线性部分。

非线性部分采用所谓的功能，捕捉到个黑盒子的非线性系统的特点设置。

在本文所讨论的功能对应的形神经元，这已被证明要成功地逼近复杂的非线性函数。

本文主要论点集中集中机械系统。

本文主要论点集中集中机械系统。

在本文所讨论的功部分。

非线性部分采用所谓的功能，捕捉到个黑盒子的非线性系统的特点设置。

部分内容简介型是非常广阔，斯坦尼斯瓦夫乌拉姆，现在被称为教父非线性科学的句名言使用非线性科学词是这样调用的大宗生态研究非大象。

本文提出个新的非线性时不变非线性状态空间模型结构多输入多输出或多元系统。

它由个线性和非线性部分。

非线性部分采用所谓的功能，捕捉到个黑盒子的非线性系统的特点设置。

在本文所讨论的功能对应的形神经元，这已被证明要成功地逼近复杂的非线性函数。

本文主要论点集中集中机械系统。

它表明，这些系统通常包含重要的是，身体上的解释，线性除了非线性特性的动态。

为了捕捉这些动力学模型的线性部分，个直观的两步迭代估计模型参数识别算法。

它候补估计参数的线性和非线性模型结构在每个部分迭代。

中提出了类似的建模概念和两步识别程序。

本文提出的建模方法，然而，更普遍的，因为非线性部分是基于形神经元。

非线性模型结构提出的是静态的非线性模型，分别。

提出的建模方法的主要缺点是非线性部分是在未知参数的非线性，因此需要非线性技术来估计他们没有保证全局收敛。

鉴定假设，除了输入和输出，同时美国和其时间的导数是可用的。

这是个重要的限制提出建模中的应用方法。

然而，它在本文说明了这种限制可以通过适当的仪器克服集中的机械系统。

本文还提出了种测量和信号处理程序，以取得美国和其衍生物的准确估计，集中机械传感器融合系统的基础上。

与直观的两步相结合的新模式结构迭代识别算法产生个灰框建模方法。

它的主要优点这种建模方法是可以复制到系统的物理模型的结构提出的模型，同时也建立了黑盒估计技术用于识别非线性特点。

这有助于保持低的未知模型参数的数量和产生的物理状态变量。

可以得到准确的跟踪控制，使用的非线性内模控制计划和汉森。

计制信号。

用迭代可以得到学习，准确的跟踪系统模型，即使是不确定的。

国际劳工大会是只适用于在有限的时间间隔执行相同的动作重复的系统。

上的研究线性控制，也就是说，国际劳工大会的线性系统的基础上，系统的线性模型，是有本等人的工作。

个历史概况算法的般分类摩尔提出。

的具体程序及其应用概述，如果系统太非线性，收敛的程序可以是缓慢的，需要很多试验前获得个预定义的跟踪精度。

此外，德表明，由于系统的非线性，程序未能产生预期的跟踪精度。

本文提出了个新的基于模型的非线性迭代学习控制的法律。

它是基于计划通过引入迭代学习的行为。

在每个控制信号迭代是基于以前的控制信号和参考输出之间的差异和测量产量预测模型的输入空间。

由于更新使用仅信息上次迭代，它是个开放的循环的过程这样的闭环稳定性，是不是个问题。

这的法律规定在每次迭代逆信号个模型计算测得的输出，即模型的输入信号，产生测量输出。

等人。

开发基于逆非线性系统离线迭代反演过程伯恩斯正常形态转化。

般正常形式和反硬盘，如果不是不可能的，找到。

此外，在非最小相位系统的情况下，该过程产生的非因果无限的时间跨度的控制信号。

本文提出了种新的计算方法这反反复使用牛顿的方法，的信号。

国际劳工公约中的应用隐含的假定周期性参考信号。

因此，本文的主要论点集中在稳态跟踪性能。

在稳态周期性输出生成的逆周期信号被称为稳定国家反。

它在本文所示，使用这种新的方法来计算这个稳态逆产量在频域的紧凑实施。

最高频率可以定义，稳态逆反转模型。

当应用在的过程反演方法这个最大频率对应的跟踪带宽，也就是说，带宽高达该学习是有效的。

模型结构，识别算法，的过程和稳态计算逆已室内耐久性试验，在头脑中的汽车行业中的应用与开发。

这些测试对应个跟踪控制问题，需要计算执行机构控制信号设备故障重现，直到下所谓的目标信号对室内的液压试验台测试。

这种测试平台，可以充分集中机械系统建模。

此外，参考轨迹或目标信号被复制多次这样的国际劳工公约适用的。

这些目标的信号假设定期和带限。

