导读:本文包含了动态补偿神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:X射线图像,模糊神经网络,煤矸识别,动态补偿
动态补偿神经网络论文文献综述
王文清,潘杉,潘涛,张向阳[1]（2019）在《动态补偿模糊神经网络在煤矸识别中的应用》一文中研究指出针对传统人工煤矸在线识别方法精确度低、劳动强度大的问题,提出一种基于动态补偿模糊神经网络的煤矸识别方法。该方法基于煤和煤矸石的元素含量不同、X射线的衰减不同,在X射线透射后成像具有不同的图像特征,用动态补偿模糊神经网络学习算法对其图像特征进行分析,提高识别准确率,并通过仿真实验对应用动态补偿模糊神经网络学习算法的煤矸分选结果进行了测试验证。实验结果表明:动态补偿模糊神经网络的学习算法能够满足煤矸识别要求,能够适应不同组成的煤和煤矸石的分类识别要求,提高了煤与煤矸石识别的准确率,具有较高的可靠性和较好的应用前景。(本文来源于《北京工业职业技术学院学报》期刊2019年02期）
孟祥瑞[2]（2018）在《基于神经网络补偿动态逆的飞翼布局无人机姿态控制方法》一文中研究指出将动态逆控制技术应用于飞翼式布局无人机的姿态控制回路,以适应飞翼布局无人机控制系统要求。介绍了动态逆控制器解耦控制原理,以及神经网络补偿结构的作用和设计方法,并基于无人机非线性姿态运动学和动力学模型设计了基于神经网络补偿的动态逆控制器。在强耦合、强非线性的飞翼布局无人机模型上,通过数学仿真验证了系统具有良好的动态性能和稳态特性,控制器具有很强的鲁棒性。(本文来源于《导航定位与授时》期刊2018年04期）
郭敬滨,丁航,李醒飞,谭文斌,陈诚[3]（2016）在《基于模糊神经网络的接触式测头动态误差补偿》一文中研究指出测头动态误差严重制约高精度坐标测量机发展,为此,提出基于模糊神经网络的测头动态误差补偿方法以提高测量精度.首先利用叁坐标测量机测量标准球和标准环规得到训练样本和测试样本,然后分别使用训练样本和测试样本对接触式测头动态误差进行建模和补偿,最后与BP神经网络模型和静态误差模型进行比较试验.结果表明,经模糊神经网络模型补偿后误差从4.6μm减小至1.3μm,精度提升70%以上;模糊神经网络对测头动态误差具有更好的补偿效果和稳定性.证明模糊神经网络模型能够有效提高测头的动态测量精度.(本文来源于《纳米技术与精密工程》期刊2016年04期）
罗韬,庄毅[4]（2015）在《基于神经网络杂交模型的降落伞动态应力补偿方法》一文中研究指出文章以小型平面圆形伞为原型,根据伞衣初始充气过程中的计算流体力学与结构动力学的耦合模型,引入神经网络杂交建模的思想;提出降落伞开伞过程中伞衣动态应力测量的补偿方法;使用静态样本数据,对跌落、风洞动态试验中采集到的动态应力样本进行补偿计算。计算结果表明:应力补偿方法较准确地反映瞬态伞衣应力变化情况,具有收敛性和有效性,对降落伞设计具有参考意义;与传统的神经网络补偿方法相比,神经网络杂交模型能够显着提高补偿精度,且具有更小的计算规模和更快的收敛速度。(本文来源于《航天返回与遥感》期刊2015年05期）
潘春森[5]（2015）在《基于汽车领域的神经网络动态矩阵的误差补偿控制研究》一文中研究指出基于预测控制算法的动态矩阵控制理论,改进得到了算法模型的误差相关矩阵,给出约束多变量DMC模型以及神经网络误差补偿的动态矩阵控制验证,在误差控制仿真验证中,应用神经网络误差补偿的预测控制效果优势明显,这一研究对模糊预测技术的进一步推广应用有一定的促进作用。(本文来源于《现代电子技术》期刊2015年15期）
庄育锋,胡晓瑾,翟宇[6]（2014）在《基于BP神经网络的微量药品动态称重系统非线性补偿》一文中研究指出针对微量药品动态称重系统中电阻应变式称重传感器的输出电压与药品单元质量之间的非线性关系问题,提出了基于BP神经网络的非线性补偿方案。基于L-M算法建立了BP神经网络模型,实现了电阻应变式称重传感器的输入与输出非线性补偿校正,并与bfgs拟牛顿算法、Scaled共轭梯度算法所建立的BP神经网络模型对比,重点比较了模型预测输出、误差性能分析、回归分析。仿真实验结果表明:基于L-M算法建立的BP神经网络模型,在收敛速度、误差性能方面具有更高效的表现,有利于微量药品动态称重系统中称重传感器的非线性特性的有效校正。(本文来源于《仪器仪表学报》期刊2014年08期）
