CN101986564B - 基于Backlash算子和神经网络的自适应滤波器 - Google Patents
基于Backlash算子和神经网络的自适应滤波器 Download PDFInfo
- Publication number
- CN101986564B CN101986564B CN 201010547867 CN201010547867A CN101986564B CN 101986564 B CN101986564 B CN 101986564B CN 201010547867 CN201010547867 CN 201010547867 CN 201010547867 A CN201010547867 A CN 201010547867A CN 101986564 B CN101986564 B CN 101986564B
- Authority
- CN
- China
- Prior art keywords
- module
- output
- neural network
- centerdot
- backlash
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 239000000919 ceramic Substances 0.000 abstract description 13
- 238000005094 computer simulation Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002520 smart material Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于Backlash算子和神经网络的自适应滤波器以及其对蠕变迟滞***的建模方法,属于非线性迟滞蠕变***建模技术领域。该基于Backlash算子和神经网络的自适应滤波器包括蠕变模块、多个相同宽度的Backlash算子模块、神经网络模块以及误差计算模块。该自适应滤波器设计方法简单易行,避免使用延迟项,滤波器的输出只与当前输入有关,同时可以体现迟滞的非线性,并且Backlash算子串联结构的输出与神经网络相连,能够实时调整权值,不需要事先准备大量的样本数据,能够大大提高建模精度。本发明适合用于建模例如压电陶瓷执行器、磁致伸缩执行器、以及励磁电机等具有迟滞及蠕变非线性特性的***。
Description
技术领域
本发明涉及一种基于Backlash算子和神经网络的自适应滤波器以及其对蠕变迟滞***的建模方法,属于非线性迟滞蠕变***建模技术领域。
背景技术
近年来,由智能材料构成的传感器与执行器在精密加工和精确定位***中得到了广泛的应用。但智能材料的迟滞与蠕变等非线性特性使这些***的重复性降低、瞬态响应速度变慢、控制精度下降甚至使闭环***不稳定,并且增加了控制器设计的难度。这些问题使得经典控制理论和现代控制理论都难以对其实施有效控制,所以需要提出特定的建模与控制方法解决该领域的问题。要对蠕变迟滞非线性进行补偿以实现精确控制,首先需要建立精确的非线性模型,然后在模型的基础上提出控制补偿方法。
对于蠕变迟滞非线性对象,目前Krasnoselskii-Pokrovskii(KP)模型、Jiles-Atherton(JA)模型、Preisach模型、Duhem模型、Prandtl-Ishlinskii(PI)模型等多种建模方法已被提出,目前存在的建模方法大都实现较复杂,不利于实际应用。PI模型用斜坡函数特性的迟滞元进行叠加来逼近迟滞特性,由于其结构简单,故可以解析的求逆,较多地应用于实时控制。基于Backlash迟滞算子的迟滞模型属于PI模型,这种模型由一系列Backlash算子加权叠加组成。这类方法所采用的Backlash算子迟滞特性参数的确认缺乏有效手段,模型结构多采用离线神经网络结构,实现比较复杂,需要大量训练样本,当数据不充分的时候,就无法进行工作。目前对蠕变非线性对象进行建模多采用对数形式或蠕变算子叠加的形式,实现较为复杂。
自适应滤波器可以用于自适应对象建模。最常用的横向滤波器结构由可变加权的抽头延迟线、一个加法器和一个自适应过程所构成。这些权系数的输入信号就是在各延迟抽头线上的信号,用一个加法器将这些加权后的信号相加,再由一个LMS自适应过程自动搜寻调节这些权系数。该方法结构简单,计算速度快,自适应能力强,非常便于计算机模拟以及硬件实现。但是该滤波器对具有蠕变迟滞非线性的对象进行建模的精度较差。
发明内容
