模糊极大极小算子神经元网络的图灵等价性

将模糊Zadeh算子的定义域作了扩充,并重新定义为模糊极大极小算子,使其满足交换律、结合律和零元律.在此基础上提出一种模糊极大极小算子型神经元网络模型,符合一般模糊算子型神经元网络的定义.与传统的Zadeh算子型模糊神经网络相比具有较强的映射能力.详细证明了用该模糊极大极小算子神经元网络可以计算与图灵机等价的部分递归函数,从而表明模糊极大极小算子神经元网络的计算能力等价于图灵机.将传统神经元M-P模型神经网络的图灵等价性推广到模糊神经元网络.     

电动负载模拟器的自适应模糊PI控制策略

针对电动负载模拟器中存在的多余力矩问题以及不确定性因素对系统性能的影响问题,设计了一种自适应模糊PI控制策略。首先,通过分析电动负载模拟器的组成及工作原理,得到了其数学模型,基于模型分析了多余力矩的产生原因以及系统中存在的不确定因素,分析了系统特性;其次,设计了力矩微分负反馈校正环节和自适应模糊PI控制器,并通过引入前馈补偿法,实现了对多余力矩进一步的抑制;然后,应用Matlab软件,仿真了所设计自适应模糊PI控制器的有效性,仿真结果表明该控制策略可将多余力矩抑制在99%以上,系统在8 Hz正弦力矩信号加载下的幅差小于10%,相差小于10°;最后,在搭建的实验平台上进行了验证,结果表明多余力矩抑制率能达到85%以上,且动态加载能满足"双十"指标。因此,该控制方法可有效抑制多余力矩,使系统具有良好的动态跟踪性能。     

SA烟草公司烟草商业物流绩效评价的实证分析

根据物流绩效评价指标体系,利用模糊综合评价法建立绩效评价模型,对SA烟草公司烟草商业物流绩效进行了综合评价,最后经过实际分析,验证了模型的可行性和实用性。     

固体推进剂综合感度模糊评价法

利用模糊数学方法,建立了固体推进剂综合感度评价的模糊数学模型,并用于NEPE推进剂的综合感度评价。应用结果表明,根据固体推进剂在不同生产工艺过程中各项感度值不同的特点,通过赋予不同的权重系数,消除了传统几何均值感度的片面性;无量纲化处理消除了各项感度之间量纲的不同;等级参数处理使固体推进剂综合感度值数字化,从而可以准确、直观地反应出固体推进剂的危险度。     

卫星链路 CSSDS标准删除卷积码的识别方法

介绍了删除卷积码的定义,根据删除卷积码与源卷积码之间的关系,构建了删除卷积码识别的数学模型。考虑误码情况,针对Walsh‐Hadamard变换在删除卷积码校验矩阵的识别中存在运算量和数据量过大的问题,对校验矩阵方程组进行了变形,提出了改进Walsh‐Hadamard算法,能够有效地识别出校验矩阵。在此基础上识别源码的生成矩阵和删除模式,并通过真实卫星链路构建实验平台进行删除卷积码识别实验。     

空间机器人柔性臂动力学模糊控制的研究

重点研究了在空间机器人柔性臂的动力学非线性控制问题,由于柔性臂动力学系统的强非线性和耦合性,使得柔性臂控制系统复杂,控制的实时性和稳定性差,本文针对以往柔性臂控制所存在的问题,综合考虑系统的动态和静态特性,提出了一种带有非线性补偿器及ＰＩＤ控制器的柔性臂模糊复合控制方案,然后,根据所推导了一两连杆的空间机器人柔性臂的这非线性模型,进行了系统控制的仿真研究,实例仿真的结果表明,该控制方案能有效地抑制     

基于变权的飞机外形参数模糊优化

根据汪培庄提出的变权思想及其给出的一组变权公式,分析了变权与变权综合函数的一些性质及变权和常权的异同,最后将变权应用于飞机外形参数的气动力与隐身一体化模糊优化设计,给出了结果对比.     

数字化实体制造及其实践

提出了工业产品的数字化实体概念,指出了数字化实体制造良好的应用前景.讨论了工业产品数字化实体制造实现的关键技术及其现状,分析了目前存在的主要问题,最后介绍了作者在数字化实体制造方面的实践情况.     

基于SVPWM和模糊PI参数自整定的Z源逆变器并网研究

相比于传统的电压/电流型逆变器,Z源逆变器能实现升降压变换的功能,同时桥臂不需要死区时间,变换器可靠性更高。在传统SVPWM调制方法里,通过在零矢量中插入直通状态(同一桥臂同时导通),使其应用在逆变器中。Z源逆变器在实现更好交流输出的同时,实现了对直流侧电压任意倍数的升压。对于Z源逆变器传统的控制策略是采用电压外环和电流内环构成的双环PI控制,但双环PI控制无法达到较高的控制精度并且并网电流谐波畸变率较高。针对PI控制的局限性,提出了模糊PI控制器。该控制器利用模糊控制技术,根据误差大小对PI参数进行实时在线调整,从而满足最优的性能要求。通过仿真研究,试验结果证实了所提方法的有效性和正确性。     

空间机器人深度学习识别捕获部位的应用探讨

针对空间机器人对捕获部位识别方法的普适性、实时性和准确性等要求,提出了采用深度学习方法对空间机器人捕获目标的特征部位进行识别。通过比较分析方法、数据驱动方法等传统识别方法和深度学习方法的优缺点,发现深度学习方法对于解决空间机器人捕获部位识别问题具有显著优势。进一步分析了应用深度学习方法解决捕获部位识别问题的几个关键技术问题,为后续空间机器人在轨捕获目标的研究与实践提供了新的思路。