由于协作机器人的结构比普通工业机器人更为轻巧，一般动力学模型所忽略的复杂特性占比较大，导致协作机器人的计算预测力矩误差较大。据此提出在考虑重力、科里奥利力、惯性力和摩擦力等的基础上，采用深度循环神经网络中的长短期记忆模型对自主研发的六自由度协作机器人动力学模型进行误差补偿。在实验中采用优化后的基于傅里叶级数的激励轨迹驱动机器人运动，以电机电流估算关节力矩，获取的原始数据用来训练长短期记忆模型(LSTM)补偿网络。网络的训练结果和评价指标为预测力矩相比实际力矩的均方根误差。计算与实验结果表明，补偿后的协作机器人动力学模型对实际力矩具有更好的预测效果，各轴预测力矩与实际力矩的均方根误差相比于未补偿的传统模型降低了61.8%至78.9%不等，表明了文中所提出补偿方法的有效性

第一章 实数集与函数 第二章 数列极限 第三章 函数极限 第四章 函数的连续性 第五章 导数和微分 第六章 微分中值定理及其应用 第七章 实数的完备性 第八章 不定积分 第九章 定积分 第十章 定积分的应用 第十一章 反常积分 第十二章 数项级数 第十三章 函数列与函数项级数 第十四章 幂级数 第十五章 傅里叶级数 第十六章 多元函数的极限与连续 第十七章 多元函数微分学 第十八章 隐函数定理及其应用 第十九章 含参量积分 第二十章 曲线积分 第二十一章 重积分 第二十二章 曲面积分 第二十三章 流形上微积分学初阶

长江大学：《信号与系统》课程教学资源（PPT课件）第7章 连续信号的傅里叶变换分析 7.3 周期信号的傅里叶变换 7.4 傅里叶反变换

《数字信号处理》课程教学课件（2020讲稿）第三章 离散傅里叶变换 §3-3 离散傅里叶级数（DFS）

2.1 引言 2.2 周期序列的离散傅里叶级数（DFS） 2.3 离散傅里叶级数（DFS）的性质 2.4 有限长序列离散傅里叶变换（DFT） 2.5 离散傅里叶变换的性质 2.6 频域采样理论

一个周期为N的周期序列 可表示为： 这样的周期序列的Z变换是不收敛的。如果用离散傅里叶 级数表示，则可以讨论其收敛性。 用傅里叶级数表示，其基波频率为： 用复指数表示： 第k次谐波为： 由于是周期序列，且k次谐波也是周期为N的序列：

第2章时域离散信号和系统的频域分析 2.1引言 2.2序列的傅里叶变换的定义及性质 2.3周期序列的离散傅里叶级数及傅里叶变换表示式 2.4时域离散信号的傅里叶变换与模拟 信号傅里叶变换之间的关系 2.5序列的Z变换 2.6利用Z变换分析信号和系统的频域特性

了解周期序列的傅里叶级数及性质，掌握周期卷积过程； 理解离散傅里叶变换及性质，掌握圆周移位、共轭对称性，掌握圆周卷积、线性卷积及两者之间的关系； 掌握FFT算法的计算量分析，按时间抽选的基-2FFT算法； 2.1 离散傅里叶变换（DFT） 2.2 快速傅里叶变换(FFT) 2.3 FFT应用

2.1 引言 2.2 序列的傅里叶变换的定义及性质 2.3 周期序列的离散傅里叶级数及傅里叶变换表示式 2.4 时域离散信号的傅里叶变换与模拟信号傅里叶变换之间的关系 2.5 序列的Z变换 2.6 利用Z变换分析信号和系统的频域特性

2.1 引言 2.2 序列的傅里叶变换的定义及性质 2.3 周期序列的离散傅里叶级数及傅里叶变换表示式 2.4 时域离散信号的傅里叶变换与模拟 信号傅里叶变换之间的关系 2.5 序列的Z变换 2.6 利用Z变换分析信号和系统的频域特性