AI钱塘论坛（第32期）
主题：周期性干扰下网络化系统的迭代学习观测器设计
时间：2025年9月22日9:00-10:00
地点：二教南524会议室
主持人：孟雪阳
郭继跃博士
山东科技大学在读博士生，从事网络化系统的状态估计、迭代学习等研究工作，以第一作者身份发表SCI论文6篇（TOP期刊3篇，包括IEEE Transactions on Systems Man Cybernetics-Systems、IEEE/CAA Journal of Automatica Sinica、ISA Transactions），获国家发明专利授权1项。申请人攻读博士期间获硕士研究生国家奖学金和博士研究生国家奖学金各一次，担任多个SCI期刊的审稿人，并两次被TOP期刊Neurocomputing授予杰出审稿人奖。
报告摘要：周期性干扰广泛存在于工业系统中，是制约状态估计精度的关键因素。传统基于内模原理的谐波合成方法虽有效，但在处理复杂不连续干扰时存在固有的吉布斯现象，且难以适应通信资源受限的网络化环境。迭代学习观测器为周期性干扰的渐近抑制提供了新途径，其无需频率成分与复杂谐波合成，仅需已知干扰的基本周期，即可实现（包括不连续波形在内的）干扰估计。然而，迭代学习观测器的现有理论在系统性与实用性方面仍存在明显不足。首先，适用于“仅干扰具有周期性”这一普遍情形的迭代学习观测器设计理论尚不完善；其次现有研究大多忽略通信网络约束，缺乏迭代学习观测器与网络诱导现象的协同设计理论，难以应对实际工程中通信资源受限的挑战。针对上述问题，本报告旨在构建一套较为完备的、适用于网络化环境的迭代学习观测器设计理论。核心研究目标是在仅干扰具有周期性且可能不连续的前提下，建立一套能够应对多种系统类型、多种外部噪声以及多种网络诱导现象的迭代学习观测器设计框架。