本文从电机的基本矩阵方程入手,用座标变换方法推得了无换向器电动机的数学模型及其简化传递函数,讨论了一些物理量对其动特性的影响,阐明了无换向器电动机闭环控制系统的组成与特性,提出了改善动态特性的方法。研究结果表明,简化传递函数具有足够的准确性;无换向器电动机闭环控制系统具有与直流电动机闭环控制系统极其相似的动态性能;采用磁场调节与电枢调节相结合的控制方式,可以使系统的动态性能得到很大改善

针对永磁直线同步电机伺服系统,提出开闭环迭代学习控制器,实现期望直线位置的跟踪控制.分析了永磁直线同步电机的2-D模型及迭代学习直线伺服系统的收敛性.通过减小系统输入误差协方差矩阵迹的方式得到优化的遗忘因子,来修正控制输入的迭代学习律,同时采用零相位FIR数字滤波器对前馈学习控制器中的误差信号进行滤波处理.实验结果表明,带有遗忘因子的滤波器型迭代学习控制器能够保证直线伺服系统在不断的迭代学习中提高性能,有效抑制端部推力波动,系统具有很好的学习收敛速度、动态响应及控制精度

7.传递函数矩阵的矩阵分式描述 一、基本概念MFD的次数定义为其“分母矩阵”的行列式的次数。若N(s)-(s)为G(s)的一个右MFD,即G(s)=N(s)D-(s)则N(s)W(s)[D(s)W(s)也是G(s)的一个右MFD因此,一个已知的G(s),其MFD表达不唯一,其次数也不唯一

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

信号流图特征式,它是信号流图所表示的方组的系数矩阵的 行列式。在同一个信号流图中不论求图中任何一对节点之间 的增益,其分母总是△,变化的只是其分子

在讨论了状态方程的描述、标准形和模型转换后,本章将讨论线性多变量系统的运动 分析,即线性状态方程的求解。对于线性定常系统,为保证状态方程解的存在性和唯一 性,系统矩阵A和输入矩阵B中各元必须有界。一般来说,在实际工程中,这个条件是一 定满足的

在讨论了状态方程的描述、标准形和模型转换后,本章将讨论线性多变量系统的运动 分析,即线性状态方程的求解。对于线性定常系统,为保证状态方程解的存在性和唯一 性,系统矩阵A和输入矩阵B中各元必须有界。一般来说,在实际工程中,这个条件是一 定满足的

第一节 矩阵 一、 矩阵概念的引入 二、 矩阵的定义 三、 小节、思考题 第二节 矩阵的运算 一、矩阵的加法 二、数乘矩阵 三、矩阵与矩阵相乘 四、矩阵的转置运算 五、小结、思考题 第三节 逆矩阵 一、概念的引入 二、逆矩阵的概念和性质 三、逆矩阵的求法 四、小结、思考题 第四节 分块矩阵 一、矩阵的分块 二、分块矩阵的运算法则 三、小节、思考题 第五节 初等变换和初等矩阵 一、初等变换的引入− −方程组的同解变换 二、矩阵的初等变换 三、初等矩阵的概念 四、初等矩阵的应用 五、小结、思考题

1.分块矩阵的概念 对于矩阵A,采用一种分法,即用若干条纵线和横线分成一 些小矩阵,每一个小矩阵称为A的子块,以子块为元素的形 式上的矩阵称为分块矩阵.在进行行数与列数较大的矩阵 的运算时,常将矩阵分块,以便使运算简化 例如3×4矩阵

第一节:矩阵的概念 第二节:矩阵的运算 第三节:分块矩阵及其运算