基于Groebner基法的一般串联6R机器人机构逆运动学分析

基于Groebner基法，仅用Duffy的含3个未知变元的4个运动学方程，附加3个正余弦恒等式，不增加其他几何约束方程，对一般6R机器人机构逆运动学进行符号解分析，并得出一般串联6R机器人机构逆解最多为16解的结论．本文使用的数学机械化方法可推广到涉及非线性代数方程组的其他机构学问题的求解．     

齐次双周期Riemann边值组问题

利用双周期解析函数的边值性质，把齐次双周期Riemann边值组问题转化为Fredholm积分方程组，并给出了其可解条件及解的形式．     

一类带位移边值问题的逆问题

给出了Hasemann问题的逆问题的数学提法，利用Hasemann问题的解法，分别讨论了其逆问题在正则与非正则情况下的解法，并得到了其封闭解。     

一种MOSFET器件模拟的新方法

逆算子方法是一种新发展起来求解强非线性问题的近似解析法,对这种方法在MOSFET器件模拟中的基本思想和实现方法进行了阐述,并将其运用于MOSFET器件模拟中,求解了半导体区域的一维非线性泊松方程,得到了MOSFET的一些重要参量的解析表达式,所获得的结果与数值计算的结果比较表明,该方法获得的结果物理意义明确、分析过程简单,收敛速度快捷.     

电容成像图像重建算法原理及评价

对现有的电容成像图像重建算法进行了综述并介绍了其原理,其中包括线性反投影法(LBP)、基于奇异值分解(SVD)的直接算法、Tikhonov正则化方法、Newton-Raphson算法、最速下降法、Landweber迭代算法、代数重建技术(ART)、同步迭代重建技术(SIRT)和基于模型的重建算法。在此基础上使用仿真和实验数据对目前主要使用的线性反投影法、基于奇异值分解的直接方法、Tikhonov正则化方法、Tikhonov迭代、投影Landweber迭代等进行了评价。对它们从电容值误差、图像误差、相关系数和耗用时间几个角度进行了比较,并对今后电容成像图像重建算法的发展方向提出了一些看法。     

一般有限域GF(pm)上线性码的自同构群

 对单式阵群作一个较详细的研究,并将GF(2^m)上线性码的自同构群的一些结论推广到最一般的有限域GF(p^m)上去,这里的p是任意的素数.     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

基于对角递归神经网络的非线性逆动态控制

采用2个对角递归神经网络(DRNN)构成非线性逆动态控制系统，一个用作辨识器，逼近系统的正模型，为逆动态控制提供系统的灵敏度；另一个用作控制器，逼近系统的逆动态模型，再与原系统串联组成伪线性系统．仿真结果表明该控制方法实现了对非线性系统的有效控制。     

Banach空间中非线性映射的一个局部性质

研究了Banach空间中非线性映射的局部线性化问题,在仅假设非线性映射的Fréchet导数存在有界广义逆的条件下,给出了非线性映射的一个局部性质,这个局部性质不仅统一了经典的局部浸没定理和局部浸入定理,而且推广了V.Cafagna的主要结果.     

基于卷积ADMM网络的高效结构化稀疏ISAR成像方法

结构化稀疏逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像是空间态势感知与目标识别的重要手段。该问题可通过压缩感知(compressive sensing, CS)方法解决。目前, 许多传统CS方法仍存在运算效率低、参数适应性不强等问题。针对该问题, 本文提出了一种基于卷积交替方向乘子法网络(convolutional alternating direction method of multipliers network, C-ADMMN)的结构化稀疏ISAR成像方法。利用深度展开方法, 结合传统结构化稀疏ISAR成像模型, 构建C-ADMMN网络。通过监督学习, C-ADMMN仅需约10层网络便可达到传统方法上百次迭代的效果, 具有较高的运算效率且对不同目标具有一定适应性。基于仿真与实测数据的实验结果验证了网络的高效性与参数适应性。