...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Automatic Control, IEEE Transactions on >A Novel Markov Chain Based ILC Analysis for Linear Stochastic Systems Under General Data Dropouts Environments
【24h】

A Novel Markov Chain Based ILC Analysis for Linear Stochastic Systems Under General Data Dropouts Environments

机译：一般数据丢失环境下基于Markov链的线性随机系统的ILC分析

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This technical note contributes to the convergence analysis for iterative learning control (ILC) for linear stochastic systems under general data dropout environments, i.e., data dropouts occur randomly at both the measurement and actuator sides. Data updating in the memory array is arranged in such a way that data at every time instance is updated independently, which allows successive data dropouts both in time and iteration axes. The update mechanisms for both the computed input and real input are proposed and then the update process of both inputs is shown to be a Markov chain. By virtue of Markov modeling, a new analysis method is developed to prove the convergence in both mean square and almost sure senses. An illustrative example verifies the theoretical results.
机译：本技术说明有助于在一般数据丢失环境下对线性随机系统的迭代学习控制（ILC）进行收敛分析，即数据丢失在测量侧和执行器侧均随机发生。存储器阵列中的数据更新的安排方式是，每个时间点的数据都独立更新，这允许在时间轴和迭代轴上连续丢失数据。提出了针对计算输入和实际输入的更新机制，然后将这两个输入的更新过程显示为马尔可夫链。借助于马尔可夫模型，开发了一种新的分析方法以证明均方和几乎确定意义上的收敛性。一个说明性的例子验证了理论结果。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号