神经元模型 感知器 网络结构 网络训练 循环网络

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%

哈尔滨工业大学：《神经网络》课程教学资源_过程神经元与过程神经网络模型

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性

在深入研究APT-2神经网络结构的基础上,提出了一种基于神经网络的自适应故障模式分类方法,并应用在轴承故障诊断中,结果表明:该方法对轴承故障模式具有自学习、快速稳定的识别能力

将BP神经网络建模方法与预测控制思想相结合用于宽带钢板形自动控制,研究并建立了基于BP神经网络的板形预测控制数学模型.经用宝钢1420mm冷轧实测数据仿真验证表明该模型具有很高的预测精度

提出高炉异常炉况判断专家系统原理及实现方法.针对一般专家系统知识获取\瓶颈\现象,引入神经网络实现高炉异常炉况判断.仿真结果表明,这种方法实用可行,为高炉异常炉况判断采用神经网络实现提供了1个很好的实例

4.1 模糊控制技术 4.1.1 模糊控制的数学基础 4.1.2 模糊控制原理 4.1.3 模糊控制器设计 4.1.4 模糊控制的特点 4.1.5 模糊控制的应用 4.1.6 模糊控制的现状与发展 4.4.1 内部模型 4.2 神经网络控制技术 4.2.1 神经网络基础 4.2.2 神经网络控制 4.4.2 预测模型 4.3 专家控制技术 4.3.1 专家系统 4.3.2 专家控制介绍 4.3.3 专家控制基本思想 4.3.4 专家控制组织结构 4.4.3 预测控制算法 4.4 预测控制技术 4.5 其它先进控制技术

分析了小波基函数对于确定模式、混沌模式及随机模式所表现出来的不同的收敛特性,提出构造一个小波神经网络及相应学习算法.利用小波网络在学习过程中神经元的不同增长趋势来反映上述收敛性的差异,从而将3种不同的模式予以区分,并将混沌模式从中提取出来

论述了基于神经网络模型的特定人汉语语音识别,并建立了一基于3层BP神经网络的汉语语音识别系统.对汉语10个数字(1~10)进行识别实验,获得了较满意的识别结果