本项目研究神经网络的理论和算法,探索适用于控制液压伺服系统和其它机电系统的神经网络.研究了小脑模型,径向基函数,神经模糊混合网络,高阶神经网络,高阶小脑模型,模糊扩展高阶神经网络,基于高阶神经网络非线性直接自学习控制器,神经网络补偿变结构控制器,神经网络一步超前预测控制器和神经网络H跟踪器等,进行了收敛性,稳定性和鲁棒性等方面的理论探讨,研究了提高快速性的算法.研究神经控制和常规控制或鲁棒控制的结合,形成多处新型高智能控制系统,针对这些控制器应用于液压伺服系统和机器人,进行了大量信真和实验研究,实现了实时控制.研究成果可以应用于电液伺服系统,并为更深入的智能控制研究打下良好的基础
{{i.achievement_title}}
数据更新时间:2023-05-31
端壁抽吸控制下攻角对压气机叶栅叶尖 泄漏流动的影响
基于ESO的DGVSCMG双框架伺服系统不匹配 扰动抑制
滚动直线导轨副静刚度试验装置设计
物联网中区块链技术的应用与挑战
多源数据驱动CNN-GRU模型的公交客流量分类预测
新型直接驱动式液压伺服泵的基础研究
广义脉码调制液压伺服控制的理论和应用研究
非线性多变量液压伺服系统自适应控制
无油泵交流伺服直驱新型液压机的传动理论研究