使用机器学习模型预测NBA结果 该的目的是为我的实验中获得的结果提供可视界面。 我试图预测从2021年3月31日起的NBA比赛结果。 为此，我将使用两个机器学习模型，一个逻辑回归模型和一个带有线性核的支持向量机。 直到3月31日，NBA总共踢了695场比赛。 由于大流行，今年的赛程表发生了变化，因此每支球队只能参加72场比赛，而不是通常的82场比赛。 因此，常规赛总共将有1080场比赛。 这个想法是用这695个游戏（约占65％）训练模型，并对其余游戏进行“实时测试”，每天更新预测和结果。 为了进行培训，我使用了3月31日之前所有NBA游戏的数据。多亏了nbastatR软件包，我才能够轻松抓取boxscore数据和其他统计信息。 我转换了数据并实现了功能，以计算最近10场比赛的球队统计数据的移动平均值，并计算ELO评分（有关ELO评分的详细信息，请参见和）。 因此，训练数据集包含48个列

3.4 小角度假设下的车辆动力学模型 通过结合车辆空间状态方程和轮胎模型，可以建立非线性状态空间表达式， 但对于模型预测控制器的设计来说过于复杂，因此需要对其进行简化。由轮胎模 型纵向力-滑移率，侧向力-侧偏角和纵向力组合工况，侧向力组合工况曲线可知， 在侧偏角和纵向滑移率较小的时候，轮胎力可以采用线性函数近似描述。在侧向 加速度小于 0.4g 的情况下对常规轮胎具有较高的拟合精度，在这个范围内，可以 用式 3.1 和式 3.2 表示轮胎纵向力和侧向力。 在之前所建立的非线性模型中，存在较多的三角函数，增大了模型简化的难 度。因此在轮胎力的计算中，在小角度假设条件下，满足近似条件： cos 1,sin , tan       （3.23） 式中 可以表示为前轮转角，前、后轮轮胎侧偏角等。 通过简化，轮胎侧偏角的计算式可以表示为： f f y a x       （3.24） r y b x     （3.25） 根据轮胎侧偏角计算公式和线性轮胎模型，前、后轮侧向力计算公式为： ( ) cf cf f cr cr y a F C x b y F C x         （3.26） 前、后轮胎纵向力表达式为： , lf lf f lr lr r F C s F C S  （3.27） 将以上化简结果代入状态空间方程后，得到基于前轮小偏角和线性轮胎模型 假设的车辆动力学非线性模型： cr r cr 2[C ( ) C ] 2[C C ( ) C s ] 2[ ( ) C ] sin cos cos sin cf f lf f cf f lr z cf f y a b y my mx x x y a mx my s x y a b y I aC b x x Y x y X x y                                      （3.28） 在本文控制系统的预测模型中，状态量为  , , , , , T = y x Y X   ，控制量为 f   。 本论文以已有研究成果为基础，将 MPC（Model Predictive Control）算法应用 万方数据

MPsee 是一种数学工具，可收集有关任何优化控制问题的所有基本信息，然后自动生成快速在线非线性模型预测控制器 (NMPC)，用于仿真和实现目的。 它具有用户界面以定义最佳控制问题。 根据正确的问题定义，MPsee 生成相关的 MATLAB 代码。 然后，用户可以利用提供的 Simulink 库 (NMPCLib.slx) 在 Simulink 中实现和模拟他们的 NMPC。 MPsee 基于 c/GMRES 和 Newton/GMRES 实时优化方法生成 NMPC 控制器，并允许用户在单射和多射方法之间进行选择。 执照： MPsee Toolbox 在 Apache 许可下分发，版本 2.0 (Apache-2.0)，但没有任何保证； 甚至没有对适销性或针对特定目的的适用性的暗示保证。 在将理论和软件实现用于他们自己的研究或商业利用结果之前，用户有责任评估理论和软件实现的正确性。

由于常规CM(1，1)模型进行预测时，精度较高的仅是最近的几个数据，越往未来发展，该模型预测的精度也就越弱。针对常规GM(1，1)模型存在的不足，运用灰色系统理论，建立了灰色新陈代谢CM(1，1)河流水质预测模型，对该模型的精度以及误差进行了分析，并利用该模型对某地区河流的水质进行了预测。计算机实际模拟证明：灰色新陈代谢GM(1，1)预测模型能够明显地提高预测精度，增加预测的可靠程度，从而实现河流水质的早期预测评估。

学习模型预测的经典书--《神经·模糊·预测控制及其MATLAB实现》的内容做成的PPT，可以更助于理解MPC的概念，并且会指导matlab实现的步骤！

基于滑模磁链观测器的感应电机模型预测控制

对基于模型预测的原理、思想以及模型预测的特点进行分析研究 共53个章节 非常值得学习（53页）

训练完目标检测模型之后，需要评价其性能，在不同的阈值下的准确度是多少，有没有漏检，在这里基于IoU(Intersection over Union)来计算。 希望能提供一些思路，如果觉得有用欢迎赞我表扬我~ IoU的值可以理解为系统预测出来的框与原来图片中标记的框的重合程度。系统预测出来的框是利用目标检测模型对测试数据集进行识别得到的。 计算方法即检测结果DetectionResult与GroundTruth的交集比上它们的并集，如下图： 蓝色的框是：GroundTruth 黄色的框是：DetectionResult 绿色的框是：DetectionResult ⋂GroundTruth 红色

二次动态矩阵控制于 1970 年代由壳牌石油公司开发（Cutler 和 Ramaker，1979 年），是化学工业中常用的模型预测控制公式。 提交包含一个控制器文件来执行 QDMC 算法。 一个单独的文件显示了如何在一个简单示例的闭环仿真中使用控制器。 该公式遵循Enso Ikonen在“模型预测控制和状态估计”的讲义中使用的术语。

在 Simulink 中使用矩阵变换器仿真模型预测控制混合变换器