本文提出的模型结构的实验验证，识别算法，的过程和计算稳态逆非线性测试这代表了个单输入单输出的液压试验台的规模模型的设置。

结果表明，应用的程序，改进跟踪精度和更快的收敛速度得到比较到目前在工业中使用的程序。

结论本文提出了种新的非线性模型结构和种新的非线性迭代学习控制程序跟踪带限周期信号。

模型的结构和非线性迭代学习控制程序适用于多变量时不变非线性系统，最小和非最小相位。

非线性模型结构由线性和非线性模型的部分，因此适合显着的非线性动力学系统。

本文还提出了个直观的两步迭代识别算法，允许纳入模型结构的先验知识。

非线性迭代学习控制程序，是种基于模型的迭代前馈设计方法产生精确跟踪。

过程中的关键因素是种新的方法来计算所谓的稳态逆，即生产所需，定期，输出向量输入向量，个最大可以指定的频率。

该反演方法适用于多变量非线性状态空间模型，最小和非最小相位。

最大频率指定了个学习的带宽高达得到准确的跟踪。

提出的模型结构识别和非线性迭代学习控制程序较季度的汽车试验台的缩尺模型的非线性系统的实验验证。

这种非线性迭代学习控制程序与线性过程的比较显示了显着改进的收敛速度和跟踪精度。

附录英文译文跟踪控制的非线性集中机械连续时间系统基于模型的迭代学习方法本文提出了个非线性的基于模型的迭代学习控制程序，以实现准确的跟踪控制集中机械非线性连续时间系统。

在此模型结构迭代学习控制程序是新的，结合了线性状态空间模型和非线性特征空间的转变。

个直观的两步迭代算法，以确定模型参数。

这之间的线性估计和候补非线性模型的部分。

据推测，除了输入和输出信号系统的全状态向量可用于识别。

估计这些信号测量和信号处理程序集中机械系统。

迭代学习控制程序依赖于计算的输入生成个给定的模型输出，所谓模型反演。

非线性反演方法非线性连续时间时间不变，状态空间模型基于牛顿窭冱方法，提出并应用到新的模型结构。

该模型反演方法并不局限于最小相位模型。

它仅需要计算阶导数的状态空间模型，适用于多变量模型。

对于周期性参考方法产生的信号在频域的紧凑实施。

此外，它表明，带宽可以指定反演方法在迭代学习控制程序时，允许使用该学习。

非线性单输入单输出液压试验系统对应季度汽车的实验结果钻机正在呈现。

结果表明，新的非线性方法优于线性迭代学习控制方法这是目前在汽车行业使用的耐久性试验台。

介绍在许多控制应用系统动力学可近似线性模型，往往相加或相乘，不确定性如果这些线性模型的不确定性太大表现，可与线性控制技术获得将是温和的或不足。

如果是这样的情况下，有诉诸非线性模型非线性系统辨识和非线性控制技术。

但通常这些非线性系统辨识方法生成的模型，不满足非线性控制设计技术规定的条件和结构要求。

为例如大多数的非线性控制设计方法，假设个物理连续时间状态空间该系统的代表是，而现有的非线性系统识别程序产生的离散时间，黑盒，投入产出模型。

此外，通常之间没有直接联系存在不同的系统表示，由于是线性系统。

这是个事实的后果，类非线性系统和模型是非常广阔，斯坦尼斯瓦夫乌拉姆，现在被称为教父非线性科学的句名言使用非线性科学词是这样调用的大宗生态研究非大象。

本文提出个新的非线性时不变非线性状态空间模型结构多输入多输出或多元系统。

它由个线性和非线性部分。

非线性部分采用所谓的功能，捕捉到个黑盒子的非线性系统的特点设置。

在本文所讨论的功能对应的形神经元，这已被证明要成功地逼近复杂的非线性函数。

本文主要论点集中集中机械系统。

它表明，这些系统通常包含重要的是，身体上的解释，线性除了非线性特性的动态。

为了捕捉这些动力学模型的线性部分，个直观的两步迭代估计模型参数识别算法。

它候补估计参数的线性和非线性模型结构在每个部分迭代。

中提出了类似的建模概念和两步识别程序。

本文提出的建模方法，然而，更普遍的，因为非线性部分是基于形神经元。

非线性模型结构提出的是静态的非线性模型，分别。

提出的建模方法的主要缺点是非线性部分是在未知参数的非线性，因此需要非线性技术来估计他们没有保证全局收敛。

鉴定假设，除了输入和输出，同时美国和其时间的导数是可用的。

这是个重要的限制提出建模中的应用方法。

然而，它在本文说明了这种限制可以通过适当的仪器克服集中的机械系统。

本文还提出了种测量和