层叠CMAS补偿的并联机器人变结构控制研究

针对复杂机器人系统的不确定性，提出一种层叠小脑模型关节控制器（CMAC）神经网络同滑模变结构相结合 的控制策略。首先利用改进CMAC学习机器人系统的不确定信息，并作为前馈补偿来确保跟踪误差的快速收敛，再通过滑模变结构控制器消除CMAC网络的逼近误差和不可重复随机干扰的影响。采用Lyapunov直接法进行控制律选取，分析表明系统可实现全局渐近稳定。在6－6并联机器人的轨线跟踪仿真试验中显示了良好的鲁棒性和精确性。     

技术哲学视野下的网络教育应用

从技术哲学视角来看,计算机网络技术在教育领域的应用负荷正负两方面的价值,这使得网络技术在教育领域的应用利弊共存,只有兴利除弊,才能使计算机网络教育应用朝着更为合理、有效的方向发展。     

层叠CMAC补偿的并联机器人变结构控制研究

针对复杂机器人系统的不确定性,提出一种层叠小脑模型关节控制器(CMAC)神经网络同滑模变结构控制相结合的控制策略。首先利用改进CMAC学习机器人系统的不确定信息,并作为前馈补偿来确保跟踪误差的快速收敛,再通过滑模变结构控制器消除CMAC网络的逼近误差和不可重复随机干扰的影响。采用Lyapunov直接法进行控制律选取,分析表明系统可实现全局渐近稳定。在6-6并联机器人的轨线跟踪仿真试验中显示了良好的鲁棒性和精确性.     

基于自适应变结构控制的机器人系统仿真研究

针对机器人系统的参数与非参数不确定性，提出一种新颖的控制策略。将自适应滑模变结构理论应用于机器人轨线跟踪控制，鲁棒增益自适应调整，Lyapunov直接法分析证明系统可实现全局渐近稳定。在保持渐近稳定性的前提下，引入平滑饱和函数，有效改善控制的暂态品质和震颤现象。仿真结果表明系统估计参数收敛，并有较高的鲁棒性和精确性。     

面向C25的多处理器调试系统研究

多处理器环境下的动态调试是诊断并行算法效果的关键步骤。在缺少并行操作系统的条件下,动态调试系统也是支持并行算法运行的有力工具。本文以TMS320C25数字信号处理器构成的多处理机系统为研究对象,提出了动态调试中的软件接口设计方法,以及断点的外部记录法,确保了系统资源的最少占有。同时,讨论了并行调试中的若干问题。本文所提的所有方法都可以扩展到基于其它处理器的动态调试器设计中去。     

柔性制造系统(FMS)刀具建模、调度仿真研究

传统的柔性制造系统刀具调度没有考虑刀具之间可能的模块重叠，从而增加了刀具配置成本。为了减少这种重叠的资源，把构成每把刀具的模块分成刀柄模块、中间模块和刃具模块三部分，给出了刀具的装配的数学模型和以成本最小为目标的0-l规划模型。针对一批具有购刀资金限制的订单，如何确定各种类型刀具模块的数量使订单具有最小拖期的问题，通过调度刀具模块来进行仿真以求得订单的拖期，然后再根据拖期修改各种类型刀具模块数量。数据结果表明模块级刀具配置优于刀具级刀具配置。     

严格区域稳定的模型参考自适应控制器设计

针对模型参考自适应控制的区域稳定性问题,采用Lyapunov直接法分析参数收敛与系统跟踪误差之间的关系。通过对系统误差项与参数估计项之间能量转移过程的描述,说明常规的区域稳定自适应控制器尚未充分考虑因估计参数振荡引起系统失稳的可能性。为此,提出一种简洁有效的区域稳定控制器设计方案,根据系统跟踪误差大小动态引入增益动态调整的鲁棒控制项,有效消除了控制中潜在的不稳定因素。基于SISO非线性系统的仿真研究验证了所提方案的有效性。     

面向C25的多处理器调试验系统研究

多处理器环境下的动态调试是诊断并行算法效果的关键步骤，在缺少并行操作系统的条件下，动态调试系统也是支持并行算法运行的有力工具，本文以TMS320C25数字信号处理器构成的多处理机系统为研究对象，提出了动态试验中的软件接口设计方法，以及断点的外部记录法，确保了系统资源的最少占有。同时，讨论了并行调度或的若干问题，本文所提出的有方法都可以扩展到基于其它处理器的动态调试器设计中去。     

柔性制造系统刀具需求规划的启发式算法

以一个刀具移动的柔性制造系统为背景，研究了刀具需求规划问题，即在刀具购买资金预算内如何规划任务所需刀具中每种规格的刀具数量使其在制时间最小．利用刀具控制策略对在制时间不灵敏的特点，采用递归算法求出了在制时间和刀具等待时间，然后通过增加关键机床上的关键刀具集合数量来修改中央刀具库中的初始刀具配置．不断重复以上2个步骤，直到超过刀具购买资金的约束．对随机产生的问题进行了数据计算，结果表明，所介绍的算法从整体性能上优于现有的算法。     

基于计算力矩结构的并联机器人层叠小脑模型补偿控制研究

提出了一种新的不确定机器人跟踪控制策略．在计算力矩结构的基础上引入一个层叠小脑模型(CMAC)补偿控制项，利用层叠结构CMAC分层学习的特性调整网络泛化和逼近能力，并从理论上分析了网络的收敛性．为了确保系统误差一致最终有界收敛，分别设计了粗／细子网的权值更新律．最后，在网络学习稳定的基础上，采用自适应鲁棒项抵消网络最终学习误差．与传统计算力矩法相比，在不要求加速度测量和惯性矩阵求逆的情况下，算法给出清晰的跟踪误差收敛域．基于6自由度并联机器人的仿真实例验证了算法的有效性．