RBF-PSO prediction

一个简单的Kalman滤波仿真，包括一些能量分配、信息融合等内容

matlab在振动信号处理中的应用.pdf

【实例简介】包括简单的波形分解与重构，以及进阶的灰度图像的分解与重构

复合材料刚度计算

MATLAB三次样条插值法 求信号的包络线 源代码

相空间重构matlab代码，经过实验可用。

rbf神经网络

《先进PID控制MATLAB仿真（4th）》pdf(带书签)+仿真程序

【实例简介】应用背景 车间调度问题是对n个工作在m个台机器上加工的问题。已知每个工作中工序加工顺序、各工序的加工时间以及每个工件所包含的工序，在满足约束条件的前提下，目的是确定机器上各工件顺序，以保证某项性能指标最优。 其中，车间调度问题的约束条件包括以下几个方面： （1） 在任一时刻一台机器最多只能加工一个工件； （2） 在任一时刻一个工件最多只能在一台机器上加工； （3） 一个工件一旦开始加工不允许中断； （4） 在零时刻，所有工件都可被加工； （5）任一工序只能在其指定的机器上加工，同一工件的所有工序必须满足预先给定的加工顺序。 程序功能说明：共4个工件，每个工件3个工序，6台机器，给出了每个工件的各工序能使用的机器序号矩阵Jm，求解最优调度方案的加工时间 关键技术 遗传操作包括以下三个基本遗传算子：选择、交叉、变异。 选择 ：从群体中选择优胜的个体，淘汰劣质个体的操作叫选择。选择的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的，轮盘赌选择法是最简单也是最常用的选择方法。 交叉 ：在自然界生物进化过程中起核心作用的是生物遗传基因的重组(加上变异)。同样，遗传算法中起核心作用的是遗传操作的交叉算子。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉，遗传算法的搜索能力得以飞跃提高。交叉算子根据交叉率将种群中的两个个体随机地交换某些基因，能够产生新的基因组合，期望将有益基因组合在一起。 变异：变异算子的基本内容是对群体中的个体串的某些基因座上的基因值作变动。一般来说，变异算子操作的基本步骤如下： a)对群中所有个体以事先设定的编译概率判断是否进行变异 b)对进行变异的个体随机选择变异位进行变异。 遗传算法引入变异的目的有两个:一是使遗传算法具有局部的随机搜索能力。当遗传算法通过交叉算子已接近最优解邻域时，利用变异算子的这种局部随机搜索能力可以加速向最优解收敛。显然，此种情况下的变异概率应取较小值，否则接近最优解的积木块会因变异而遭到破坏。二是使遗传算法可维持群体多样性，以防止出现未成熟收敛现象。此时收敛概率应取较大值。

