神经数据驱动的预测控制

数据驱动预测控制（DeePC）对于线性系统利用记录轨迹的数据矩阵来直接预测新的系统轨迹，这对于实际应用非常有吸引力。本文利用神经网络（NN）的通用逼近特性，发展出用于非线性系统的神经 DeePC 算法。首先，我们指出，深层神经网络最后一隐藏层的输出在称为神经（特征）空间的基底中隐式构建一种基，而输出线性层在神经空间中执行仿射插值。因此，我们可以在大数据集上离线训练深层神经网络来学习神经基底，并在线计算使用 DeePC 的合适的仿射插值。其次，发展了保证神经 DeePC 一致性的方法以及降低计算复杂度的方法。在非线性摆锤示例上展示了几种神经 DeePC 的形式。