深度递归Koopman算子

未知时滞下鲁棒控制

无需系统不确定性或时滞先验知识，即可自主学习时滞非线性系统动力学并实现数据驱动预测控制。

Han, Minghao · Li, Zhaojian · 殷翔 · Yin, Xunyuan

IEEE Transactions on Industrial Informatics 2023

技术优势

无需预知时滞

通过深度递归Koopman算子，无需系统不确定性或时滞信息，即可自主学习非线性系统动力学。

鲁棒预测控制

基于学习的模型建立鲁棒预测控制框架，并给出闭环系统稳定性条件。

优于基线

在化工过程实例中，所提框架的性能优于基线方法。

应用场景

• 工业过程控制：直接处理时滞特性，无需建模或估计时滞，简化控制器设计。
• 机器人运动控制：在时滞和模型不确定性下实现鲁棒控制，提升运动控制精度。
• 脑机接口信号解码：无需系统模型，直接从数据学习非线性映射，适合复杂信号解码。