本发明针对现有Backlash算子叠加建模方法实现复杂以及时间延迟线横向自适应滤波器对迟滞非线性进行建模时精度不足的问题,参考横向自适应滤波器的结构,提出了一种基于Backlash算子和神经网络的自适应滤波器及其对迟滞蠕变***的建模方法。
一种基于Backlash算子和神经网络的自适应滤波器包括蠕变模块、多个相同宽度的Backlash算子模块、神经网络模块以及误差计算模块,本自适应滤波器的结构框图如图1所示,其中:
蠕变模块的输入与自适应滤波器的信号输入相连,蠕变模块的输出连接到第一个Backlash算子模块,Backlash算子如图2所示。蠕变模块用于模拟蠕变非线性,形式为一个一阶惯性环节其中K和TS的数值由具体非线性***上的实验获得。
多个相同宽度的Backlash算子模块连接成串联结构,蠕变模块的输出与第一个Backlash算子模块相连,串联的相邻两个Backlash算子模块之间的信号被引出,作为神经网络模块的输入信号。
神经网络模块为三层结构,包括两个隐层以及一个输出层,每一层包括多个自适应神经元模块(包括自适应加权模块、加法器模块以及激励函数模块),神经网络模块的输出即为整个滤波器的输出。神经网络模块的结构如图2所示,自适应神经元的结构如图3所示。神经网络模块的输出同时与误差计算模块的一路输入相连,误差计算模块的另一路输入是滤波器的期望输出信号即目标信号。
误差计算模块有两路输入,分别为前述的神经网络模块输入和滤波器的期望输出信号即目标信号,误差计算模块的输出则连接到神经网络模块用于调节自适应神经元模块中的自适应权值。
其中神经网络模块的功能为将各个算子进行加权值叠加得到第
其中,为第一隐层第i个神经元的输出,为第二隐层第j个神经元的输出;Prm[x(k)]表示串联Backlash算子结构中的第m个宽度为r的Backlash算子模块的输出,表示第m个Backlash算子的输出与第一隐层第i个神经元之间的权值,表示神经网络模块第一隐层第i个神经元与第二隐层第j个神经元之间的权值,表示神经网络模块第二隐层第j个神经元与输出神经元之间的权值。
误差计算模块的功能为计算期望输出y(k)与实际滤波器输出y′(k)的误差e(k)=y(k)-y′(k),其结果供神经网络模块调整其内部的自适应权值。
神经网络模块中的自适应加权模块有多个。各个加权模块的自适应权值根据期望输出与实际自适应滤波器输出的误差,即误差计算模块的输出进行实时调整。调整原则为前向算法,权值修正方法如公式(1)所示:
(1)
本自适应滤波器采用若干个相同宽度的Backlash算子串联的结构,为硬件实现奠定了基础,避免不同宽度的Backlash算子在硬件实现时的复杂性。自适应滤波器的输入先进行归一化处理,输出时再进行反归一化处理。每个Backlash算子的宽度r由所选用的Backlash算子的个数n决定:串联结构中各个Backlash算子模块的输出的计算方法为:
k时刻自适应滤波器的输入信号x(k)经过一个宽度为r的Backlash算子模块后的输出Pr1[x(k)]如公式(2)所示:
(2)
k时刻滤波器的输入x(k)经过i个宽度为r的Backlash算子模块串联结构后的输出Pri[x(k)]如公式(3)所示:
(3)
利用本发明的一种基于Backlash算子和神经网络的自适应滤波器对具有迟滞蠕变特性的非线性***的建模方法为:
步骤1、搭建自适应建模***。将建模信号同时连接实际迟滞蠕变非线性***的输入端以及基于Backlash算子和神经网络的自适应滤波器的信号输入端。将实际迟滞蠕变非线性***的输出信号输入到自适应滤波器的误差计算模块,误差计算模块经过前向算法计算后将结果输出给神经网络模块中的自适应加权模块。
步骤2、搭建好建模***后,随机给定加权模块(m=1,2...n,i=1,2,...l1),(i=1,2...l1,j=1,2,...l2),(j=1,2,...l2),的初值,输入第一个给定指令信号。
步骤5、输入下一个给定信号指令,回到步骤3,重复该过程直至误差不再下降并保持一段时间,这时候本发明的基于Backlash算子和神经网络的自适应滤波器能够精确的模拟实际迟滞蠕变非线性***。
有益效果
本发明的基于Backlash算子和神经网络的自适应滤波器在横向自适应滤波器的结构上进行了改进,加入Backlash算子和神经网络结构,设计方法简单易行。本发明的滤波器避免使用延迟项,只与当前输入有关,同时可以体现迟滞的非线性,并且与横向自适应滤波器相比,基于Backlash算子和神经网络的自适应滤波器有更精确的建模效果,Backlash算子串联结构的输出与神经网络相连,权值实时调整,不需要事先准备大量的样本数据,更新方法简便易行,神经网络结构能够大大提高建模精度。
