基于Lyapunov-Krasovskii泛函的时滞系统鲁棒控制

这是我在网上下载的一个Lyapunov指数计算的四种方法，有需要的可以参考下

Mathematica 代码绘制 Logistic 映射迭代轨迹图，以及 Lyapunov 指数。

传统基于低维混沌系统的图像加密算法往往具有密钥空间较小、安全性较差的问题。针对这些问题，首先提出了一类新的平衡点不稳定的四维离散混沌系统，通过数值仿真对该类系统进行了动力学行为分析，正的Lyapunov指数的个数可以达到三个。同时并基于该类混沌系统设计了一个新的图像加密方案，并进一步对明密文的分布直方图、相关系数、信息熵以及加密方案对参数的敏感性进行了分析。分析结果表明，该加密方案抵抗外来攻击的能力强，密钥空间可达2996，具有较高的安全性。

使用 Lyapunov Drift-Plus-Penalty 技术的随机网络优化

使用Matlab绘制Logistic的Lyapunov指数图和分岔图

在分析常用的计算最大Lyapunov指数小数据量法的基础上，研究了混沌吸引子时间轨道的不可逆特性，提出基于后向搜索和双向搜索计算最大Lyapunov指数的推广小数据量法通用经验公式。数值仿真表明，新方法比原来仅做前向搜索的小数据量法在计算准确度和抗噪声性能上更加优越。

这是我从网上下载的，我也在学习，大家一起进步，学习~

lyapunov指数总结，有详细的matlab程序

频率解析Matlab代码基于RNN的强化学习框架，可确保稳定的最佳频率 该存储库包含重现以下论文中显示的结果所必需的源代码： 作者：崔文琦和张宝森 华盛顿大学 动机 除了传统的线性下垂控制器以外，基于逆变器的资源的渗透率的提高还为我们提供了电力系统频率调节方面的更多灵活性。 由于具有快速的电源电子接口，与线性控制器相比，基于逆变器的资源可用于实现复杂的控制功能，并可能在性能上带来较大的收益。 通过将参数化为神经网络来发现这些非线性控制器，强化学习已成为一种流行的方法。 基于学习的方法面临的主要挑战是，很难对学习到的控制器强制执行稳定性约束。 另外，电力系统的时间耦合动力学将大大减慢神经网络的训练。 在本文中，我们建议对基于神经网络的控制器的结构进行显式设计，以确保所有拓扑和参数的系统稳定性。 这可以通过使用Lyapunov函数来指导其结构来完成。 基于递归神经网络的强化学习架构用于有效地训练控制器的权重。 最终的控制器仅使用本地信息并优于线性下降，以及仅通过使用强化学习而学习到的策略。 从提出的框架中学到的灵活的非线性控制器 在这里，我们展示了与线性下降控制相比，神经网络控制器的作用