LEARNING
面向不确定非线性系统的保证最优PID整定方法
Jingru Zhu, Cheng Zhao, Lei Guo
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文针对不确定非线性系统提出了一种近最优PID参数整定方法，结合滞回随机搜索与Kiefer-Wolfowitz算法，在仅利用输入输出数据的情况下保证收敛到ε最优解并维持闭环稳定性。该方法无需系统精确结构知识，为实际工程中的PID优化提供了理论保障。
关键词
PID tuningnonlinear systemsuncertain systemsiterative learningKiefer-Wolfowitz
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018