该模型表明 LQR 设计方法也可以有效地用于以非平稳状态矩阵为特征的植物。 为不同的工作点设计了一组控制器，并采用 FFNN 来存储这些知识。 如果状态矩阵 A 发生变化，则增益矩阵 K 会即时调整。 在感应电机的情况下，状态矩阵 A 的一些条目是例如定子磁通空间矢量角速度和转子的滑差角速度的函数。 更多细节可以在用于感应电机驱动的基于神经网络的可编程状态反馈控制器 ( http://dx.doi.org/10.1109/IJCNN.2006.246811 ) 中找到。 还建议在使用此模型之前熟悉 LQR 基础知识。 参见例如http://www.mathworks.com/help/control/ref/lqr.html 。

带负载电流前馈的双闭环单相全桥逆变器Simulink仿真，内环为电感电流环，外环为输出电压环，均为瞬时值反馈，带负载电流前馈补偿。逆变器额定功率10kW，输出电压有效值220V，THD为0.17%，负载功率因数为0.8。如果不懂原理，可以观看我写的文章《单相全桥逆变器带负载电流前馈的双闭环控制系统设计及仿真》，里面有详细的建模和设计过程。

a little example of a single channel feed-forward active noise control system based on the FxLMS 基于fxlms算法的单通道前馈anc系统。m文件，带注释，可直接运行。

pytorch实现前馈神经网络实验（torch实现）参考链接：https://blog.csdn.net/qq_37534947/article/details/109402126

参考文章：https://blog.csdn.net/qq_37534947/article/details/109394648

构建一个至少含有1-2 层隐藏层的神经网络模型，解决手写的0-9 十个手写 数字的识别问题。神经网络模型构建过程中需要注意的几点： （1）数据集采用MNIST 阿拉伯数字手写体数据集。 （2）模型输入层的节点个数的设计。输入层的节点数目应该与输入的手写 体图片的大小相等。MNIST 手写体数据集中手写阿拉伯数字的图像为28×28 的 方形图。 （3）每一个隐藏层的网络节点数的设计。应该遵循特征提取与降维相统一 的原则。 （4）输出层的节点数。因为识别任务是0-9 的十个手写数字，所以输出层 应该是一个多任务的二分类问题

PID 前馈控制程序，运行成功，比例积分微分对控制能对对象扰动给出及时控制信号，控制效果很好

针对燃煤电厂 SCR 入口氮氧化物浓度测量准确性的问题，提出基于结构改进 RBF 神经网络(improved RBF neural network, IRBFNN)预测模型。采用互信息选取辅助变量作为模型的输入变量，避免变量过多或者过少造成模型精度降低；利用 K-近邻互信息估计辅助变量的延迟时间，解决时序问题；采用调整时序的辅助变量和主导变量建立结构改进的RBF 神经网络(RBFNN)预测模型；采用人工鱼群算法(artificial fish swarm algorithm, AFSA)和粒子群算法(particle swarm optimization, PSO)加速验证结构改进模型的优越性，并将两种优化算法优化能力进行分析。仿真结果表明，结构改进的 RBF 神经网络模型的均方根误差和平均绝对百分比误差明显高于原模型；AFSA 算法优化后的模型精度高于 PSO 算法，然而其需要调节的参数较多。

基于dsp的三相PWM整流，程序流程清晰

利用Matlab构建深度前馈神经网络以及各类优化算法的应用（SGD、mSGD、AdaGrad、RMSProp、Adam）-附件资源