基于Ziegler-Nichols频率响应方法的自适应PID控制

提出一种基于Ziegler-Nichols频率响应方法的自适应PID控制器,它通过控制回路正常运行中的过程对象输入输出数据在线辨识出过程对象重要的临界频率响应特性,然后基于Zieger-Nichols整定规则或改进的方法在线更新PID控制器参数.PID控制器的自适应过程不需要系统的任何先验知识,也不需要建立任何对象模型,可以保证控制回路始终运行在最佳状态.仿真实验表明了自适应PID控制的有效性和可行性.     

气动人工肌肉手臂的神经网络Smith预估控制

针对含时滞d的1关节气动人工肌肉(PAM)手臂,用三层递归神经网络(RNN),建立PAM手臂包含时滞的模型(即非线性Smith预估器),并超前d步预测PAM手臂的输出角度.将此超前d步的预测值作为反馈量,与设定值相比较得到的误差作为PID控制器输入量,实现Smith预估PID控制.同时每一步都用RNN模型当前时刻的输出值与PAM手臂当前时刻实际输出值之差的平方做为RNN权值的在线调整准则对RNN预测模型的权值进行在线调整,以自适应PAM手臂的不确定性和时变性.使用Matlab通过串口和研华亚当模块对实物PAM手臂进行控制,控制效果表明所提出的Smith预估PID控制算法比常规PID控制算法的性能有显著提高,证明所提出的算法是有效的和切实可行的.     

动态滑模控制在EAF电极调节系统中的应用

针对电弧炉电极调节系统的非线性、时变、模型不确定、大滞后等特点,结合高阶滑模和动态滑模控制的设计思想为其设计了一种动态滑模控制器,即通过微分环节构成新的切换函数,将不连续项转移到控制的一阶中,得到本质连续的动态滑模控制律,并将其应用到电弧炉电极调节系统中。对系统的阶跃响应和跟踪特性分别进行了仿真,仿真结果表明,所设计的动态滑模控制器不仅能使系统具有良好的动态性能和较强的跟踪特性,同时能有效地抑制系统的抖振,达到控制系统的动态品质要求。     

五自由度上肢康复机器人动力学建模及仿真

分析了五自由度上肢康复机器人的系统结构,构建出新的系统简化模型,并利用拉格朗日动力学法建立康复机器人简化动力学方程,提出了一类机器人简化建模的新方法.在Matlab中用V-realm Builder工具建立5-DOF上肢康复机器人三维虚拟仿真模型并进行虚拟仿真.仿真结果表明,简化的动力学模型在康复机器人控制中应用效果良好,理论响应曲线与实际响应曲线误差较小.该方法建模过程简单、快捷、有效,适合现代计算技术的发展,为康复机器人系统的优化设计及运动控制提供了理论依据.     

编译原理实验课程教学设计的改进

目前,编译原理实验课程中存在的一些问题影响了教学效果。主要原因是:学生的认识存在误区,实验内容和要求层次性不够明显,实验的组织形式比较单一。提出了改进方法:设计应用型实验提高学生的学习兴趣;重新设计实验内容和实验难度,更好地符合学生的认知规律;通过协同学习,提高学生的团队协作能力。     

Flash类绑定机制研究与应用

文章分析了Flash类绑定的基本原理,探讨了类绑定的几种方式和优缺点,并通过代码演示了类绑定的技巧,总结出在RIA项目开发中,采用类绑定是美工和代码分离的重要途径,既保证了界面友好和代码逻辑完整,也可以提高整个开发效率。     

基于.NET的B/S架构科研管理系统设计

该文利用.Net环境的分层设计思想和C#、SQL Server 2005数据库构建了一个界面友好的B/S版科研信息管理系统。基于科研信息管理系统的开发背景,并由此划分出各个模块,有论文管理模块、著作管理模块、专利管理模块、立项管理模块、获奖管理模块、专项管理模块、职称晋升模块和系统管理模块等。     

提高大学生科研创新能力新举措

当今社会是一个创新的社会,创新是一个国家发展的动力和源泉。科研创新是创新的一个很重要的方面,提高大学生科研创新能力已成为当今高校进行创新人才培养的最重要的目标之一。该文分析了当今高校在对于提高大学生科研创新方面普遍存在的问题,相应的提出"提高大学生对科研创新兴趣-创建专业型教师队伍-构建新型创新活动平台-构建合理激励奖励机制"这一系列举措以期更加全面更加有力的促进大学生科研创新能力的培养。     

视觉测量中多光学靶点亮度自适应控制

提出了一种面向大视场高精度视觉测量的多红外目标靶点（红外LED）亮度自适应控制方法。以微控制器PIC16F873A和LED驱动芯片MAX6964作为核心器件,设计了可满足大空间范围内靶点亮度控制需求的多目标靶点控制驱动器。为了使LED在近距测量时的调节精度和远近距离测量时的发光亮度都能满足要求,根据MAX6964输出特点设计了PWM信号输出电路,并采用推挽电路驱动LED。实验证明,目标靶点在CCD相机上成像光斑稳定一致。     

Weighted principal component extraction with genetic algorithms

Pattern recognition techniques have been widely used in a variety of scientific disciplines including computer vision, artificial intelligence, biology, and so forth. Although many methods present satisfactory performances, they still have several weak points, thus leaving a lot of space for further improvements. In this paper, we propose two performance-driven subspace learning methods by extending the principal component analysis (PCA) and the kernel PCA (KPCA). Both methods adopt a common structure where genetic algorithms are employed to pursue optimal subspaces. Because the proposed feature extractors aim at achieving high classification accuracy, enhanced generalization ability can be expected. Extensive experiments are designed to evaluate the effectiveness of the proposed algorithms in real-world problems including object recognition and a number of machine learning tasks. Comparative studies with other state-of-the-art techniques show that the methods in this paper are capable of enhancing generalization ability for pattern recognition systems.