基于协同控制策略，多无人机之间可以通过能力互补和行动协调，实现单架无人机任务能力的扩展以及多无人机整体效能的提升，进而解决个体能力限制与任务需求之间的矛盾。本文以多固定翼无人机姿态同步控制为例，分析无人机飞行过程中可能面临的实际情况，认为无人机模型或参数不确定、测量误差、干扰、系统中存在的时延及控制器故障是影响多无人机协同控制的主要因素。本文针对上述无人机中存在的复杂情况，分析和设计各中复杂情况下的多无人机协同控制算法，实现多无人机系统控制的稳定性。主要研究成果概括如下： 首先，根据牛顿力学对理想情况(无干扰或故障)下多固定翼无人机姿态运动过程进行数学建模，并根据构造的理想情况下固定翼无人机姿态运动的数学模型，结合无人机在运行过程中所面临的实际复杂情况，分别构建以下数学模型： (1) 伴随集成不确定项(外部干扰、模型或参数不确定、测量误差及控制器微小故障)的多固定翼无人机姿态运动数学模型。(2) 伴随集成不确定项以及状态时延的多固定翼无人机姿态运动数学模型。(3) 伴随集成不确定项以及控制器卡死故障的多固定翼无人机姿态运动数学模型。 然后，结合主从式协同控制策略和理想情况下多固定翼无人机姿态运动模型，设计多固定翼无人机姿态一致性控制方法。最后，设计相应的方法解决上述复杂情况下的多无人机姿态同步问题。针对包含集成不确定项的多无人机姿态运动方程，设计两种方法用以解决其姿态一致性同步问题，分别为在提出的基于主从式控制策略设计的姿态一致性控制方法中结合神经网络设计直接姿态一致性控制器以补偿不确定项；结合观测器与神经网络设计间接姿态一致性控制器以观测并补偿不确定项，并对比这两种方法各自的优劣性。针对包含集成不确定项以及状态时延的情况，在提出的基于神经网络的直接姿态一致性控制器的基础上，结合Lyapunov-Krasovskii函数以补偿时延造成的剧烈波动，最后通过理论证明及仿真验证其有效性，并对比有无Lyapunov-Krasovskii函数时无人机姿态的控制效果。针对包含集成不确定项以及控制器卡死故障的情况，在提出的基于观测器与神经网络的间接姿态一致性控制器基础上，结合基于扩展卡尔曼滤波器设计的故障检测方案和基于控制分配方法设计的控制器重构模块，确保各无人机在检测到控制器卡死故障的同时重构健康控制器，进而使无人机控制力矩及姿态稳定在期望值附近。 【核心代码】 程序 ├── 第3章│   ├── Cbn.m│   ├── Cnb.m│   ├── MultiUAVs_noNN.m│   ├── Uav_Model_FD.m│   ├── moment.m│   ├── nummarkers.m│   └── plotfit.m├── 第4-1节程序│   ├── Cbn.m│   ├── Cnb.m│   ├── MultiUAVs.m│   ├── Uav_Model_FD.m│   ├── moment.m│   ├── nummarkers.m│   └── plotfit.m├── 第4-2节程序│   ├── Cbn.m│   ├── Cnb.m│   ├── MultiUAVs.m│   ├── Uav_Model_FD.m│   ├── moment.m│   ├── nummarkers.m│   └── plotfit.m├── 第5章程序│   ├── Cbn.m│   ├── Cnb.m│   ├── Contrast_mutiUAVs.m│   ├── ShiftOperation.m│   ├── Uav_Model.m│   ├── moment.m│   ├── mutiUAVs.m│   ├── nummarkers.m│   └── plotfit.m└── 第6章程序    ├── Actuator_fault1.m    ├── Augmented_matrix_vector.m    ├── CD.mat    ├── Cbn.m    ├── Cnb.m    ├── Contrust_MultiUAVs.m    ├── Disred_control.m    ├── FDI_robust_false_alarm.m    ├── MoM.mat    ├── MultiUAVs.m    ├── Probability_Density_Adjust.m    ├── Simplified2_MultiUAVs.m    ├── Uav_Model_FD.m    ├── control_allocation.m    ├── control_two1ifault_allocation.m    ├── control_two2ifault_allocation.m    ├── control_two3ifault_allocation.m    ├── control_two4ifault_allocation.m    ├── control_two5ifault_allocation.m    ├── desired_torque_parameters.m    ├── fault_torque1.m    ├── fault_torque1i.m    ├── fault_torque2i.m    ├── fault_torque3i.m    ├── fault_torque4i.m    ├── fault_torque5i.m    ├── fualt_filter.m    ├── kalman_filt.m    ├── kalman_filt_new.m    ├── kalman_filt_old.m    ├── moment.m    ├── newKalman.m    ├── nummarkers.m    ├── printFilt.m    ├── probability_adjust.m    ├── two1ifualt_filter.m    ├── two2ifualt_filter.m    ├── two3ifualt_filter.m    ├── two4ifualt_filter.m    ├── two5ifualt_filter.m    └── z1.m5 directories, 71 files