压电陶瓷驱动器迟滞非线性的改善方法

压电陶瓷驱动器在微位移定位方面被广泛应用,但压电陶瓷驱动器的迟滞非线性严重影响其定位精度,因此,介绍了各种改善压电陶瓷驱动器迟滞非线性特性的方法,并提出了用3次样条插值法和最小二乘曲线拟合法来实现压电陶瓷驱动器的精确定位,改善压电陶瓷驱动器的迟滞非线性特性,实验表明,以上方法可使压电陶瓷驱动器的定位误差小于5％.     

基于小波变换的压电陶瓷动态迟滞特性建模

为了解决压电陶瓷迟滞系统的建模问题,提出了一种新迟滞建模方法--在小波域(时频域)对迟滞特性进行建模.该模型通过一维离散小波变换,实现输入信号从时域到小波域的转换;对转换后得到的小波域元素利用RBF神经网络进行逼近;再通过一维离散小波逆变换,使逼近后的小波域元素重新回到时域,整个变换过程间接地实现了对时域迟滞特性的描述.通过仿真表明,该建模方法是有效的,并具有较高的精度.     

基于IDE-BPNN的快速反射镜迟滞建模

由压电陶瓷驱动的快速反射镜(FSM)现已被广泛用于自适应光学系统的执行环节,为了对其迟滞效应精确建模,该文提出了一种针对FSM的IDE-BPNN建模方法。基于Madelung法则以最小二乘法构建称迟滞算子作为迟滞运动的基本描述,扩展训练用的数据集,并采用改进的差分进化算法(IDE)对BP神经网络(BPNN)进行训练。实验表明,当输入30 Hz衰减的正弦信号时,IDE-BPNN模型的单轴最大误差为0.745μrad,归一化最大误差为0.87%,归一化均方根误差为0.36%。相较于最小二乘建模法,相对于最小二乘模型误差大幅缩小,有较好的使用价值。     

基于LSTM神经网络的压电执行器位移迟滞建模

该文搭建迟滞测量实验平台,测量一种用于LED晶圆检测压电执行器的迟滞效应,设计了一种基于长短期记忆(LSTM)神经网络的压电迟滞模型,使用时间序列预测法对压电执行器位移迟滞效应建模。将该模型与传统的Prandtl-Ishlinskii(PI)模型进行对比。实验结果表明,神经网络模型具有较好、较广泛的迟滞建模效果,对于正弦波,位移预测精度保证小于2%;对于衰减正弦波,位移预测精度可保证小于3%。较高的模型预测精度为使用压电执行器进行LED晶圆检测提供了依据。     

基于RBF神经网络的压电执行器迟滞建模

针对压电陶瓷执行器的迟滞非线性特性问题,该文提出了一种最小二乘法与径向神经网络相结合的建模方法。首先,通过搭建压电执行器位移测试系统,得到执行器输出位移与输入电压的对应曲线关系,然后用最小二乘法对该曲线进行多项式拟合,得到压电执行器的迟滞数学模型,在此基础上再用径向基函数神经网络方法对该模型进行优化。最后对建立的模型进行分析发现,用最小二乘法拟合的多项式数学模型,其最大误差Emax=0.244 7 μm,标准方差δ=0.059 02 μm,而利用径向基函数(RBF)神经网络优化建模后,Emax=0.079 89 μm,δ=0.016 04 μm。实验证明该模型有较高的准确性, 该文为压电执行器迟滞建模提供了一种新的方法。     

压电叠堆作动器率相关迟滞非线性建模研究

针对压电叠堆作动器的率相关迟滞非线性特性,该文提出了一种基于asymmetric unilateral backlash(aubacklash)算子的BP神经网络率相关迟滞建模方法。首先提出了改进的aubacklash算子,改善了Prandtl-Ishlinskii(PI)模型backlash算子在原点处残余位移及严格中心对称的问题;其次分析了压电叠堆作动器迟滞的率相关记忆特性,提出了率相关BP神经网络迟滞模型;最后搭建了迟滞建模精度评估系统,采用Levenberg-Marquardt(L-M)算法辨识aubacklash算子模型参数,确定了BP神经网络模型最优结构参数。实验结果表明,在高、低单一频率及混合频率下,BP神经网络模型较PI模型均方误差降低了70.90%～89.98%,相对误差降低了70.69%～89.84%,验证了该模型的精度与频率适应性。     

