全文获取类型
收费全文 | 33篇 |
免费 | 44篇 |
国内免费 | 3篇 |
专业分类
电工技术 | 7篇 |
综合类 | 3篇 |
化学工业 | 1篇 |
机械仪表 | 2篇 |
自动化技术 | 67篇 |
出版年
2025年 | 5篇 |
2024年 | 2篇 |
2023年 | 4篇 |
2022年 | 5篇 |
2021年 | 1篇 |
2020年 | 3篇 |
2018年 | 2篇 |
2017年 | 2篇 |
2016年 | 1篇 |
2015年 | 2篇 |
2014年 | 3篇 |
2013年 | 4篇 |
2012年 | 9篇 |
2011年 | 1篇 |
2010年 | 2篇 |
2009年 | 7篇 |
2008年 | 8篇 |
2007年 | 5篇 |
2006年 | 3篇 |
2005年 | 3篇 |
2000年 | 1篇 |
1998年 | 3篇 |
1995年 | 2篇 |
1992年 | 1篇 |
1991年 | 1篇 |
排序方式: 共有80条查询结果,搜索用时 0 毫秒
1.
二维直线电机在实际运行中存在强耦合、未知非线性等未建模动态控制问题,且易受外部干扰的影响.基于无模型自适应控制(MFAC)不依赖被控系统精确数学模型的特点及迭代学习控制(ILC)循序渐进的学习规律,提出一种改进多入多出无模型自适应控制(MIMO-MFAC)的二维直线电机迭代学习控制(ILC)复合控制方案.在无模型自适应控制输入准则函数中加入一阶差分单元,使改进多入多出(MIMO)无模型自适应反馈控制器具有很强的鲁棒性.迭代学习前馈控制器可以克服外部干扰,补偿系统非线性,前馈反馈优势互补,实现对期望输出的精度补偿,进一步减小位置跟踪误差.最后,将二维直线电机运动平台与LINKS-RT半实物仿真系统相结合,通过实验验证所提方案的有效性. 相似文献
2.
将单入单出非线性离散时间系统的非参数模型学习自适应控制方法应用在永磁直线电机的速度和位置控制中。设计是无模型的,是直接基于称为伪偏导数的向量,此伪偏导数是通过一种新型参数估计算法,根据系统的输入输出信息在线导出的。仿真实验证明了该方法对具有不确知动态的非线性系统的有效性和稳定性。 相似文献
3.
针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度. 相似文献
4.
提出一种基于无模型自适应控制的自动泊车方案.首先,通过车载传感器采集车周环境信息用于规划期望路径;然后,将自动泊车跟踪问题转化为预瞄偏差角跟踪问题,通过设计相应的无模型自适应控制算法实现自动泊车.该方案设计的优点是仅使用自动泊车过程中生成的前轮转角输入数据和预瞄偏差角输出数据,没有使用任何被控车辆的信息,因此可适用于不同车型. Matlab仿真以及与PID控制方案和Fuzzy控制方案的对比仿真结果验证了所提出方案的可行性. 相似文献
5.
针对一类离散时间非线性系统, 提出一种基于虚拟参考反馈整定的改进无模型自适应控制方案. 首先, 利用动态线性化方法给出非线性系统的紧格式动态线性化模型; 然后, 基于优化技术设计控制算法和伪偏导数估计算法; 最后, 设计基于虚拟参考反馈整定的伪偏导数初值和重置值的估计算法. 该控制方案设计仅依赖于被控系统的输入和输出数据, 且能保证闭环系统的稳定性和收敛性. 仿真比较结果验证了所提出方法的有效性.
相似文献6.
7.
针对自动泊车系统,提出了无模型自适应控制(Model-free adaptive control, MFAC)方案.控制方案的设计仅利用泊车系统的前轮转角输入数据和车身角输出数据,不包含车辆模型信息.因此,针对不同车型的自动泊车系统,该方案均能实现无模型自适应控制.为了改善期望轨迹的坐标跟踪误差,进一步提出基于坐标补偿的无模型自适应控制方案,该方案由控制算法、参数估计算法、参数重置算法和坐标补偿算法构成.针对不同车型不同泊车速度的仿真结果表明,基于坐标补偿的MFAC方案和原型MFAC方案均能较好地完成自动泊车过程,且基于坐标补偿的MFAC方案相比原型MFAC方案和PID控制方案,在轨迹坐标和车身角等方面均具有更小的跟踪误差和更快的响应速度. 相似文献
8.
This paper presents a new feedback-feedforward configuration for the iterative learning control (ILC) design withfeedback, which consists of a feedback and a feedforward component. The feedback integral controller stabilizes the system,and takes the dominant role during the operation, and the feed-forward ILC compensates for the repeatable nonlinear/unknowntime-varying dynamics and disturbances, thereby enhancing the performance achieved by feedback control alone. As the mostfavorable point of this control strategy, the feedforward ILC and the feedback control can work either independently or jointlywithout making efforts to recongurate or retune the feedforward/feedback gains. With rigorous analysis, the proposedlearning control scheme guarantees the asymptotic convergences along the iteration axis. 相似文献
9.
10.