利用ADP中的HDP(with two Critic Network)求解离散非线性系统，代码利用python实现。构建评价网络(Critic Network)、模型网络(Model Network)，Model Network直接用原系统代替。(需要安装Pytorch;由于保存结果，因此需要在根目录先创建ADPresultfig文件夹;python文件只需要放在根目录下即可。)

基于Matlab_Simulink非线性系统相轨迹的绘制

基于扰动观测器的具有不匹配扰动的非线性系统的扰动抑制

非线性系统理论控制器设计，包括EMK控制器设计，自适应控制器设计，并有结果对比，非常适合刚学习的同学。

介绍了非线性模型预测控制算法结构, 提出了基于遗传算法的非线性模型预测控制方法, 将遗 传算法作为优化技术用于受限非线性模型预测控制器的设计。 算法采用双模控制策略, 将保证预测控制 算法稳定性的终点等式约束转化为终点不等式约束, 以利于遗传算法的实施。基于不变集理论, 给出了 非线性模型预测控制算法的稳定性定理。仿真结果表明了所提出控制算法的可行性和有效性。

噪声系统辨识噪声系统辨识噪声系统辨识噪声系统辨识

针对带有未知虚拟控制增益符号的一类非线性系统,采用基于参数的坐标变换和参数重定义,将该系统转化为参数输出反馈形式, 从而将未知的虚拟控制增益归入高频控制增益中.由于该高频控制增益符号未知,将Nussbaum增益技术融入自适应Backstepping方法中设计自适应输出反馈控制器.采用调节函数法设计参数自适应律以避免过参数估计.该方法所设计的自适应输出反馈控制器可确保闭环系统的所有信号一致有界,且跟踪误差渐近收敛.仿真研究表明了该设计方法的有效性.

matlab建立两个隐含层的代码使用多个NARMA-L2模型的数据驱动的非线性系统识别和控制 该存储库为固定结构的前馈神经网络提供了自制的C ++代码，以使用实验输入输出数据来识别（近似）NARMA-L2模型。 有关NARMA模型，NARMA-L2模型以及基于多个NARMA-L2模型的控制的更多详细信息，请参阅我们的论文。 NARMA-L2模型的网络结构如下所示。 请注意，该项目主要是从头开始使用像C ++这样的困难语言来练习神经网络的开发。 在我们的论文中，我们实际上是使用MATLAB神经网络工具箱构建网络的，该工具箱比基于C ++的实现要复杂得多，但效率较低。 由于其更先进的训练算法，MATLAB工具箱的拟合性能比这种简单的实现要好。 如果您想要行业级的网络工具，则建议使用PyTorch或TensorFlow。 特征 该神经网络从头开始用C ++编码，而不是依赖于现有的库（例如MATLAB神经网络工具箱或TensorFlow） ，从而使其成为专门为NARMA-L2模型识别和控制而设计的轻巧且自包含的工具。 由于通过正确使用线性代数库进行了完全矢量化，因此此实现非常有效。 可以任意指

⑴ 了解随机信号自身的特性，包括均值（数学期望）、方差、相关函数、频谱及功率谱密度等。 ⑵ 研究随机信号通过线性系统和非线性系统后的均值方差、相关函数、频谱及功率谱密度有何变化，分析线性系统和非线性系统受随机信号激励后的响应。 ⑶ 掌握随机信号的分析方法。

利用状态依赖控制策略对切换信号进行设计, 使得一类参数不确定时滞非线性切换系统指数稳定且具有一定的H∞ 抗干扰性能. 利用Lyapunov-Krasovskii (LK) 函数方法, 以线性矩阵不等式组的方式, 给出了稳定切换律存在的充分条件, 并且该系统是指数稳定的. 通过引入自由矩阵并结合积分不等式技巧, 得到了保守性较低的稳定性条件. 仿真算例表明了所提出方法的有效性和较低的保守性.