Рекуррентные алгоритмы адаптации

РЕКУРРЕНТНЫЕ АЛГОРИТМЫ АДАПТАЦИИ [c.80]

Существенное влияние на быстроту сходимости и другие свойства рекуррентных алгоритмов адаптации (3.41) оказывает выбор параметров 7 , Естественно подчинить этот выбор требованию конечности времени адаптации. [c.82]

Синтезируем оптимальный рекуррентный алгоритм адаптации вида (3.41) из условия минимизации идентификационного функционала (3.24). Рассмотрим важный частный случай, когда Yh = 1. В этом случае оптимальные параметры определяются по формуле [c.83]

Рассмотрим рекуррентный алгоритм адаптации (3.41), где Yd = 1, а параметр выбирается на каждом шаге из условия минимизации функционала (3.46), т. е. [c.84]

Приведем явную формулу локально-оптимального рекуррентного алгоритма адаптации 142 [c.156]

Простейший локально-оптимальный рекуррентный алгоритм адаптации имеет вид [c.167]

Если все параметры известны, то регулятор (5.44) обеспечивает желаемый вид переходного процесса, изображенный на рис. 5.17, а штрих-пунктирной линией. Если же масса груза и другие компоненты вектора параметров неизвестны, то переходный процесс под действием регулятора (5.44), рассчитанного на номинальную нагрузку (соответствующую грузу массой 0,5 кг), ухудшается. На рис. 5.17, а он изображен штриховой линией и наглядно демонстрирует снижение точности и быстроты позиционирования. Причиной этого являются параметрические возмущения. Для их компенсации использовался адаптивный закон управления вида (5.48), (5.53), причем в качестве алгоритма адаптации использовался рекуррентный локально-оптимальный алгоритм (5.50). Как [c.170]

В качестве алгоритма адаптации (АА) в этом эксперименте использовался рекуррентный локально-оптимальный алгоритм [c.302]

Логика коррекций параметров закона управления (3.27) в соответствии с рекуррентным алгоритмом адаптации (3.15) и (3.41) очень проста оценка на fe-м интервале управления не изменяется, если эстиматорные неравенства выполняются, в противном случае осуществляется адаптивная коррекция в первый момент нарушения неравенств t k при t > tk. Для коррекции нужна только информация о значении эстиматорной ф функции в момент t l, т. е. информация о факте и о степени нарушения неравенств (3.13). Такая рекуррентная схема не требует памяти для хранения информации о нарушении эстиматорных неравенств в предыдущие моменты времени. [c.82]

Значительный интерес представляет также оптимизация рекуррентных алгоритмов адаптации по отношению к эстиматор-ному функционалу качества. Примером такого функционала может служить функционал [c.84]

На практике быстрота сходимости описанных рекуррентных алгоритмов адаптации может оказаться недостаточной, поэтому возникает необходимость в акселеризации алгоритмов, направленной на сокращение общего времени адаптации. [c.84]

Таким образом, вопрос о целесообразности применения аксе-лерантных или обычных рекуррентных алгоритмов адаптации тесно связан с проблемой эффективности всего процесса в целом, т. е. с общим объемом вычислений, затрачиваемых на адаптацию. В связи с этим возникает задача конструирования акселерантных алгоритмов адаптации, менее трудоемких, чем оптимальный алгоритм (3.41), (3.48), но обладающих существенно большей быстротой сходимости по сравнению с обычными рекуррентными алгоритмами вида (3.41), (3.44) или (3.45). [c.85]

Процесс адаптации с критерием качества (3.28) сводится к поиску решения системы эстиматорных неравенств. Это соображение наводит на мысль о том, что в качестве алгоритмов адаптации можно использовать соответствующие модификации алгоритмов выпуклого программирования. Значительный интерес представляют также разного рода рекуррентные алгоритмы вида (3.15), обладающие свойством конечной сходимости [109, 132]. В конкретных задачах адаптивного управления с идентификацией удобны эстиматорные неравенства вида (3.26). Легко видеть, что эти неравенства также выпуклы и разрешимы с запасом б > О при т = и л = 0. Для их решения опять-таки применимы соответствующие модификации алгоритмов выпуклого программирования, которые выступают здесь как алгоритмы адаптивной идентификации неизвестных параметров. [c.76]

Преимущество акселерантного оптимального алгоритма адаптации (3.41), (3.48) перед другими рекуррентными алгоритмами заключается в высокой быстроте сходимости и точности адаптации. Однако трудность вычислений на одном шаге этого алгоритма определяется необходимостью обращения матрицы вторых производных ф (То, о) (при условии, что она не вырождена) и может оказаться чрезмерно высокой. В то же время локально оптимальные алгоритмы адаптации вида (3.41), (3.45) или (3.47), не требующие вычисления и обращения матрицы ф (т, t), существенно проще для вычисления. При этом они обеспечивают решение эстиматорных неравенств (4.1) через конечное число шагов. [c.85]

Моделировался закон управления вида (5.11), неичвесгные параметры которого заменялись их оценками т,,, определяемыми по результатам наблюдений за реальным движением с помощью некоторого алгоритма адаптации вида (5.15). В качестве алгоритма адаптации использовался рекуррентный локально оптимальный конечно-сходящийся алгоритм градиентного (по отношению к -j rn-маторным неравенствам) типа [c.147]

В качестве алгоритма настройки параметров, представляющего собой алгоритм адаптации, можно взять рекуррентный или многошаговый оптимальный алгоритм решения системы эстиматорных неравенств вида [c.156]

В качестве примера приведем рекуррентный локально-оптимальный алгоритм адаптации градиентного (по отношению к эсти-маторной функции ф) типа. Этот алгоритм определяется формулами [c.298]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...