申请/专利权人：西安工程大学

申请日：2024-01-10

公开（公告）日：2024-06-21

公开（公告）号：CN117850237B

主分类号：G05B13/04

分类号：G05B13/04

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本公开提供一种基于迭代学习控制的跟踪处理方法、装置、设备和介质，包括：获取线性离散系统的参数模型，线性离散系统的参数模型中包括：状态向量对应的参数子模型和系统输出变量对应的参数子模型；对线性离散系统的参数模型进行堆栈处理，得到线性离散系统的参数模型对应的对称学习增益模型，对称学习增益模型用于描述不同控制信号对应的多次迭代模型；基于对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对对称学习增益模型进行优化处理，得到目标跟踪模型；基于目标跟踪模型，对相应对象进行跟踪处理。从而，通过设置合适的对称学习增益模型，有效实现对象跟踪，便于提高重复运作的产业的性能。

主权项：1.一种基于迭代学习控制的跟踪处理方法，其特征在于，包括：获取线性离散系统的参数模型，所述线性离散系统的参数模型中包括：状态向量对应的参数子模型和系统输出变量对应的参数子模型；对所述线性离散系统的参数模型进行堆栈处理，得到所述线性离散系统的参数模型对应的对称学习增益模型，所述对称学习增益模型用于描述不同控制信号对应的多次迭代模型；基于所述对称学习增益模型，给定初始控制信号，并采用预设迭代控制算法对所述对称学习增益模型进行优化处理，得到目标跟踪模型；基于所述目标跟踪模型，对相应对象进行跟踪处理；其中，所述状态向量对应的参数子模型用于描述迭代次数、时间变量、第一维度矩阵、第一系统不确定项以及第一系统外界干扰项之间的关系；所述系统输出变量对应的参数子模型用于描述第二维度矩阵、第二系统不确定项、第二系统外界干扰项以及所述状态向量对应的参数子模型之间的关系；所述状态向量对应的参数子模型和所述系统输出变量对应的参数子模型为： ； 为状态向量对应的参数子模型，为系统输出变量对应的参数子模型，k为所述迭代次数，t为所述时间变量，A和B均为所述第一维度矩阵，C为所述第二维度矩阵，△A和△B均为所述第一系统不确定项，△C为所述第二系统不确定项，为所述第一系统外界干扰项，为所述第二系统外界干扰项，为控制信号；所述对称学习增益模型用于描述初始状态、系统脉冲响应矩阵、系统不确定矩阵、输入噪声、测量噪声以及输入信号之间的关系；所述对称学习增益模型为： ； G和△G均为下三角矩阵，G表示所述系统脉冲响应矩阵，用于描述和所述初始状态v相关的固定向量，△G表示所述系统不确定矩阵，为所述测量噪声，为所述输入信号。

全文数据：

权利要求：

百度查询： 西安工程大学 基于迭代学习控制的跟踪处理方法、装置、设备和介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD