用分级神经网络学习机器人的动力学特点

给出了解决机器人控制问题一种神经网络方法.使用一个分级神经网络(NN)结构学习刚体机器人动力学特点.对于一般类别的机械手,使用前训练一系列的三层前馈网络模块,然后把这些基函数实时地用于第四层.使用线性控制原理,辅以非线性补偿控制机械手,使学得的机械手动力学知识创建一个在整个工程中高速控制机械手的控制器.模拟结果表明控制器的性能得到了大大提高.     

Lyapunov指数算法在微弱信号检测中的应用

基于MATLAB/Simulink仿真软件,分析了Holmes-Duffing系统检测弱正弦信号的原理和仿真实验步骤.通过仿真结果表明,直接从相平面图中肉眼观察混沌临界状态的阈值容易存在较大的人为误差.针对这个问题,提出了利用Lyapunov指数算法来定量地分析系统的动力学特征,并进一步研究了最大Lyapunov指数与系统状态之间的关系.对临界区域进一步取值发现其LE指数在零点振荡跳跃说明了该混沌系统正处于间歇临界态.最后通过对信噪比为-40 dB的微弱信号进行检测来说明,采用Lyapunov指数算法能够更直观地判断微弱信号的存在,证明其检测方法的可行性.     

智能数据检测管理系统的硬件应用研究

"智能数据检测管理系统"以微型计算机为基础,在恶劣的工作条件下可能会由于长时间运行而产生不稳定情况,影响数据采集精度.使用ICL7107A/D转换器单独建立一个由纯硬件集成的电路,两套系统并行使用提高了采集稳定度;采用三线制电桥技术,解决了导线过长对测量结果的影响.通过对两种方法的介绍,着重针对实际工程中电路的组建和外围器件参数的选择进行了论述,实际使用结果表明上述方法解决了工作出现的问题,降低r系统成本,使测量更加稳定、准确.     

非线性系统的无模型误差控制

针对未知非线性系统提出了一种具有输出变化量加速度比例因子的无模型自学习控制方案，主要思想是利用BP网络对系统输入输出量进行辨识，同时构造误差控制器，通过辨识学习器向误差控制器动态传递更新权阵，以实现对未知非线性系统的无模型误差自适应控制。Maflab7．0平台下的仿真结果表明，控制效果良好。