深度学习及预测控制学习

资 源 简 介

深度学习及预测控制学习

详 情 说 明

深度学习作为人工智能的核心技术，其入门可从三方面切入： 基础概念：通过PPT系统学习神经网络结构（如前馈网络、CNN/RNN）、激活函数与损失函数的作用，建议搭配可视化图表理解权重传递过程 典型应用：在PPT中展示图像分类/时序预测的案例对比，突出数据预处理、模型训练与评估的关键环节 工具链：推荐TensorFlow/PyTorch的架构示意图，强调GPU加速与自动微分机制

模型预测控制（MPC）的学习需关注： 核心思想：通过滚动时域优化实现动态系统控制，需掌握代价函数设计、约束处理与实时优化的平衡 代码实现：建议分析开源库（如do-mpc）的控制逻辑，重点关注状态观测器与QP求解器的集成方式 文档要点：查阅文献时应比较经典MPC与基于神经网络的预测控制差异，注意系统线性化与采样周期的工程考量

进阶者可尝试将深度学习嵌入MPC框架，例如用LSTM替代传统状态方程，此时需特别关注训练数据的覆盖性与在线推理延迟。