本发明的基于Backlash算子和神经网络的自适应滤波器以及基于该滤波器的建模方法可以应用于具有迟滞及蠕变非线性特性的***,例如压电陶瓷执行器、磁致伸缩执行器、以及励磁电机等。本发明可以对具有迟滞特性的***进行建模,精确地描述非线性***的迟滞特性。
附图说明
图1为本发明的基于Backlash算子和神经网络的自适应滤波器结构框图。
图2为本发明的Backlash算子结构的示意图。
图3为神经网络模块的结构框图。
图4为神经网络模块中自适应神经元模块的结构框图。
图5为本发明的基于Backlash算子和神经网络的自适应滤波器的建模***示意图。
图6为压电陶瓷执行器实验平台的结构示意图。
图7为对迟滞蠕变非线性特性***的建模过程。
图8为常见的横向自适应滤波器结构。
图9为具体实施方式中采用不同滤波器的建模效果图,其中,(a)为采用了横向滤波器时的建模情况与误差,(b)为采用了本发明的Backlash神经网络自适应滤波器时的建模情况与误差。
具体实施方式
为了更好的说明本发明,下面结合附图和实施例进一步说明。
本发明的基于Backlash算子和神经网络的自适应滤波器结构框图如图1所示,包括括蠕变模块、多个相同宽度的Backlash算子模块、神经网络模块以及误差计算模块。神经网络模块包括两个隐层以及一个输出层,每一层由若干自适应神经元模块(包括自适应加权模块,加法器模块以及激励函数模块)。按照公式(3)计算各个串联Backlash算子环节的输出。下面的过程说明了公式(3)的有效性。
对于宽度分别为r1和r2的两个Backlash算子,其离散形式的传递特性分别为:
和:
式中x1和x2分别为宽度为r1和r2的Backlash算子的输入,y1和y2分别为输出。
当两个算子串联连接时,有x1(k)=x(k),y1(k)=x2(k),y(k)=y2(k),为了计算串联后算子的输出y(k),可以分以下三种情况来讨论:
(1)当x1(k-1)<x1(k)时:
如果y1(k)≤x1(k-1)-r1,则存在y1(k)=x1(k)-r1
因为Backlash函数是非严格单调递增的,且x1(k-1)<x1(k)
所以y1(k-1)<y1(k)即x2(k-1)<x2(k)
如果y2(k-1)≤x2(k-1)-r2=x1(k-1)-r1-r2=x1(k-1)-(r1+r2)
则y2(k)=x2(k)-r2=x1(k)-(r1+r2)
(2)x1(k-1)>x1(k)时:
如果y1(k)≥x1(k-1)-r1,则存在y1(k)=x1(k)-r1
因为Backlash函数是非严格单调递增的,且x1(k-1)>x1(k)
所以y1(k-1)>y1(k)即x2(k-1)>x2(k)
如果y2(k-1)≥x2(k-1)-r2=x1(k-1)-r1-r2=x1(k-1)-(r1+r2)
则y2(k)=x2(k)+r2=x1(k)+(r1+r2)
(3)其他情况时:y(k)=y(k-1)
所以,对于串联的宽度分别为r1和r2的两个Backlash算子,可以等价为一个宽度为r1+r2的Backlash算子。若两个串联的Backlash算子宽度相等,r1=r2=r,则等价为一个宽度为2r的Backlash算子。依次类推,i个宽度为r的Backlash算子串联,等价为如下一个宽度为i·r的算子
所以本发明的Backlash算子模块的输出可以采用发明内容中公式(3)的输出Pri[x]的计算公式表示。
本实施例通过在压电陶瓷执行器纳米定位***实验平台上进行实验,以验证本发明提出的Backlash神经网络自适应滤波器的建模与补偿效果优于现有技术。
利用本发明的基于Backlash算子和神经网络的自适应滤波器对非线性***进行建模的***示意图如图5所示。其中,本实施例建立的模型中的实际迟滞蠕变非线性***采用压电陶瓷执行器。纳米定位***实验平台硬件组成如图4所示,压电陶瓷型号为PST150/7/40VS12,耐压范围为-30~150V,输出位移范围为0-12μm。功率放大与差动放大由HPV系列压电陶瓷驱动电源实现。DSP控制器用TI公司TMS320LF2407做控制器件,数模及模数转换分别是16位的AD669及AD976,DSP控制器通过串口把采集到的数据传给上位机。基于Backlash算子和神经网络的自适应滤波器在DSP控制器中完成。
