使用奇异值的迭代学习控制初始输入构造的上限

如果系统是盲目的启动，那么与相同的理论相比，为迭代学习控制（ILC）算法选择合适的初始输入已显示出更快的学习速度。 迭代学习控制是一种控制技术，它使用先前的连续投影来更新后续的执行/试验输入，以便高精度地遵循参考。 在ILC中，误差的收敛通常高度取决于应用于工厂的输入的初始选择，因此，良好的初始启动选择将使学习更快，结果，误差也趋于更快地归零。 在本文中，为试验1的输入信号的初始选择构造设置了上限，以使系统不会由于高频不确定性而趋于积极响应。 所提供的极限以奇异值形式找到，并且获得的仿真结果说明了背后的理论。