研究了全状态约束与输入饱和情况下的全向移动机器人轨迹跟踪控制问题.首先，针对一类三轮驱动的全向移动机器人，考虑系统存在模型参数不确定与外部扰动，建立了运动学与动力学模型；其次，利用障碍Lyapunov函数，结合反步设计方法，有效处理全向移动机器人跟踪过程中存在的状态约束，保证所有状态变量不会超出状态约束的限制区域；然后，针对系统参数不确定和未知有界扰动，设计相应的自适应律进行处理；同时，提出一种抗饱和补偿器保证机器人输入力矩满足饱和约束；并且利用Lyapunov理论分析证明了当选取合适的控制参数时闭环系统中的所有信号均能保证一致有界；最后，通过与未考虑状态约束和输入饱和的控制器以及经典比例-微分控制器进行仿真对比，验证了该方法的有效性和鲁棒性

微分法在几何上的应用 一、空间曲线的切线和法平面 定义设M是空间曲线L上的一个定点,M是 L上的一个动点,当M*沿曲线L趋于M 时,割线MM*的极限位置MT(如果极 限存在)称为曲线L在M处的切线 下面我们来导出空间曲线的切线方程

为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题，本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型；其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T，该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递，使其兼具预测错误率低及收敛速度快的优点；然后，为进一步提高声学模型的准确率，提出了一种适合DL–T的迁移学习方法；最后为验证上述方法，采用DL–T声学模型，基于Aishell–1数据集开展了语音识别研究。研究结果表明：DL–T相较于RNN–T预测错误率相对降低了12.52%，模型最终错误率可达10.34%。因此，DL–T可显著改善RNN–T的预测错误率和收敛速度

隐函数的求导法则 一、一个方程的情形 1.F(x,y)=0 隐函数存在定理1设函数F(x,y)在点P(x,yo)的 某一邻域内具有连续的偏导数,且F(x,yo)=0, F(x,yo)≠0,则方程F(x,y)=0在点P(x,yo)的 某一邻域内恒能唯一确定一个单值连续且具有连续 导数的函数y=f(x),它满足条件yo=f(x),并

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

针对焊缝缺陷磁记忆检测中存在定量化反演难题,建立了基于改进的支持向量回归机定量反演模型.以预制不同尺寸未焊透和夹渣缺陷的Q235焊接试样为试验材料,进行磁记忆扫描检测发现:缺陷位置的磁记忆信号特征参数随尺寸变化而呈现一定的变化规律,但同时存在分散性和不确定性.鉴于磁记忆信号样本的有限性、分散性和非线性,首先将提取到的磁记忆特征参数进行归一化处理,引入支持向量回归机建立焊缝缺陷磁记忆定量反演模型,并进一步利用模拟退火算法对支持向量回归机参数进行优化,使目标函数达到全局最优而非局部最优.最后,考虑到由磁记忆信号逆向反推缺陷的三维尺寸,存在解的不确定性,为此在缺陷单维尺寸反演模型的基础上,通过构建多层结构的支持向量回归机进行多尺寸反演输出,建立了基于模拟退火支持向量回归机的焊缝缺陷磁记忆定量反演模型,结果表明:未焊透缺陷尺寸反演最大相对误差为7.96%,夹渣缺陷为4.97%,为焊缝缺陷的磁记忆反演与定量化评价提供一种新的思路

3.6可逆矩阵 定义6.1设A是一个n阶矩阵若有阶矩阵B 使得AB=BA=,则称A是一个可逆矩阵(非奇 工异矩阵、非退化矩阵),并称B是A的一个逆. 例如,设

作为对经典自适应控制改进的控制方法，多模型自适应控制是解决复杂的大范围参数不确定系统的一种有效途径，并在理论和实践中取得了丰富成果。依据控制器集的不同综合策略，其被分为多种类型，本文旨在对加权型的多模型自适应控制进行综述。加权多模型自适应控制的基本思路是采用“分而治之”的办法，离线建立多个局部模型和对应的多个局部控制器，在线加权融合各个局部控制器的控制输出，从而形成全局控制，是实现鲁棒自适应控制的一类重要方法。首先比较详细地介绍了加权多模型自适应控制研究的历史及现状，然后给出相关研究的新进展和一些观点，包括新的加权算法和相应的加权多模型自适应控制系统的稳定性结果等，最后指出未来的几个研究方向

为拓宽材料的阻尼温域，增大聚氨酯应用范围，基于聚氨酯的结构可设计性，引入含有甲苯-2,4-二异氰酸酯（TDI）和聚乙二醇单甲醚（MPEG）的预聚体制备带长支链的聚氨酯。长支链一端固定一端活动的特点赋予其特有的运动与松弛。甲苯-2,4-二异氰酸酯的存在不仅延长了支链长度，增大了支链与分子间的缠结程度，还使支链含有强极性的吸电子的异氰酸酯基和氨基甲酸酯基，使得支链与主链间具有较强的氢键作用。因此，从氢键及微相分离角度来分别探究聚氨酯阻尼的影响因素。结果表明，长支链占比增加，储能模量比值达到268.28，聚氨酯的微相分离程度降低，氢键作用增强，在氢键作用和微相分离程度降低的双重作用下聚氨酯的有效阻尼（阻尼因子大于0.3）温域超过150 ℃（?50～100 ℃），极大改善了聚氨酯弹性体的阻尼性能。此外，加入支链后聚氨酯具有一定的自修复性，对延长聚氨酯的使用寿命有较大意义

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径