建立模型时,对于输入的建模信号,将压电陶瓷执行器的输出位移与基于Backlash算子和神经网络的自适应滤波器的输出通过减法器求得误差,结合神经网络模块中各神经元的输出,按照式(1)更新权值,最终确定一组权值,使得本发明的基于Backlash算子和神经网络的自适应滤波器的输出能够较精确的逼近压电陶瓷执行器的输出,建模过程结束。自适应滤波器用以压电陶瓷非线性建模的程序流程如图7所示。通过实验选择确定蠕变模块的参数TS=4.034×10-4,K=1,串联Backlash算子的个数n=20,此时的可以用较少的Backlash算子模块数实现较为精确的建模结果。
图8是常见的横向自适应滤波器,运用该横向自适应滤波器对压电陶瓷执行器进行建模,与运用本发明的基于Backlash算子和神经网络的自适应滤波器的建模结果进行比较。采用横向自适应滤波器的建模效果如图9(a)所示,采用基于Backlash算子和神经网络的自适应滤波器的建模结果如图9(b)所示。
对不同的输入信号进行建模实验,选取四组信号输入压电陶瓷执行器,测量其实际位移输出分别采用横向自适应滤波器(TAF)方法,本发明的Backlash神经网络自适应滤波器(BNAF)方法,以及在迟滞非线性建模领域应用较多的经典Preisach建模(CPM)方法对压电陶瓷执行器的非线性进行建模,比较不同的信号输入情况下,运用不同的方法时的建模平均绝对值误差|e|ave以及均方MSE差。计算均方差时,从自适应过程进行一段时间后开始,此后最大绝对值误差基本不再减小。表1列出了不同情况下的误差。
表1不同输入信号下不同方法的建模误差
可见本发明所提出的基于Backlash算子和神经网络的自适应滤波器相比横向自适应滤波器以及经典的Preisach方法,能达到更高的精度,将建模平均绝对值误差降低到0.03μm以下。
由以上实验结果可以看出,本发明提出的基于Backlash算子和神经网络的自适应滤波器可以达到精确的建模效果。
以上所述的具体描述,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于Backlash算子和神经网络的自适应滤波器,其特征在于包括蠕变模块、多个相同宽度的Backlash算子模块、神经网络模块以及误差计算模块,其中:
蠕变模块的输入与自适应滤波器的信号输入相连,蠕变模块的输出连接到第一个Backlash算子模块,蠕变模块用于模拟蠕变非线性;
多个相同宽度的Backlash算子模块连接成串联结构,第一个Backlash算子模块与蠕变模块的输出相连,串联的相邻两个Backlash算子模块之间的信号被引出,作为神经网络模块的输入信号;
神经网络模块为三层结构,包括两个隐层以及一个输出层,每一层包括多个自适应神经元模块,包括自适应加权模块、加法器模块以及激励函数模块,神经网络模块的输出即为整个滤波器的输出,该输出同时与误差计算模块的一路输入相连,误差计算模块的另一路输入是滤波器的期望输出信号即目标信号;
误差计算模块有两路输入,分别为前述的神经网络模块输出和滤波器的期望输出信号即目标信号,误差计算模块的输出则连接到神经网络模块用于调节自适应神经元模块中的自适应权值;
其中神经网络模块的功能为将各个算子进行加权值叠加得到第一、第二隐层神经元的输出: 并得出滤波器输出为:
其中,为第一隐层第i个神经元的输出,为第二隐层第j个神经元的输出;Prm[x(k)]表示串联Backlash算子结构中的第m个宽度为r的Backlash算子模块的输出,表示第m个Backlash算子的输出与第一隐层第i个神经元之间的权值,表示神经网络模块第一隐层第i个神经元与第二隐层第j个神经元之间的权值,表示神经网络模块第二隐层第j个神经元与输出神经元之间的权值;
误差计算模块的功能为计算期望输出y(k)与实际滤波器输出y′(k)的误差e(k)=y(k)-y′(k),其结果供神经网络模块调整其内部的自适应权值;
神经网络模块中的自适应加权模块有多个,各个自适应加权模块的自适应权值根据期望输出与实际滤波器输出的误差,即误差计算模块的输出进行实时调整,调整原则为前向算法,权值修正方法为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010547867 CN101986564B (zh) | 2010-11-17 | 2010-11-17 | 基于Backlash算子和神经网络的自适应滤波器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010547867 CN101986564B (zh) | 2010-11-17 | 2010-11-17 | 基于Backlash算子和神经网络的自适应滤波器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101986564A CN101986564A (zh) | 2011-03-16 |
