用于建立机械制造系统模型的扩展着色Petri网

着色Petri网是描述和分析并行系统的有力工具,近年来在机械制造系统中得到了广泛的应用。由于机械制造系统的自身特点,在表示着色Petri网结构的关联矩阵中含有许多零元素,从而导致着色Petri网占据数据空间大的缺陷,难以对复杂机械制造系统的规划设计与生产调度进行分析研究。 本文基于着色Petri网的基本原理,提出一种适用于建立机械制造系统模型的扩展着色Petri网理论,用于解决着色Petri网占据数据空间大的问题,为Petri网理论在机械制造系统建模方面的广泛应用提供理论基础。最后给出实例,说明减少数据空间的结果。     

力控制反馈信号的神经网络法校正

对机器人的力反馈，主动柔顺控制和双向联想记忆的神经网络进行了综合研究，针对机器人腕力传感器输出信号的部分失真，提出了机器人擦洗平面玻璃力反馈信号神经校正的方法，并建立了相应的神经网络结构，在ＡｄｅｐｔＴｈｒｅｅ精密装配机器人上进行了试验验证，取得了满意的效果。     

求解最小费用流的复合标号法

本文在求最短路和求最大流标号法的基础上,提出了求解最小费用流的复合标号法。利用这种方法可以在一次标号的过程中找到具有最小费用的增广链。该算法具有简单、易行、迭代次数少,而且易于理解的特点。     

基于BP网络的热工过程模型辨识方法

主要研究了人工神经网络在辨识火电厂热工过程模型中的应用，利用Visual C^ 语言构造BP神经网络,提出了把BP网络权值转换为传递函数的方法，针对火电厂常见的热工过程，不用人为加入特殊的激励信号，只利用现场生产中自然存在的扰动信号进行辨识试验，试验结果准确可靠。     

神经网络与D-S理论结合的HRR识别研究

基于D-S(Dempster-Shafer)证据理论,比较和研究了相关数据和不相关数据的融合方法,分析了多传感器数据融合的算法:集中式融合算法和分布式融合算法.经过实验证明,执行分布式有反馈融合算法时的效果最好.然后利用该算法,提出了和线性内插神经网络相结合的识别方法.利用4种飞机的步进频率雷达的高分辨率一维距离像,将神经网络的识别结果作为证据分别送入传感器进行融合,进行识别研究.实验证明,与单纯利用神经网络的方法比较,目标的正确识别率得到了改善.     

基于联邦滤波器的新型故障检测结构及算法

提出了一种基于联邦卡尔曼滤波器的故障检测结构,该结构利用各局部滤波器和参考滤波器共有状态之间的残差进行故障检测.并提出了2种故障检测算法:χ2检验法和Elman神经网络检验法.以组合导航系统为例进行了仿真研究,和其它算法相比该算法计算简单、可靠,不但可以快速检测出外部传感器及参考系统故障,且具有很好的容错性能,能快速检测出故障并进行隔离,使融合后系统依然保持较高精度.     

非线性随机动态系统学习建模方法

在动态神经网络及扩展卡尔曼滤波算法的基础上，提出了对非线性随机动态系统进行学习建模的迭代算法，用这种方法对非线性随机系统建模，可以获得更准确伯系统模型，并可对非线性随机系统进行状态估计。最后给出相应算法及仿真结果。     

机器人运动的学习控制

机器人学习控制旨在采用简单的控制器结构和易于实现的控制算法,提高机器人轨迹动态跟踪精度。本文讨论了机器人控制研究中存在的困难,简要回顾了早期学习控制思想的形成和发展,重点介绍了近年来国内外有关机器人学习控制研究的现状。     

无刷直流电动机的新型自适应模糊神经控制

 为无刷直流电动机提出了一种自适应模糊神经控制方法.这是一种建立在开关控制、模糊控制和自适应控制相结合基础上的控制方法,并用神经网络实现了模糊控制器和自适应机构.在无刷直流电动机的双闭环调速系统中,电流控制器是PI控制器;转速控制器是由1个开关控制器和1个包括自适应机构在内的模糊控制器相结合组成的,且用1个3层前向神经网络离线学习实现了模糊控制器,学习算法采用的是改进的BP算法.用1个单神经元通过在系统运行过程中的动态学习实现了自适应机构,学习算法选用了有监督的Hebb学习算法.由电机所处的运行阶段决定哪一个控制器工作.此控制算法的仿真结果说明,它使系统具有良好的动、静态特性和自适应性.     

Application of improved active disturbance rejection control algorithm in tilt quad rotor

The Tilt Quad Rotor (TQR) has complex dynamics characteristics, especially in conversion mode. It is difficult to build the dynamic model of the TQR and the environmental factors have a great influence on it. To solve the problem of control in conversion mode of TQR, this paper carries out the design of the controller based on improved Active Disturbance Rejection Control (ADRC). According to the characteristics of flight in conversion mode, Tracking Differentiator (TD) with explicit model is used to solve the problem of multiple integrals when the system is high-order system. Extended State Observer (ESO) with Radial Basis Function (RBF) neural network is used to estimate and compensate for internal and external uncertainties, and the adaptive sliding mode control in Nonlinear State Error Feedback (NLSEF) is used to improve the response speed of the controller and reduce the parameters which should be tuned. Through the flight control simulation of the TQR, the validity and rationality of the control system are verified.