压电驱动器的率相关迟滞特性建模与测试

该文提出了一种与速率相关的Prandtl-Ishlinskii(P-I)模型来表征压电驱动器的速率相关迟滞非线性。该模型基于双边Play算子的经典P-I模型,引入多项式修正其中心对称性。在此基础上将驱动电压升降速率引入模型参数中,用以描述其率相关性。测试压电驱动器的率相关迟滞特性,采用最小二乘算法对模型参数进行辨识。结果表明,在速率为0.12～6 V/ms内最大误差为0.076～0.190μm,均方根误差为0.044～0.077μm,相对误差为1.2%～3.2%,验证了所建模型的准确性。     

压电陶瓷驱动器迟滞建模与自适应控制

为了降低压电陶瓷驱动器的迟滞非线性,提出了改进型的Maxwell slip模型并引入自适应控制,使压电驱动器在宽频带下有良好的迟滞补偿效果。在经典Maxwell slip模型中,输出力与输入位移的关系会出现迟滞现象,表现为平行四边形,与压电陶瓷驱动器的迟滞特性接近。由于每一单元滑块的最大静摩擦力与弹簧弹性系数成比例关系,若弹簧系数取定值时,每一个单元的最大静摩擦力在系统实时控制中是不变的,因此可以采用自适应控制算法对输出信号权值进行更新,从而更精确地补偿压电陶瓷驱动器。为了验证该模型,搭建了悬臂梁结构压电实验平台,运用该迟滞模型进行迟滞补偿控制,实验结果表明,对于Maxwell slip模型自适应控制,在0.1~20 Hz宽频带下的均方根误差(RMSE)和绝对平均误差(MAE)均有减小。其中,在0.1 Hz下无前馈补偿控制的RMSE为0.037 5 μm,而通过自适应控制可以将压电微定位平台的RMSE降低到0.012 4 μm以内。与经典模型相比,所提出的Maxwell slip模型自适应控制具有在宽频带内进行精密定位的优点。     

压电叠堆执行器迟滞非线性建模与分析

压电叠堆执行器输出位移具有迟滞非线性特性,在高精度控制和电静液作动器等应用领域,为实现进一步研究和控制,需要针对该特性进行建模。该文首先针对压电叠堆执行器的静态特性,采用改进的非对称BoucWen模型建立压电叠堆执行器的准静态模型;其次,为描述其动态位移输出特性,将执行器输出力分为线性模块和滞后模块,根据系统动力学方程建立压电叠堆执行器迟滞非线性动态模型,进行参数辨识、模型仿真与实验研究。结果表明,在400Hz频率范围内,所建立的模型能够准确描述与预测压电叠堆执行器输出位移的迟滞非线性。     

压电陶瓷微位移器件迟滞模型的研究

在通过统计物理学角度分析压电陶瓷迟滞规律的基础上，结合数学建模方法，提出了一种简单实用的压电陶瓷迟滞数学模型。并设计了压电陶瓷实验控制系统，对迟滞数学模型进行了验证，实验结果表明，此模型可以有效减小压电陶瓷的迟滞非线性误差，提高压电陶瓷微位移的控制精度，本研究有助于实现基于压电陶瓷的高精度开环微位移控制。     

Hierarchical Analog Behavioral Modeling of Artificial Neural Networks

A hierarchical methodology for analog behavioral modeling of the basic building blocks of neural networks is presented using HDL-A.¹ This hierarchy is formed of three levels in order to satisfy the different requirements of the CAD tools which may incorporate the models. The presented models include all the nonidealities present in the actual circuit in addition to being flexible and consuming shorter simulation time. This improvement in simulation time is verified through examples at both the circuit and system levels.     