CN101986564B true CN101986564B (zh) | 2013-10-16 |
Family
ID=43710876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010547867 Expired - Fee Related CN101986564B (zh) | 2010-11-17 | 2010-11-17 | 基于Backlash算子和神经网络的自适应滤波器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101986564B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102394592B (zh) * | 2011-10-18 | 2013-12-11 | 北京理工大学 | 一种基于Backlash算子的自适应滤波器 |
CN103956993B (zh) * | 2014-03-28 | 2017-03-22 | 北京理工大学 | 基于Backlash算子的自适应格型滤波器及其建模方法 |
CN104238366B (zh) * | 2014-09-29 | 2017-10-03 | 中国科学院自动化研究所 | 基于神经元网络的压电陶瓷执行器的预测控制方法及装置 |
CN104597757A (zh) * | 2014-12-31 | 2015-05-06 | 北京理工大学 | 一种波纹管驱动定位平台蠕变建模与补偿控制方法 |
CN104796111B (zh) * | 2015-05-14 | 2017-07-28 | 北京航空航天大学 | 一种用于动态迟滞***建模与补偿的非线性自适应滤波器 |
CN104825157B (zh) * | 2015-05-14 | 2017-08-29 | 中国科学院上海微***与信息技术研究所 | 运动状态下监/检测心电信号的运动干扰移除方法 |
CN107508576B (zh) * | 2017-08-15 | 2020-12-29 | 电子科技大学 | 一种基于神经网络的有源复数滤波器 |
CN108828341B (zh) * | 2018-03-28 | 2020-06-09 | 江苏大学 | 一种压电陶瓷直流电压下迟滞特性的检测装置及计算方法 |
CN108490795B (zh) * | 2018-05-22 | 2021-06-22 | 南京理工大学 | 用于压电悬臂梁的振动、蠕变及迟滞级联补偿方法 |
CN108762088B (zh) * | 2018-06-20 | 2021-04-09 | 山东科技大学 | 一种迟滞非线性伺服电机***滑模控制方法 |
CN110224687A (zh) * | 2019-05-14 | 2019-09-10 | 电子科技大学 | 一种基于人工神经网络预失真器的Gm_C滤波器 |
CN110687785B (zh) * | 2019-09-30 | 2022-05-03 | 杭州电子科技大学 | 基于api模型的微驱动器迟滞建模及前馈控制方法 |
CN112959321B (zh) * | 2021-02-10 | 2022-03-11 | 桂林电子科技大学 | 基于改进pi结构的机器人柔性关节转换误差补偿方法 |
CN115509119A (zh) * | 2022-10-09 | 2022-12-23 | 苏州金钥匙自动化设备有限公司 | 基于改进play算子电机伺服控制的迟滞控制*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101834582A (zh) * | 2010-05-28 | 2010-09-15 | 华为技术有限公司 | 一种优化fir滤波器的方法及装置 |
-
2010
- 2010-11-17 CN CN 201010547867 patent/CN101986564B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101834582A (zh) * | 2010-05-28 | 2010-09-15 | 华为技术有限公司 | 一种优化fir滤波器的方法及装置 |
