<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[UNDER_CODE的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/UNDER_CODE</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; UNDER_CODE]]></copyright><item><title><![CDATA[什么是协方差矩阵传播？在SMPC中有什么作用？]]></title><link>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137369282</link><guid>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137369282</guid><author>UNDER_CODE</author><pubDate>Thu, 04 Apr 2024 10:40:40 +0800</pubDate><description><![CDATA[协方差矩阵传播（Covariance Propagation）是一种计算方法，用于预测随机过程中不确定性随时间变化的方式。在控制理论和信号处理中，特别是在随机模型预测控制（SMPC）和卡尔曼滤波中，这种方法广泛应用于估计系统状态的不确定性。]]></description><category></category></item><item><title><![CDATA[在MPC中开环和闭环计算成本的区别之处]]></title><link>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137359982</link><guid>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137359982</guid><author>UNDER_CODE</author><pubDate>Wed, 03 Apr 2024 23:13:55 +0800</pubDate><description><![CDATA[开环控制的成本计算是静态的，基于初始的系统状态和预测模型，而不考虑后续的实际系统行为。开环控制用于优化过程中的状态预测。闭环控制的成本计算是动态的，利用实时数据不断调整控制策略，以适应系统状态的实际变化。闭环控制通过在每个时间步骤考虑最新的系统状态信息来调整控制策略，确保控制决策反映实时系统性能。在模型预测控制(MPC)框架中，虽然优化是在开环条件下进行的（因为它依赖于模型预测），但通过在每个控制步骤应用反馈来实现闭环控制，从而增强了控制策略的鲁棒性和适应性。]]></description><category></category></item><item><title><![CDATA[在模型预测控制（MPC）中优化问题的最小成本V指的是什么？]]></title><link>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137359629</link><guid>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137359629</guid><author>UNDER_CODE</author><pubDate>Wed, 03 Apr 2024 22:50:35 +0800</pubDate><description><![CDATA[终端成本在MPC中的作用是确保优化过程考虑到长期行为，避免短视的优化决策。没有合适的终端成本，控制策略可能只注重即时的性能改进，而忽略了长期的系统健康和目标达成。在MPC中，这个优化问题在每个采样时间都会被重新求解，得到一个最优的控制序列。然后，通常只有这个序列的第一个控制动作会被应用到实际系统中，之后系统进入下一个采样时间，再次进行测量和优化。在模型预测控制（MPC）框架中，目标是在给定的预测范围内选择一系列控制动作，以最小化与该控制策略相关的总成本。这里的成本通常包含两个主要部分：运行成本和终端成本。]]></description><category></category></item><item><title><![CDATA[误差函数用于计算变量在正态分布中的累积分布概率]]></title><link>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137260874</link><guid>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137260874</guid><author>UNDER_CODE</author><pubDate>Tue, 02 Apr 2024 10:39:29 +0800</pubDate><description><![CDATA[在正态分布的上下文中，erf代表“误差函数”(Error Function)，这是一个在概率论、统计学和偏微分方程中常见的数学函数。误差函数erf(x)是正态分布的一个重要组成部分，它被用来计算正态分布曲线下，从负无穷到x的积分值，即变量落在某个范围内的概率。erfxπ​2​∫0x​e−t2dt在统计学中，误差函数常用于计算变量在正态分布中的累积分布概率。Φx21​1erf2​x​其中，Φ(x)是标准正态累积分布函数，用于计算随机变量小于或等于x。]]></description><category></category></item><item><title><![CDATA[SMPC中的具有非零均值的正态分布]]></title><link>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137260010</link><guid>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137260010</guid><author>UNDER_CODE</author><pubDate>Tue, 02 Apr 2024 10:03:40 +0800</pubDate><description><![CDATA[当不确定性是正态分布但具有非零平均值时，处理模型预测控制（MPC）中的随机不确定性。这种情况在现实世界的应用中很常见，其中不确定性（如扰动或模型不准确）表现出一些偏差或系统偏差，而不是在零附近对称分布。总之，在SMPC的背景下处理具有非零均值的正态分布时，将分布的均值纳入预测模型至关重要，以确保MPC能够有效地处理有偏差的不确定性，并保持对系统的最佳控制。]]></description><category></category></item><item><title><![CDATA[CDF累积分布函数是什么？]]></title><link>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137257390</link><guid>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137257390</guid><author>UNDER_CODE</author><pubDate>Tue, 02 Apr 2024 09:42:15 +0800</pubDate><description><![CDATA[对于一个随机变量X，F(x)是随机变量X的CDF。P(X≤x)表示随机变量X取值小于或等于x的概率。]]></description><category></category></item><item><title><![CDATA[Cantelli’s inequality（一侧切比雪夫不等式）是什么？]]></title><link>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137256073</link><guid>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137256073</guid><author>UNDER_CODE</author><pubDate>Tue, 02 Apr 2024 09:26:32 +0800</pubDate><description><![CDATA[Cantelli’s inequality，也称为一侧切比雪夫不等式，是概率论中的内容，用于估计随机变量偏离其期望值的程度。这个不等式为单侧概率提供了界限，特别是对于不完全了解概率分布的随机变量。]]></description><category></category></item><item><title><![CDATA[SMPC普通概率分布的机会约束（chance constraints）为什么重新表述？]]></title><link>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137255709</link><guid>https://blog.youkuaiyun.com/UNDER_CODE/article/details/137255709</guid><author>UNDER_CODE</author><pubDate>Tue, 02 Apr 2024 09:02:12 +0800</pubDate><description><![CDATA[对于普通概率分布的机会约束（chance constraints）重新表述，通常需要近似方法，这是因为不是所有的概率分布都像正态分布那样有良好定义的数学特性和易于计算的累积分布函数（CDF）。然而，对于非正态分布，如偏斜分布或具有重尾特性的分布，可能没有简单的闭式表达式来描述它们的CDF。总的来说，正态分布的特性允许对机会约束进行精确的数学处理，而其他类型的分布则需要采用近似方法来处理机会约束。这种近似通常涉及到一些统计或数值技术，目的是在不牺牲过多准确性的情况下，使问题保持可解性和实用性。]]></description><category></category></item><item><title><![CDATA[SIMULINK与PYTHON之间使用TCP通讯传输浮点型数组数据]]></title><link>https://blog.youkuaiyun.com/UNDER_CODE/article/details/132846750</link><guid>https://blog.youkuaiyun.com/UNDER_CODE/article/details/132846750</guid><author>UNDER_CODE</author><pubDate>Wed, 13 Sep 2023 10:38:49 +0800</pubDate><description><![CDATA[因为在pytorch中训练的模型需要使用carsim与matlab进行联合仿真验证，所以设计了如下程序进行TCP数据传输。]]></description><category></category></item></channel></rss>