دانلود مقاله ISI انگلیسی شماره 132478
ترجمه فارسی عنوان مقاله

کنترل یادگیری برای سیستم های خطی با حذف داده های کلی در هر دو طرف اندازه گیری و محرک: یک روش زنجیره ای مارکوف

عنوان انگلیسی
Learning control for linear systems under general data dropouts at both measurement and actuator sides: A Markov chain approach
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
132478 2017 18 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Journal of the Franklin Institute, Volume 354, Issue 13, September 2017, Pages 5091-5109

ترجمه چکیده
این مقاله به تجزیه و تحلیل یکپارچگی کنترل یادگیری تکراری برای سیستم های خطی کمک می کند که با حذف داده های کلی در هر دو طرف اندازه گیری و عملگر. با استفاده از مکانیزم جبران ساده برای داده های کاهش یافته، رفتار مسیر نمونه در محدوده تکرار مورد بررسی قرار گرفته و به عنوان یک زنجیره مارکوف اولویت بندی شده است. بر اساس زنجیره مارکوف، بازگشت خطای ورودی به عنوان یک سیستم سوئیچینگ اصلاح می شود و سپس یک اثبات همگرایی جدید در معنای تقریبا مطمئن در شرایط طراحی خنثی ایجاد می شود. مثالهای تصویری برای تایید نتایج نظری ارائه شده است.
پیش نمایش مقاله
پیش نمایش مقاله  کنترل یادگیری برای سیستم های خطی با حذف داده های کلی در هر دو طرف اندازه گیری و محرک: یک روش زنجیره ای مارکوف

چکیده انگلیسی

This paper contributes to the convergence analysis of iterative learning control for linear systems under general data dropouts at both measurement and actuator sides. By using a simple compensation mechanism for the dropped data, the sample path behavior along the iteration axis is analyzed and formulated as a Markov chain first. Based on the Markov chain, the recursion of the input error is reformulated as a switching system, and then a novel convergence proof is established in the almost sure sense under mild design conditions. Illustrative examples are provided to verify the theoretical results.