非线性系统RBF神经网络多步预测控制

基于Hammerstei模型的非线性预测控制

Hammerstein模型非线性预测控制的研究

RBF神经网络做回归预测代码.m

hslogic算法仿真-RBF神经网络预测训练 clear clc p=-1:0.1:0.9; t=load('rbf_data1.txt'); t1=clock; %开始计时 net=newff(p

基于RBF神经网络的非线性回归模型，黄涛，，RBF神经网络即径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结

针对复杂非线性系统的控制问题, 采用数据驱动的控制策略, 将具有本质自适应能力的即时学习算法与具 有强鲁棒性的滑模预测控制相结合, 设计了一种基于即时学习的滑模预测(LL-SMPC) 控制方法. 该方

基于无模型控制、粒子群优化和预测控制的思想, 提出一种新型非线性无模型预测控制器, 并对该控制器的收敛性进行了分析. 该控制器以带误差修正的泛模型为预测模型, 以高速收敛的粒子群优化算法为滚动优化策略

不确定离散非线性系统的滑模预测控制设计，赵杰梅，张利军，对于一类含有内动态的离散非线性系统，基于滑模预测控制(SMPC)技术，给出一个新的鲁棒控制设计算法。该控制方法通过使用反馈校正和

由Takagi–Sugeno模型表示的非线性系统的动态输出反馈预测控制

matlab的程序，以及c的程序，适合入门以及做各种项目的新手。老手也能在这个程序的基础上修改参数和训练方法得到自己要的值