11月21日心得及笔记

<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8"/>
    <title></title>

</head>
<body>
    <ol id="ol">
        <li >1</li>
         <li >2</li>
         <li>3</li>
         <li >4</li>
    </ol>
    <input id="btnAdd1" type="button" value="jquery添加数据" />
     <input id="btnAdd2" type="button" value="dom添加数据" />
     <input id="btnDel1" type="button" value="jquery删除数据" />
    <input id="btnDel2" type="button" value="dom删除数据" />
     <input id="btnInsert1" type="button" value="jquery插入数据" />
     <input id="btnInsert2" type="button" value="dom插入数据" />
    <input id="btnEdit1" type="button" value="jquery编辑数据" />
     <input id="btnEdit2" type="button" value="dom编辑数据" />



</body>
    <script type="text/javascript" src="./jquery.js"></script>
    <script type="text/javascript">
        $(function(){
            var $other=undefined;
            var another=undefined;
            attract();
            function attract(){
                $('li').click(function(){
                        $('li').css('background','pink');
                        $(this).css('background','red');
                        //this.style.background="red";
                        $other=$(this);
                        another=this;
                        });
                }
            $('#btnAdd1').click(function(){
                var input=window.prompt('添加数据');
                $nweli=$('<li>'+input+'</li>');
                $nweli.appendTo('#ol');
                attract();
                })
            $('#btnDel1').click(function(){
                $other.remove();
                })
            $('#btnInsert1').click(function(){
                var input=window.prompt('插入数据');
                var $newli=$('<li>'+input+'</li>');
                $newli.insertBefore($other);
                attract();
                })
            $('#btnEdit1').click(function(){
                var oldvalue=$other.html();
                var $str=$('<input type="text" value="'+oldvalue+'" />');
                $other.html($str);
                $str.focus();
                $str.blur(function(){
                    var newvalue=$str.val();
                    $other.html(newvalue);
                    })
                attract();
                })
                document.getElementById("btnAdd2").onclick=function (){
                var input=window.prompt('输入数据');
                var newli=document.createElement('li');
                newli.innerHTML=input;
                document.getElementById("ol").append(newli);
                attract();
                }

                document.getElementById("btnDel2").onclick=function (){
                var str=another.parentNode;
                str.removeChild(another);
                }

                document.getElementById("btnInsert2").onclick=function (){
                var input=window.prompt('输入数据');
                var newli=document.createElement('li');
                newli.innerHTML=input;
                var ol=document.getElementById("ol");
                ol.insertBefore(newli,another);
                attract();
                }

                document.getElementById("btnEdit2").onclick=function (){
                var oldvalue=another.innerHTML;
                var str=document.createElement('input');
                str='<input id="dl" type="text" value="'+oldvalue+'" />';
                another.innerHTML=str;
                document.getElementById("dl").focus();

                document.getElementById("dl").onblur=function(){
                var newvalue=document.getElementById("dl").value;
                another.innerHTML=newvalue;} 
                    }
            });





    </script>
</html> 
内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合Koopman算子理论与递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性与跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证与MPC控制器设计等环节,具有较强的基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模与预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重点关注Koopman观测矩阵构造、RNN网络结构设计与MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解与应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值