针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。
2021-09-17 14:17:25
259KB
1
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
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
模型预测控制去零矢量法抑制共模电压，通过在传统模型预测控制的基础上去掉产生高共模电压的零矢量来抑制三相两电平逆变器的输出共模电压。效果良好。
2021-09-09 16:49:13
175KB
1