Iterative learning control for linear discrete delay systems via discrete matrix delayed exponential

对于一类具有随机变迭代长度的问题，如功能性电刺激，用户可以提前结束实验过程，论文也是将离散矩阵延迟指数函数引入到状态方程中。
论文中关于迭代长度有三个定义值：$Z^{T}a$ 为最小的实验长度，$Z^{T}d$ 为期望实验长度，$Z^{T}k$ 为k次迭代的实验长度。

柯西状态方程如下：

$$\begin{array}{rl}x(t+1)& =Ax(t)+A_{1}x(t-\sigma )+f(t),t\in {\mathbb{Z}}_0^{\infty }\\ x(t)& =\phi (t),t\in {\mathbb{Z}}_{-\sigma }^0\end{array}$$
引入离散矩阵延迟指数函数，状态x(k)的解为：
$$\begin{array}{rl}x(t)=& A^t{e}_{\sigma }^{B_{1}t}{A}^{-\sigma }\phi (-\sigma )+\sum _{j=-\sigma +1}^0{A}^{(t-j)}{e}_{\sigma }^{B_1(t-\sigma -j)}[\phi (j)-A\phi (j-1)]\\ & +\sum _{j=1}^t{A}^{(t-j)}{e}_{\sigma }^{B_1(t-\sigma -j)}f(j-1)\end{array}$$

随机变迭代实验长度内容部分：

存在两种情况：1. $T_k>T_d$，2. $T_a<T_k<T_d$ 。对于第一种情况，只用Td以内的数据用来更新输入信号，对于第二情况只用$Tk$之内的数据进行更新。
η_k (t)为伯努利分布，其中值1表示以p(t)的概率运行到t时刻，值0表示以1-p(t)的概率不能运行到时刻t。对于Ta到Td这段时间的概率计算公式如下：
$$p(t)=\{\begin{array}{ll}1,& t\in {\mathbb{Z}}_0^{T_a}\\ {\sum }_{i=t}^{T_d}{p}_i,& t\in {\mathbb{Z}}_{T_{a+1}}^{T_d}.\end{array}$$
举一个例子通俗地讲一下，上面地内容主要是用在算法收敛性证明的。前6次迭代实验的长度如下图所示，1为上面伯努利分布的1事件，0同理。

把Ta=6作为最小的运行时刻，期望运行时刻为Td=10，第一次迭代的终止时刻为6，把这个事件称之为M6，第六次迭代时，到T=11结束，即运行时刻大于Td，把这种情况同样视为M10。在上面的这张表中，运行到[7,10]的概率如下所示：其中pi为事件Mi发生的概率。那么系统能运行到时刻8的概率p(8)等于大于时刻8事件的概率3/5。
p(t)的概率表达式为：
$$p(t)=\mathbf{P}\left[\bigcup _{i=t}^{10}{\mathbf{M}}_i\right]=\sum _{i=t}^{10}\mathbf{P}\left[{\mathbf{M}}_i\right]=\sum _{i=t}^{10}{p}_i$$

关于误差的定义

由于存在实际实验长度小于期望长度，所以这部分的误差当作0来计算：
$${\tilde{e}}_k(t):={\eta }_k(t)e_k(t)=\{\begin{array}{ll}{e}_k(t),& t\in {\mathbb{Z}}_0^{T_k}\\ 0,& t\in {\mathbb{Z}}_{T_{k+1}}^{T_d}\end{array}$$

两种学习控制律

$$u_{k+1}(t)=u_k(t)+L_1{\tilde{e}}_k(t),t\in {\mathbb{Z}}_0^{T_d}$$
$$u_{k+1}(t)=u_k(t)+L_2{\tilde{e}}_k(t+1),t\in {\mathbb{Z}}_0^{T_d}$$
对于(9)式要把期望时间间隔设置为0到Td+1。算法的收敛性略（其实是我不会）。
代码见GITHUB