段星星的博客

时间序列预测相关概念时间序列 时间序列中连续的、不同时刻的随机变量，他们彼此之间都有一定的相关性 按照时间的顺序把事件变化发展的过程记录下来就构成了一个时间序列时间序列预测 对时间序列进行观察、研究，找寻它变化的规律，预测它将来的走势就是时间序列分析相空间重构 如果一个时间序列是由一个确定性的非线性动力系统产生的，则由时间序列来恢复并刻画原动力系统称为相空间重构相空间重构，即

自适应神经网络控制基本思路自适应控制率 u∗u^{*} u∗=−1b(x)[a(x)+v]−[1εb(x)+1εb2(x)−b(x)˙2b2(x)]esu^{*} =-\frac{1}{b( x)}[ a( x) +v] -\left[\frac{1}{\varepsilon b( x)} +\frac{1}{\varepsilon b^{2}( x)} -\frac{\dot{b( x)}}{

自适应控制自适应控制所讨论的对象，一般是指对象的结构已知，仅仅是参数未知，而且采用的控制方法仍是基于数学模型的方法但实践中我们还会遇到结构和参数都未知的对象，比如一些运行机理特别复杂，目前尚未被人们充分理解的对象，不可能建立有效的数学模型，因而无法沿用基于数学模型的方法解决其控制问题，这时需要借助人工智能学科，也就是智能控制自适应控制与常规的控制与最优控制一样，是一种基于数学模型的控制方法自

自适应控制设计（二）《自适应控制基本思想》一文主要介绍了自适应控制设计的基本思路，但是针对控制率的设计没有具体说明，这里针对反馈控制率的设计步骤进行具体介绍控制器设计基本思想对于任何一个动态系统，我们都可以根据Lyapunov稳定性设计其控制器，具体的说就是 首先根据期望值 xdx_{d} ，将原系统改为误差系统，即将 x˙=f(x,u)\dot{x} =f( x,u) 转化为 e˙=f(

泰勒展开式一元函数Taylor展开f(x)=f(x0)+f,(x0)(x−x0)+f,,(x)2(x−x0)2+...+fn(x)n(x−x0)n+Rf( x) =f( x_{0}) +f^{,}( x_{0})( x-x_{0}) +\frac{f^{,,}( x)}{2}( x-x_{0})^{2} +...+\frac{f^{n}( x)}{n}( x-x_{0})^{n}+R二元函数Ta

神经网络稳定性系统动力学系统表述研究一个系统最终目的是为了得到系统变量随时间变化的轨迹x(t)=f(t)x( t) =f( t)，但实际上，只能获取系统每时每刻的受力情况，而并不能直接知道最终的轨迹方程，这个是符合我们日常生活经验和逻辑的。因此，我们需要观察系统每一个时刻状态的变化情况，微分方程就是用于研究变量的变化率大小，我们称之为动力学方程。我们可以求解微分方程得到，得到最终的运动轨迹。综上，采

神经网络PID控制控制结构NNC控制器采用增量PID控制结构 x1(k)=e(k)=r(k)−y(k)x_{1}( k) =e( k)=r( k)-y( k) x2(k)=Δe(k)=e(k)−e(k−1)x_{2}( k) =\Delta e( k) =e( k) -e( k-1) x3(k)=Δ2e(k)=Δe(k)−Δe(k−1)=e(k)−e(k−1)−[e(k−1)−e(

最优控制在满足一定约束的情况下，寻求最优控制策略，使得性能指标取极大值或极小值 对一个受控的动力学系统，从一类允许的控制方案中寻找一个最优的控制方案，使得系统的运动从由某个初始状态转移到目标状态的同时，其性能指标值为最优性质在一般的情况下，由极大值原理算出的最优控制是时间tt的函数u(t)u(t)，称为程序控制或者开环控制程序控制的主要缺点，是不能消除或者抑制由于参数的变动和环境的变化对系统造

神经网络控制学习方式学习方式就是基于什么进行学习，而随后讨论的学习规则是，基于此如何进行调整权值的算法 有监督的学习 有监督学习也称有导师学习，这种学习需要外界存在一个“导师”，它可以根据自身掌握的一些知识为神经网络提供对输入训练样本的期望响应。期望响应一般代表着神经网络的最优输出结果。当输入作用到网络时，神经网络的期望响应和实际响应相比较，产生误差信号，根据误差信号逐步而又反复地调整

高级Lyapunov稳定性基本概念函数及其导数的渐进性质f(t)˙→0\dot{f( t)}\rightarrow 0 ⇏\nRightarrow f(t)f( t)收敛 几何上，导数趋近于零意味着切线越来越平，但是并不意味着函数收敛。比如f(t)=sin(Ln(t))f( t) =sin( Ln( t))，f(t)=t√sin(Ln(t))f( t) =\sqrt{t} sin( Ln( t)