摘要：本文介绍了异步电机直接转矩控制(DTC)系统的设计与实现。DTC通过直接控制定子磁链和电磁转矩实现高性能调速，具有响应快、结构简单等优势。系统采用三相电压电流信号采集、坐标变换、定子磁链观测和转矩估算等核心算法，通过电压矢量选择实现快速转矩调节。仿真模型基于Matlab2024b构建，包含电机参数设置、PI控制器设计等关键程序。相比矢量控制，DTC仅依赖定子电阻参数，抗干扰能力更强，特别适用

倒立摆是一个典型的不稳定、非线性、强耦合的控制对象。其控制目标是通过施加合适的力（或扭矩）使倒立摆能够在垂直位置附近保持平衡。在本课题中，基于神经网络控制器的倒立摆控制系统simulink建模与仿真,对比模糊控制器。倒立摆是一个典型的不稳定、非线性、强耦合的控制对象。其控制目标是通过施加合适的力（或扭矩）使倒立摆能够在垂直位置附近保持平衡。模糊控制器是基于模糊规则和隶属度函数构建的，其规则库需要人

本文提出一种基于BP神经网络的PID控制器，通过神经网络的自学习能力实时优化PID参数，解决传统PID在非线性、时变系统中的控制问题。系统采用3输入-1隐含层-3输出的BP网络结构，能自动调整比例、积分、微分参数，实现"控制-反馈-优化"闭环。仿真结果表明，相比传统PID，该控制器具有更小超调、更快响应和更强抗干扰能力，适用于电机控制、温度调节等场景。研究提供了完整的MATLA

本文提出了一种基于多模型协同的超短期电力负荷预测方法。通过VMD变分模态分解将负荷序列分解为多个IMF子序列，分别采用BiLSTM和DELM模型进行预测，并利用改进Q学习算法动态优化组合权重。仿真结果显示，组合模型的MAPE和RMSE指标显著优于单一模型，验证了所提方法在捕捉负荷非线性特征方面的有效性。该方法为电力系统超短期负荷预测提供了一种精度更高、适应性更强的解决方案。

本文提出了一种基于Voronoi自适应分区和Q学习粒子群算法（QLPSO）的海上风电场电气系统拓扑优化方法。针对多变电站选址、电缆选型和功率损耗优化问题，建立了以最小化总成本为目标函数的数学模型。算法采用三层结构：外层Q学习控制器动态调整PSO参数，中间层PSO优化变电站位置和分区方案，内层解码器生成电缆连接拓扑。创新性地引入Voronoi图实现自适应分区，通过Q学习机制根据种群状态选择最优PSO

本文提出基于Q学习的交直流混合微电网负荷频率控制方法。针对传统控制依赖精确模型、难以应对源荷扰动的问题，采用无模型强化学习算法，通过状态空间离散化（频率/电压偏差）、动作空间定义（128级控制信号）和奖励函数设计，实现自适应频率调节。系统包含交流侧频率模型、直流侧电压模型、互联变换器模型和源荷扰动模型。Matlab仿真验证了该方法的有效性，核心程序涵盖参数设置、Q学习超参数配置和状态-动作值函数更

本文介绍了基于模型预测控制(MPC)的车辆横向控制系统。系统采用二自由度单轨动力学模型，通过侧向力平衡方程、横摆力矩平衡方程等建立车辆运动模型，将连续模型离散化后实现MPC控制。模型包含侧向速度、横摆角等4个状态变量，以前轮转向角为控制输入，通过预测时域和控制时域的优化计算，实现车辆轨迹跟踪。该系统简化了车辆动力学模型，在保证控制精度的同时满足实时性要求，是自动驾驶车道保持的核心技术。

本文提出一种基于Q-Learning算法的智能驱鸟方案，用于解决传统拟声驱鸟装置因鸟类适应性而效果下降的问题。研究建立了包含5种鸟类活动状态和6种驱鸟音频动作的强化学习模型，通过状态转移概率和奖励函数引导智能体学习最优驱鸟策略。系统采用Matlab实现，利用初始驱鸟效率数据初始化Q表，通过5000次训练回合优化决策。实验结果表明，该方法能有效提升驱鸟装置的智能化水平，动态调整音频策略以应对不同鸟类

本文提出一种基于Q-Learning算法的智能驱鸟方案，用于解决传统拟声驱鸟装置因鸟类适应性而效果下降的问题。研究建立了包含5种鸟类活动状态和6种驱鸟音频动作的强化学习模型，通过状态转移概率和奖励函数引导智能体学习最优驱鸟策略。系统采用Matlab实现，利用初始驱鸟效率数据初始化Q表，通过5000次训练回合优化决策。实验结果表明，该方法能有效提升驱鸟装置的智能化水平，动态调整音频策略以应对不同鸟类

本文研究了四旋翼飞行器的扩展卡尔曼滤波(EKF)状态估计方法。针对四旋翼这一欠驱动、强耦合的非线性系统，建立了包含位置、姿态等12维状态向量的动力学模型。为解决传感器噪声问题，采用EKF对非线性系统进行线性化近似，通过预测和校正两个阶段实现最优状态估计。仿真结果表明，EKF能有效滤除GPS和陀螺仪的测量噪声，准确估计飞行器的真实状态。该方法为四旋翼的高精度控制提供了可靠的状态感知方案。