混沌神经网络建模及仿真应用研究

简要的介绍了混沌神经网络的基本理论,对混沌神经网络与非线性建模问题进行了分析．以船舶发电机这一大型非线性系统为例,对其进行混沌神经网络仿真建模研究,提出了用混沌神经网络仿真建模的一般思路和方法．结果显示,将混沌神经网络应用于大型非线性系统的仿真建模是十分成功的．     

Mobile Station Positioning Using GSM Cellular Phone and Artificial Neural Networks

In this paper, we describe a novelapproach to mobile station positioning using a GSMmobile phone. The approach is based on the use of aninherent feature of the GSM cellular system (themobile phone continuously measures radio signalstrengths from a number of the nearest base stations(antennas)) and on the use of this information to estimatethe phone's location. The current values of the signalstrengths are processed by a trained artificial neuralnetwork executed at the computer attached to themobile phone to estimate the position of the mobilestation in real time. The neural network configurationis obtained by using a genetic algorithm that searchesthe space of specific neural network types anddetermines which one provides the best locationestimation results. Two general methods are explored:the first is based on using a neural network forclassification and the second uses functionapproximation. The experimental results are reportedand discussed.     

用于语音信号非线性建模的RBF神经网络的训练方法及其性能

语音信号非线性建模符合语音信号的性质,可以提高语音信号处理的性能.神经网络是信号非线性建模的有效工具之一.本文深入研究了应用于语音信号非线性建模的RBF神经网络的训练方法,即k-均值法、OLS算法和梯度下降法.实验结果表明,在RBF神经网络的结构已定情况下,不宜使用k-均值法及OLS算法,而应该使用梯度下降法.文章阐述了各训练算法性能差别的原因,并讨论了语音信号非线性及线性建模的性能比较.     

进化神经网络在激光熔覆成形中的应用研究

在激光熔覆成形金属制件工艺中,熔覆层稀释率大小对成形制件的性能以及后续工序的处理有至关重要的影响。设计了基于进化神经网络的学习算法,建立了熔覆层稀释率随工艺参数变化的预测模型,该模型结合了基因遗传算法的全局搜索能力和BP神经网络良好的局部性质。实验和模拟结果表明,基于进化计算的神经网络不仅可以克服单纯使用BP神经网络易陷入局部极小值等问题,而且预测精度较高,具有一定的实用价值。     

Control Sensor Linearization Using Artificial Neural Networks

Traditionally, the issues of cost, size, and weight of artificial neural network implementations have not been the primary concern of researchers. These issues are important in many applications such as those required in space travel, high-volume commercial products, or products with size limitations. In this paper, we discuss methods to improve the characteristics of control sensors using compact and low-cost circuitry. Our objective is to extend the linear region of operation of a nonlinear sensor using artificial neural networks. An analog circuit approach was investigated for high-speed applications and a microcontroller approach for low-speed applications. The methods are applied to the design of a discrete-component phase-locked loop. Both approaches resulted in doubling the sensor's linear range.     

用基函数神经网络实现多阈值图象分割

本文介绍了一种用基函数神经网络实现多阈值图象分割的新方法。它从函数逼近的角度研究基于灰度直方图的多阈值分割问题，提出了一种模糊反向传播学习算法，采用该算法的高斯基函数网络能够准确检测直方图中包含的子区域和它们的分布函数，而且速度很快。实验表明本文的方法在实际图象分割中是有效的。     

基于神经网络的HEMT大信号模型

运用人工神经网络技术建立了高电子迁移率晶体管(HEMT)的大信号模型。通过脉冲I-V测试和测量不同偏置条件下的S参数,获得了大信号等效电路模型中寄生参数和非线性本征元件的数值。通过BP神经网络,利用偏置相关的非线性元件值作为训练样本,利用误差反向传播的Levenberg-Maquardt方法训练神经网络并得到了网络权重数据。模型中的非线性元件在CAD软件中用神经网络实现,并将权重数据和CAD软件结合进行仿真。测试和仿真结果表明模型具有很高的精度。     

基于人工神经网络的通信信号分类识别

通信信号的分类识别是一种典型的统计模式识别问题。系统地论述了通信信号特征选择、特征提取和分类识别的原理和方法。设计了人工神经网络分类器,包括神经网络模型的选择、分类器的输入输出表示、神经网络拓扑结构和训练算法,并提出了分层结构的神经网络分类器。