下载后参考以下文件的使用方法。 https://github.com/mathworks/mpc_implementation_example/blob/master/MPC_imple_PJ_説明資料.pdf
解释主要是关于现场脚本。在下面的链接中，我们上传了实时脚本的 Markdown 版本，因此您可以使用 Web 浏览器浏览内容。 https://github.com/mathworks/mpc_implementation_example/blob/master/MPC_imple_PJ/common/MPC_Design_index_md.md
[版本] R2021a：当前R2020b： https : //github.com/mathworks/mpc_implementation_example/archi
2021-09-16 13:49:43
7.23MB
1
预测分子活性
使用QSAR机器学习模型预测有机分子与特定受体的分子结合活性。
诸如此类的虚拟筛选技术通过减少经过高通量筛选的潜在药物的数量来降低药物发现的成本。 该项目表明，机器学习模型可以从药物的分子定量结构-活性关系（QSAR）数据有效预测候选药物。
该代码在ipynb文件中提供，该文件需要一段时间才能运行。 还提供了以科学论文格式对该项目的深入描述。
2021-09-15 18:56:22
1.49MB
1
acc的matlab代码不确定线性系统鲁棒模型预测控制的保成本法
该存储库实现了保证成本模型预测控制器（GCMPC），并包含论文“不确定线性系统的鲁棒模型预测控制的保证成本方法”的补充材料。
它包含：
GCMPC
Matlab实施；
本文数值示例的源代码；
该存储库已移动，要访问它，请访问：
引用
@inproceedings
{massera2016guaranteed，作者=
{CM
Massera和MH
Terra和DF
Wolf}，书名=
{2017
American
Control
Conference（ACC）}，书名=
{用于不确定线性系统的鲁棒模型预测控制的保证成本方法}，年份=
{
2017}，页面=
{4135-4140}，doi
=
{10.23919
/
ACC.2017.7963590}，月份=
{May}，}
2021-09-15 15:04:11
13KB
1
控制工具箱
这是Control Toolbox，这是一个有效的C ++库，用于机器人技术中的控制，估计，优化和运动计划。
链接至Wiki， 在找到详细的文档。
总览
这是ADRL控制工具箱（'CT'），这是一个开放源代码的C ++库，可用于高效建模，控制，估计，轨迹优化和模型预测控制。 CT适用于各种动态系统，但具有专门为机器人设计的其他建模工具。 该页面概述了其一般概念，主要构成部分并重点介绍了选定的应用示例。
该库包含多种工具，用于设计和评估控制器，对动态系统进行建模并解决最佳控制问题。 CT的设计考虑了以下特征：
系统与动力学：
由常微分或差分方程控制的系统的直观建模。
轨迹
2021-09-13 15:13:43
4.67MB
1
定性预测、回归预测、时间序列平滑预测、趋势曲线模型预测、季节变动预测、马尔科夫预测、确定型决策、非确定型决策、风险型决策、贝叶斯决策、多目标决策等。通过学习，使学生掌握基本预测理论与方法，培养学生根据实际条件选择并建立模型进行预测与决策的能力
2021-09-11 20:27:12
178KB
1
亲自测试可用。能够做到预测未来7个单位的数据 本程序主要用来计算根据灰色理论建立的模型的预测值。 应用的数学模型是 GM(1,1)。 原始数据的处理方法是一次累加法。
2021-09-10 09:25:37
1KB
1