企业官网建设流程全解析

wordpress 时间,沧州网站seo公司,深圳入户申请网站官网,网站程序模块#x1f4a5;#x1f4a5;#x1f49e;#x1f49e;欢迎来到本博客❤️❤️#x1f4a5;#x1f4a5; #x1f3c6;博主优势#xff1a;#x1f31e;#x1f31e;#x1f31e;博客内容尽量做到思维缜密#xff0c;逻辑清晰#xff0c;为了方便读者。 ⛳️座右铭欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。本文目录如下⛳️赠与读者‍做科研涉及到一个深在的思想系统需要科研者逻辑缜密踏实认真但是不能只是努力很多时候借力比努力更重要然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学什么是电的时候不要觉得这些问题搞笑。哲学是科学之母哲学就是追究终极问题寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览免得骤然跌入幽暗的迷宫找不到来时的路它不足为你揭示全部问题的答案但若能让人胸中升起一朵朵疑云也未尝不会酿成晚霞斑斓的别一番景致万一它居然给你带来了一场精神世界的苦雨那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。或许雨过云收神驰的天地更清朗.......1 概述摘要该通信提出了一个系统的自适应滑模控制器设计用于具有不确定参数的非线性系统的鲁棒控制。开发了一种无需高频切换的适应调整方法以处理未知但有界的不确定性。跟踪性能有保证。通过使用李雅普诺夫理论证明了系统的鲁棒性和稳定性。不确定性的上限不需要提前知道。因此所提出的方法可以有效地实施。实验结果证明了所提出的控制方法的有效性。滑模控制SMC因其在匹配条件下对参数变化和外部干扰的鲁棒性而备受关注–。控制系统的鲁棒性非常重要因为在实际应用中存在各种不确定性。例如机器人的动力学是非线性的、耦合的并且是时变的。这些非线性系统存在结构化或非结构化的不确定性和外部干扰例如负载变化。因此开发简单且鲁棒的控制器以应对不确定系统具有重要意义。一般来说滑模控制需要一个适当的控制律使得滑模在有限时间内达到。系统轨迹会向滑模面移动并停留在其上。传统的滑模控制采用大增益的控制律这会导致在滑模阶段出现不希望的抖动现象。控制输入的抖动是不希望的因为它可能会激发高频动态并导致不稳定。为了消除抖动通常采用边界层技术并且已经开发了许多自适应方法来调整控制器增益–。通过这些方法系统性能得到了比较满意的改进。在和中当控制律中使用多个参数自适应时系统性能令人满意。另一种有趣的方法为离散非线性系统生成低抖动的控制信号。近年来智能控制器被提出与滑模控制相结合。例如提出了模糊神经网络和自适应模糊滑模控制器以减少控制抖动。在中研究了一种模糊控制器它可以在不产生高频抖动的情况下模拟滑模控制的动作。最近一些复杂的控制结构被提出例如用于机器人操作的模糊监督滑模结合神经网络控制以及将循环小脑模型语言控制器应用于自适应模糊滑模控制器的最新工作。然而上述所有文献都没有解决不确定输入系数矩阵的问题也没有保证跟踪性能。另一项最近的工作在中提出了结合模糊滑模控制方法、自适应调整规则和边界层技术的方法但其对不确定性的假设很难应用。在本文中提出了一种系统且简单的带有自适应调整的滑模控制ASMC。进一步处理了未知的系统和输入系数矩阵。基于李雅普诺夫理论保证了系统轨迹接近滑模面。只需要一个自适应增益参数。控制系统的稳定性和鲁棒性得到了证明跟踪性能也得到了保证。所提出的方法相对简单且有效。通过计算机仿真和实验结果展示了其鲁棒性和令人满意的性能。结论本文提出了一种针对一类不确定非线性系统的有效自适应滑模控制ASMC方法。该方法仅需要一个自适应增益参数。不仅控制系统对参数变化和外部干扰具有鲁棒性而且跟踪能力也得到了保证。特别值得一提的是该方法不需要系统不确定性的上界信息。因此所提出的方法可以有效地实现。在应用该方法时自适应增益参数的初始设置应小于系统不确定性的上界。然而这并不是该方法的真正限制因为可以选择一个足够小的数值。为了安全起见建议对控制输入设置一个限幅器以避免自适应增益参数意外无限制地增加。2 运行结果部分代码%% What happens if I use large weights? Or increased control cost near endinp DDPInput([3,3,3]);inp.ddp true;inp.ut_scale 9;sol entry_stochastic_gains_params(inp);save(HighControlWeight.mat,sol)sols{4} sol;inp.guess sol.u;for i 0:2inp.weights(1) i;sols{i1} entry_stochastic_gains_params(inp);endsave(HighControlWeights.mat,sols)%%inp DDPInput([1,1,0.2]);inp.horizon 250;% inp.guess ones(1,inp.horizon)*0.8;% inp.guess(linspace(5505,460,inp.horizon) 3000) 0.2;% Optimize gains for the new initial state/covinp.ut_scale [0, 5, 10];inp.terminal_plots true;sol_gains FixedGainOpt(inp);inp.ut_scale 15;inp.gains sol_gains.input.gains;sol entry_stochastic_gains_params(inp);inp.ut_scale [0, 5, 10];inp.terminal_plots false;inp.guess sol.u;sol_est FixedGainOpt(inp, false);sol_opt FixedGainOpt(inp);sols {sol, sol_est, sol_opt};save(MSLDetailedExample.mat, sols)%% Use this block to re-optimize a solution in solinp DDPInput([1,1,0.2]);inp.ut_scale [0, 5, 10];inp.horizon 250;inp.terminal_plots false;inp.guess sol.u;sol_opt FixedGainOpt(inp);%% Estimate the open loop dispersions for the heavy vehicle, guess trajinp DDPInput([0,0,0]);inp.ut_scale [0, 5, 10];inp.ut_scale 15;inp.horizon 250;inp.gains [0,0,0];inp.terminal_plots true;sol FixedGainOpt(inp, 0);% SolutionPlots(sol)% SolutionPlots(sol,HeavyOpenLoop)%% Call the Fixed GainOpt function with K0 and Kinput.gains% sweep over alpha maybe? need to save one of each for use in python% technically, for the closed loop especially, the linearization should use% the nominal trajectory as the reference, set the weights on all other% sigma points to zeroclear; clcinp DDPInput([0,0,0]);inp.ut_scale 12;inp.horizon 250;inp.lod 0.24;sol FixedGainOpt(inp);% save(UTExample_ClosedLoop, sol)% inp.gains [0,0,0];% sol FixedGainOpt(inp);% save(UTExample_OpenLoop, sol)%% Gather convergence data for three solutions, param unc only3参考文献文章中一些内容引自网络会注明出处或引用为参考文献难免有未尽之处如有不妥请随时联系删除。4Matlab代码、文章下载资料获取更多粉丝福利MATLAB|Simulink|Python资源获取