针对一类非正则分布参数系统的迭代学习控制问题进行讨论, 该类分布参数系统由抛物型偏微分方程构成. 基于非正则系统的特点, 使用D型学习律构建得到迭代学习控制律, 并基于压缩映射原理, 证明得到输出跟踪误差在??2 范数意义下沿迭代轴方向的收敛性结论. 仿真算例表明了所提出结论的有效性.

针对测量信号存在丢失和控制信号存在时滞的直线电机控制系统,研究PD型迭代学习控制算法的收敛性问题.假设数据丢失描述为概率未知的随机Bernoulli过程,其中丢失概率属于某个已知数值区间,利用超前法解决控制信号存在的时滞问题.基于Bellman-gronwall不等式和$\lambda$范数理论,证明了所提出的迭代学习控制策略能够使系统在有限时间内跟踪期望轨迹.最后通过仿真验证了所提出学习算法的有效性.

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前，主要采用 L0.或 L1 范数作为稀疏度量。L0 稀疏性好，但求解困难；L1 求解方便，但稀疏性差。提出一种近似稀疏模.型，并将其引入到多层非负矩阵分解(AL0-MLNMF)的高光谱解混中，将观测矩阵进行多层次稀疏分.解，提高非负矩阵分解高光谱解混的精度，提升算法的收敛性。仿真数据和真实数据实验表明：该算.法能够避免陷入局部极值，提高非负矩阵分解高光谱解混性能，算法精度上比其他几种算法都有较大.的提升效果，RMSE 降低 0.