首页

投稿

控制理论全景：PID 最优控制卡尔曼滤波 LQR 传递函数航天状态空间

1.4万

4

2026-05-20 11:18:15

含AI生成内容

梳理了控制理论的发展历程与核心框架，涵盖了从古希腊水钟到现代航天工程的跨越。深度对比了经典控制理论与现代控制理论，解析了从传递函数到状态空间的数学建模演变。阐述了反馈机制的双重属性，即在提升系统鲁棒性的同时，也可能带来不稳定的风险。讲解了PID控制、LQR最优控制以及卡尔曼滤波等核心算法的应用逻辑。通过建模、分析与设计三个维度，展现了人类如何在不确定性中利用数学工具实现对复杂系统的精准驾驭

卡尔曼滤波

北游知发消息

STEM AI AI‑interpretation github.com/spacelessness/MathShare

概率图模型：核心思想和近似推断 MCMC 变分推断贝叶斯网络

22:50

机器学习中的数学：基础和框架

06:39

注意力机制（原理拆解）Transformer LLM 词嵌入和位置编码 Encoder/Decoder LSTM

13:03

采样推断：马尔科夫蒙特卡洛（MCMC）和变分推断 ELBO VAE 贝叶斯推断 Metropolis-Hastings（MH）算法生成模型

13:03

EM算法高斯混合模型变分推断因变量 ELBO KL散度聚类分析

27:02

序列数据建模 HMM、LDS和卡尔曼滤波隐状态与动态建模

16:54

物理信息神经网络 PINNs 融合物理定律与深度学习

15:44

Diffusion Model 扩散模型背后的数学

03:12

凸优化：SVM、Lasso、对偶理论和KKT条件

19:08

量子计算中的线性代数

13:55

图论算法：遍历、最短路径、Dijkstra和最小生成树

13:48

控制理论全景：PID 最优控制卡尔曼滤波 LQR 传递函数航天状态空间

20:23

计算理论：可计算性和计算复杂性 Church-Turing论题 P/NP 图灵机

23:14

深度学习的数学全景解读神经网络、反向传播、损失函数、 KL 散度、优化器从、 SGD 、 AdamW 、归一化与权重初始化、残差连接、Dropout、注意力

18:51

前馈神经网络、梯度下降和反向传播

15:30

神经算子 FNO 无限维函数空间学习

13:30

机器学习中的参数估计 MLP MAP 过拟合正则化

11:08

核方法和高斯过程

19:21

矩阵范数和谱半径

14:12

蒙特卡洛方法随机性政府确定性重要性采样|MCMC |方差缩减

12:49

顶部