主页
分布参数系统控制（三）：求解模型
在建立系统方程后，便可以求解系统的状态变量随时间的函数了，当然此时系统需要满足一定条件。本文将以上一章得到的系统状态方程为基础，对一般系统求解进行推导。系统状态方程如下： \begin{eqnarray} \dot{x}(t)&=&\mathcal{A}x(t)+\mathcal{B}u(t),\ &t>0,\ x(0)=x_0\in X\tag{1}\\ y(t)&=&
分布参数系统控制（二）：建立模型
我们在分析一个实际系统前往往需要将它转化为抽象的模型，再通过数学上的方法进行分析。而这其中往往涉及到一些物理化学方面的知识，因此本次学习不是分布参数系统的重点。本次学习将以导热棒为例，使我们对分布参数系统建模有一个初步的印象。 概述 不管是什么系统，对其进行建模的方法都类似：通过系统中各个物理量的相互作用来建立相应的平衡方程，再对这些方程施加一些外部条
分布参数系统控制（一）：数学基础
分布参数系统控制是控制理论的一个重要分支。相对于集总参数系统，分布参数系统使用分布参数的偏微分方程对系统进行描述，并且结果比集总参数系统要精确的多，但问题求解的复杂度也要高得多，可以说是相当难的一个方向。本次学习材料主要是RSVP的上课课件以及我们Deutscher教授编著的德语材料：Zustandsregelung verteilt-parametrischer Syst
Backstepping（反步控制）
Backstepping（反步控制）是一种设计非线性系统控制器的方法。它通过对子系统的递归方便地求得能使系统稳定的输入。但大多数相关文献中并未考虑系统本身的可控性，因此首先我们假设需要控制的系统是可控的。 基本思想 Backstepping针对的是能写成如下形式的系统： \begin{cases} \dot{x}_1=x_2+f_1(x_1)\\ \
Tensorflow学习（二）
当我们学习一个新的编程语言时，输出的第一句话一定是“Hallo World”；当我们学习一个新的深度学习框架时，跑的第一个数据集一定是MNIST。这是Tensorflow官方教程的原话。MNIST是一个简单的计算机图像数据集，它由一系列大小为28×28的手写数字图像以及它们的标记组成（如下图所示），可以算是最简单的数据集之一啦。 本次学习会使用两种不同
Tensorflow学习（一）
Tensorflow是一个强大的深度学习框架，通过它可以方便地配置、训练以及评估模型。本次学习材料主要是Tensorflow官方教程、Deeplearning.ai课程以及一些网上的资料，并会加上自己的一些理解及想法。此外，本次学习针对的是机器学习在Tensorflow中的应用，不会对其理论做过多的阐述。 理解Tensorflow Tensorflow