Non-Patent Citations (4)
Title |
---|
李春涛等.迟滞非线性***的建模与控制.《控制理论与应用》.2005,第22卷(第2期),281-287. |
耿洁等.自适应算法LMS和RLS的仿真分析.《山西电子技术》.2007,(第5期),第78-80页. |
自适应算法LMS和RLS的仿真分析;耿洁等;《山西电子技术》;20071031(第5期);第78-80页 * |
迟滞非线性***的建模与控制;李春涛等;《控制理论与应用》;20050430;第22卷(第2期);第281-287页 * |
Also Published As
Publication number | Publication date |
---|---|
CN101986564A (zh) | 2011-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101986564B (zh) | 基于Backlash算子和神经网络的自适应滤波器 | |
CN111931411B (zh) | 压电驱动微定位平台Duhem动态迟滞建模方法 | |
CN101977034B (zh) | Backlash自适应滤波器及其对迟滞的建模与补偿方法 | |
CN103853046B (zh) | 一种压电陶瓷驱动器的自适应学习控制方法 | |
CN104991997B (zh) | 自适应差分进化算法优化的广义率相关p-i迟滞建模方法 | |
CN106125574B (zh) | 基于dpi模型的压电陶瓷微定位平台建模方法 | |
CN104796111A (zh) | 一种用于动态迟滞***建模与补偿的非线性自适应滤波器 | |
CN110245430B (zh) | 改进Bouc-Wen模型迟滞建模方法 | |
CN101697084B (zh) | 一种基于rls滤波器的电液伺服***随机振动控制方法 | |
CN107577146B (zh) | 基于摩擦整体逼近的伺服***的神经网络自适应控制方法 | |
Xie et al. | Research and application on improved BP neural network algorithm | |
CN105116733B (zh) | 改良型粒子群寻优神经网络超声波电机控制***及其方法 | |
CN111399375A (zh) | 一种基于非线性***的神经网络预测控制器 | |
Sefriti et al. | Adaptive neural network sliding mode control for electrically-driven robot manipulators | |
CN110829885A (zh) | 一种磁致伸缩精密驱动装置的机械阻抗匹配控制方法 | |
CN102394592B (zh) | 一种基于Backlash算子的自适应滤波器 | |
CN105469142A (zh) | 一种基于样本增量驱动的神经网络增量型前馈算法 | |
CN113050429B (zh) | 一种基于非线性建模的电控执行器精确控制方法 | |
CN101709733A (zh) | 一种电液伺服***实时波形再现控制方法 | |
CN110991606B (zh) | 基于径向基神经网络的压电陶瓷驱动器复合控制方法 | |
CN107367936A (zh) | 基于os‑elm的压电陶瓷驱动器建模、控制方法及*** | |
CN113110064A (zh) | 基于Duhem逆模型的压电动态迟滞前馈补偿方法 | |
CN113114128A (zh) | 基于广义Bouc-Wen逆模型的压电前馈补偿方法 | |
Xie et al. | Adaptive control of uncertain gear transmission servo systems with dead-zone nonlinearity | |
CN114488785A (zh) | 一种mfc致动器轨迹跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131016 Termination date: 20211117 |
|
CF01 | Termination of patent right due to non-payment of annual fee |