刘滔,韩华亭,焦楷哲,雷超[7]（2014）在《非线性动态传感器系统Hammerstein神经网络补偿法》一文中研究指出针对传感器动态特性中存在非线性的问题,提出一种基于Hammerstein传感器模型的非线性动态神经网络补偿法。先将补偿模型分解为与Hammerstein模型对应的线性动态与非线性静态2个环节;再设计一种新型的神经网络结构,使网络权系数对应于相应的Hammerstein补偿模型参数,并推导反向传播的网络权系数调整方法;最后通过网络迭代训练,求得补偿模型的线性动态与非线性静态两个环节。仿真与实际实验结果均表明该传感器非线性动态补偿方法使传感器具有理想的输入输出特性。(本文来源于《应用科技》期刊2014年04期）
李敏,王家序,肖科,秦毅,徐建春[8]（2013）在《模糊逻辑及神经网络动态摩擦和死区补偿的机器人滑模变控制》一文中研究指出针对机器人中存在非线性不确性项LuGre动态摩擦和非对称死区的问题,提出采用模糊RBF神经网络及模糊逻辑分别对动态摩擦及死区进行补偿,且实时、自适应训练非线性动态摩擦项及非对称死区项的参数,实现对实际机器人系统准确再现的滑模变鲁棒控制算法,并论证了该算法的Lyapunov稳定性。通过在2自由度机器人上的仿真,证明该算法提高了机器人轨迹跟踪精度、控制力矩及摩擦力矩两者的稳定性。同时发现了该机器人控制力矩的脉冲式补偿误差、摩擦模型中存在类菱形吸引子、缺乏死区补偿将导致控制系统极限环振荡等非线性动力学现象,以及死区逆模型中ε的估计对系统的精度有决定性作用。(本文来源于《重庆大学学报》期刊2013年06期）
付华,舒丹丹,王新鑫[9]（2013）在《一种基于IGA-RBF神经网络的传感器动态特性补偿算法》一文中研究指出为了改善传感器的动态特性,减小系统测量误差,对传感器动态性能进行分析,提出了一种基于改进型遗传算法(IGA)和RBF神经网络相结合实现其动态特性补偿的算法,并应用到瓦斯传感器的补偿环节;实验结果表明,经IGA-RBF补偿算法后响应时间仅为0.413s,幅值误差为±5%时的工作频率f≈5.47kHz,不仅响应速度快,精度高,还具有工作频带宽的特点,较大地改善了多项动态特性指标,能够有效地用于传感器的动态特性补偿,在测试领域中有很好的应用前景。(本文来源于《计算机测量与控制》期刊2013年04期）
李敏,王家序,肖科,黄超,徐超[10]（2012）在《基于模糊RBF神经网络动态摩擦分块补偿的机器人数字鲁棒滑模控制算法》一文中研究指出结合非线性、强耦合的机器人动力学模型,提出了采用3个模糊RBF神经网络对机器人中的不确定项——LuGre动态摩擦进行分块补偿的机器人数字鲁棒滑模控制算法,在线自适应训练非线性动态摩擦项的参数,并分析了该算法的Lyapunov稳定性。通过在二自由度机器人上的仿真,证明了该算法具有高精度、高可靠性、高品质、稳定、强鲁棒性等特点。同时发现了该机器人的摩擦模型中存在类菱形吸引子等非线性动力学现象。(本文来源于《中国机械工程》期刊2012年23期）
动态补偿神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
将动态逆控制技术应用于飞翼式布局无人机的姿态控制回路,以适应飞翼布局无人机控制系统要求。介绍了动态逆控制器解耦控制原理,以及神经网络补偿结构的作用和设计方法,并基于无人机非线性姿态运动学和动力学模型设计了基于神经网络补偿的动态逆控制器。在强耦合、强非线性的飞翼布局无人机模型上,通过数学仿真验证了系统具有良好的动态性能和稳态特性,控制器具有很强的鲁棒性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
动态补偿神经网络论文参考文献
[1].王文清,潘杉,潘涛,张向阳.动态补偿模糊神经网络在煤矸识别中的应用[J].北京工业职业技术学院学报.2019
[2].孟祥瑞.基于神经网络补偿动态逆的飞翼布局无人机姿态控制方法[J].导航定位与授时.2018
[3].郭敬滨,丁航,李醒飞,谭文斌,陈诚.基于模糊神经网络的接触式测头动态误差补偿[J].纳米技术与精密工程.2016
[4].罗韬,庄毅.基于神经网络杂交模型的降落伞动态应力补偿方法[J].航天返回与遥感.2015
[5].潘春森.基于汽车领域的神经网络动态矩阵的误差补偿控制研究[J].现代电子技术.2015
[6].庄育锋,胡晓瑾,翟宇.基于BP神经网络的微量药品动态称重系统非线性补偿[J].仪器仪表学报.2014
[7].刘滔,韩华亭,焦楷哲,雷超.非线性动态传感器系统Hammerstein神经网络补偿法[J].应用科技.2014
[8].李敏,王家序,肖科,秦毅,徐建春.模糊逻辑及神经网络动态摩擦和死区补偿的机器人滑模变控制[J].重庆大学学报.2013
[9].付华,舒丹丹,王新鑫.一种基于IGA-RBF神经网络的传感器动态特性补偿算法[J].计算机测量与控制.2013
[10].李敏,王家序,肖科,黄超,徐超.基于模糊RBF神经网络动态摩擦分块补偿的机器人数字鲁棒滑模控制算法[J].中国机械工程.2012