资源简介
GPC有一定帮助 想学习的 可以下载
代码片段和文件信息
% % clear;
% % clc;
% % c=[2;3;-5];
% % a=[-25-1;131];
% % b=[-10;12];
% % aeq=[111];
% % beq=7;
% % x=linprog(-cabaeqbeqzeros(31));
% % value=c‘*x
%
% clear ;
% % na=2;%多项式A的阶
% % nb=1;%多项式B的阶
% % nc=0;
% % N=4;%预测时间长度
% % Nu=1;%控制时间长度
% % L=zeros(NNu);%依据P82公式初始化矩阵L,H,G,E,Q,R
% % H=zeros(Nnb);
% % G=zeros(Nna+1);
% % E=zeros(NN);
% % Q=0.4*eye(N);
% % % R=1*zeros(NuNu);
% % R=5*eye(NuNu);
% [EGLH]=ComputationEGLH(41210[-0.9; 0; -0.1][0.001;0.0015]);
% % [EGLH]=ComputationEGLH(NNunanbncAGanBVec);
% function [EGLH]=ComputationEGLH1(NNunanbncAGanBVecCVec)
clear;
clc;
N=6;
Nu=1;
na=2;
nb=1;
nc=0;
n=2;
% AGan=[0.9 -0.2 0 0;0 0 0.8 -0.1]‘;
AGan=[-1.9 1.1 -0.2 0 0 0;0 0 0 -1.8 0.9 -0.1]‘;
BVec=[0.6 0.3 0.5 0.3;0.4 0.3 0.5 0.3]‘;
%注:AGan第一项是z(z-1)的系数,AGan首项1省略
L=zeros(n*Nn*Nu);%依据P82公式初始化矩阵L,H,G,E,Q,R
H=zeros(n*Nn*nb);
G=zeros(n*Nn*(na+1));
E=zeros(n*Nn*N);
E(1:n1:n)=eye(n); %依据P79公式计算E1
G(1:n:)=-AGan‘; %依据P79公式计算G1
L(1:n1:n)=BVec(1:n1:n);%依据P80公式计算L1
H(1:n1:n)=BVec(n+1:end1:n);%依据P80公式计算H1
for j=2:N
EVecNow=E(n*(j-1)-1:n*(j-1)1:n*(N-1));
GVecNow=G(n*(j-1)-1:n*(j-1):);%分离G矩阵的第(j-1)行,用以计算新的E矩阵公式
E(n*j-1:n*j1:n)=GVecNow(1:n1:n);%公式4-48确定矩阵第j行第一个值
E(n*j-1:n*j2*n-1:n*N)=EVecNow;%确定E矩阵第j行的第2-N的值,见P80公式
%确定G矩阵的第j行
for i=1:na
% G(ji)=G(j-1i+1)-G(j-11)*AGan(i1); %公式(4-49)注意AGan(i1)的标号
G(n*j-1:n*jn*i-1:n*i)=G(n*(j-1)-1:n*(j-1)n*(i+1)-1:n*(i+1))-G(n*(j-1)-1:n*(j-1)1:n)*AGan(n*i-1:n*i1:n); %公式(4-49)注意AGan(i1)的标号
end
% G(jna+1)=-G(j-11)*AGan(na+11);%公式(4-49)
G(n*j-1:n*jn*(na+1)-1:n*(na+1))=-G(n*(j-1)-1:n*(j-1)1:n)*AGan(n*(na+1)-1:n*(na+1)1:n);%公式(4-49)
L(n*j-1:n*j1:n)=E(n*j-1:n*j1:n)*BVec(1:n1:n)+H(n*(j-1)-1:n*(j-1)1:n);%公式(4-51)计算L矩阵第j行
if Nu>1
L(j2:Nu)=L(j-11:Nu-1);
end
nh=max(nb-1nc-1);
if nh>0
for i=1:nh
H(n*j-1:n*jn*i-1:n*i)=E(n*j-1:n*j1:n)*BVec(n*i-1:n*i1:n)+H(n*(j-1)-1:n*(j-1)n*(i+1)-1:n*(i+1))-L(n*(j+1)-1:n*(j+1)1:n)*CVec(n*i-1:n*i1:n); %公式(4-52)注意CVec(i1)不存在
end
H(n*j-1:n*jn*(nh+1)-1:n*(nh+1))=E(n*j-1:n*j1:n)*BVec(n*(nb+1)-1:n*(nb+1)1:n);%公式(4-52),另一部分 -L(j1)*CVec(nb1)置0
else
H(n*j-1:n*jn*(nh+1)-1:n*(nh+1))=E(n*j-1:n*j1:n)*BVec(n*(nb+1)-1:n*(nb+1)1:n);%对于c=1的情形,由公式(4-52),另一部分 -L(j1)*CVec(nb1)置0
end
end
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
文件 2805 2011-05-25 19:14 ComputationEGLH.m
文件 4947 2008-06-04 13:46 GPC.m
文件 4171 2011-05-19 21:07 mimo.m
文件 433 2011-01-05 21:15 mimopoleplacement.m
----------- --------- ---------- ----- ----
12356 4
- 上一篇:苏昱CSS2.0中文手册
- 下一篇:JPG图片文件捆绑工具
相关资源
- deeplabv3调用pb模型批量预测图片
- 癫痫预测代码
- 《功率变换器和电气传动的预测控制
- 神经网络时间序列预测源代码适合初
- 基于PSO-SVM负荷预测
- 粒子群神经网络混合算法在负荷预测
- R 语言环境下用ARIMA模型做时间序列预
- 基于RFM模型实现的零售精准营销响应
- GPCV1248凌通方案SDK开发包.txt
- 论文研究-故障预测与健康管理(PHM)
- 基于OS-ELM的风速修正及短期风电功率
- 灰色Verhulst模型在矿区沉降预测中应用
- 用R语言神经网络预测构建臭氧浓度模
- 基于BP人工神经网络的股票数据预测模
- 基于神经网络的短期负荷预测研究
- 混沌时间序列改进的加权一阶局域预
- 欧洲智能技术网络(EUNITE)举办的电
- R语言程序,灰色预测GM11
- 最小二乘支持向量机
- svm用于特征提取、预测、目标识别问
- RBF神经网络预测
- U型件冲压回弹的Abaqus仿真数据集
- 房价预测:house-prices-advanced-regressio
- 游程编码、算术编码、哈夫曼编码、
- BP神经网络训练预测控制算法
- 基于BPSO-RBF神经网络的网络流量预测
- 电力负荷预测
- GM(1_1)模型建立与预测方法
- 基于自回归滑动平均模型的风电功率
- 利用灰色理论进行数据预测GM1,1预测
评论
共有 条评论