16-1 二端口网络 16-2 二端口的参数和方程 16-3 二端口的等效电路 16-5 二端口的联接 16-4 二端口的转移函数 16-6 回转器与负阻抗变换器

本章介绍二端口(网络)及其方程,二端口的YZ、A、H等参数矩阵以及它们之间的相互关系,还介绍转移函数,型和Ⅱ型等效电路及二端口的连接,最后介绍回转器和负阻抗变换器

针对一类带有未知虚拟控制增益的随机严格反馈非线性系统,基于后推设计,引入积分型Lyapunov函数,并利用神经网络的逼近能力,提出了一种自适应神经网络控制方案.与现有研究结果相比,放宽了对控制系统的要求,取消了对于未知函数的限制条件.通过Lyapunov方法证明了闭环系统的所有误差信号依概率有界.仿真结果验证了所给控制方案的有效性

16.1 二端口网络 16.2 二端口的方程和参数 16.3 二端口的等效电路 16.4 二端口的转移函数 16.5 二端口的连接 16.6 回转器和负阻抗转换器

16.1二端口网络 16.2二端口的方程和参数 163二端口的等效电路 16.4二端口的转移函数 16.5二端口的连接 16.6回转器和负阻抗转换器

16-1 二端口网络 16-2 二端口的参数和方程 16-3 二端口的等效电路 16-5 二端口的联接 16-4 二端口的转移函数 16-6 回转器与负阻抗变换器

模块（组合）网络 （1） 产生的背景 （a) 更好的映射非线性函数 （b) 模拟人类神经系统,分工合作 （c) 在控制中,克服“时间交叉”(Temporal Crosstalk) 现象

自适应线性元件( Adaptive Linear Element,简称 Adaline)也是早期神经网络 模型之一,它是由威德罗( Widrow)和霍夫(Hof)首先提出的。它与感知器 的主要不同之处在于其神经元有一个线性激活函数,这允许输出可以是任意 值,而不仅仅只是像感知器中那样只能取0或1。另外,它采用的是W一H学 习法则,也称最小均方差(LMS)规则对权值进行训练,从而能够得到比感知器 更快的收敛速度和更高的精度 自适应线性元件的主要用途是线性逼近一个函数式而进行模式联想

针对机器人谐波减速器关节在转动过程中存在的波动摩擦力矩, 提出一种基于傅里叶级数函数和BP神经网络的建模方法, 并完善机器人的动力学模型, 修正了因波动摩擦力矩带来的关节力矩计算误差. 通过研究谐波减速器关节的波动摩擦力矩在不同影响因素下的变化特性, 采用傅里叶级数与BP神经网络结合的方法对波动摩擦力矩进行建模. 通过添加傅里叶级数函数作为BP神经网络的辅助输入, 克服了力矩误差曲线因存在高频周期性波动而难以拟合的困难. 在离线环境下训练神经网络, 完成对关节波动摩擦力矩的建模, 进而完善机器人的动力学模型和修正关节中存在的波动摩擦力矩. 验证实验表明, 使用完善后的动力学模型可以有效计算谐波减速器关节的波动摩擦力矩, 并使修正后的力矩误差维持在[-0.5, 0.5] N·m的范围之内, 方差为0.1659 N2·m2, 是修正前的24.23%

作为磨矿过程的主要生产质量指标, 磨矿粒度是实现磨矿过程闭环优化控制的关键.将磨矿粒度控制在一定范围内能够提高选别作业的精矿品位和有用矿物的回收率, 并减少有用矿物的金属流失.由于经济和技术上的限制, 磨矿粒度的实时测量难以实现.因此, 磨矿粒度的在线估计显得尤为重要.然而, 目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿, 其矿浆颗粒存在磁团聚现象, 所采集的数据存在大量异常值, 使得利用数据建立的磨矿粒度模型存在较大误差.同时, 传统前馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点, 且单一模型泛化性能较差, 现有的集成学习在异常值干扰下性能严重下降.因此, 本文在改进的随机向量函数链接网络(random vector functional link networks, RVFLN)的基础上, 将Bagging算法与自适应加权数据融合技术相结合, 提出一种基于鲁棒随机向量函数链接网络的集成建模方法, 用于磨矿粒度集成建模.所提方法首先通过基准回归问题进行了实验研究, 然后采用磨矿工业实际数据进行验证, 表明其有效性