深度模型预测控制

基于摘要分析。本文研究具有未知结构、匹配且有界的状态依赖不确定性的控制仿射非线性离散时间系统，提出一种基于深度学习的模型预测控制算法。其核心是使用深度神经网络（DNN）逼近扰动，并以管束式模型预测控制应对学习阶段可能出现的不期望行为。 机制上，DNN 用于处理未知扰动结构，管束式模型预测控制用于提供约束与稳定性保障。作者报告，该设计能够确保约束满足及闭环状态的输入到状态稳定性；这一结论应在摘要限定的系统类别和不确定性条件下理解，不能外推为任意未知动力学下的安全保证。网络结构、训练监督、扰动界的确定方式、控制优化问题及保证成立的具体条件尚未验证；实验协议、消融及统计信息也尚未验证。 平台推测（待验证）：该机制更可能对应闭环 BCI 中带约束的控制环节，而非直接对应 EEG 解码；潜在复用部分是学习式扰动补偿与鲁棒控制的组合。迁移假设要求目标系统可近似表示为控制仿射离散动力学，且误差满足匹配和有界条件。EEG 低信噪比、跨被试变化及意图解码误差可能使这些条件失效，状态估计、动力学模型和不确定性界均需重新适配。一个可检验的小实验是在闭环控制仿真中固定约束与扰动范围，对比加入与不加入 DNN 补偿的管束式模型预测控制，记录跟踪误差和约束违反情况；这不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。