如果系统是盲目的启动,那么与相同的理论相比,为迭代学习控制(ILC)算法选择合适的初始输入已显示出更快的学习速度。 迭代学习控制是一种控制技术,它使用先前的连续投影来更新后续的执行/试验输入,以便高精度地遵循参考。 在ILC中,误差的收敛通常高度取决于应用于工厂的输入的初始选择,因此,良好的初始启动选择将使学习更快,结果,误差也趋于更快地归零。 在本文中,为试验1的输入信号的初始选择构造设置了上限,以使系统不会由于高频不确定性而趋于积极响应。 所提供的极限以奇异值形式找到,并且获得的仿真结果说明了背后的理论。