KR20040103027A - 적응 뉴로퍼지시스템을 이용한 ｓｒｍ의 인덕턴스프로파일의 추정방법 - Google Patents

적응 뉴로퍼지시스템을 이용한 ｓｒｍ의 인덕턴스프로파일의 추정방법 Download PDF

Info

Publication number
KR20040103027A
KR20040103027A KR1020030034909A KR20030034909A KR20040103027A KR 20040103027 A KR20040103027 A KR 20040103027A KR 1020030034909 A KR1020030034909 A KR 1020030034909A KR 20030034909 A KR20030034909 A KR 20030034909A KR 20040103027 A KR20040103027 A KR 20040103027A
Authority
KR
South Korea
Prior art keywords
srm
adaptive
estimating
inductance profile
fuzzy
Prior art date
Application number
KR1020030034909A
Other languages
English (en)
Other versions
KR100471650B1 (ko
Inventor
차기업
안태욱
이영진
Original Assignee
국방과학연구소
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 국방과학연구소 filed Critical 국방과학연구소
Priority to KR10-2003-0034909A priority Critical patent/KR100471650B1/ko
Publication of KR20040103027A publication Critical patent/KR20040103027A/ko
Application granted granted Critical
Publication of KR100471650B1 publication Critical patent/KR100471650B1/ko

Links

Classifications

    • A—HUMAN NECESSITIES
    • A21—BAKING; EDIBLE DOUGHS
    • A21B—BAKERS' OVENS; MACHINES OR EQUIPMENT FOR BAKING
    • A21B1/00—Bakers' ovens
    • A21B1/02—Bakers' ovens characterised by the heating arrangements
    • A21B1/06—Ovens heated by radiators
    • A21B1/14—Arrangement of radiators
    • A—HUMAN NECESSITIES
    • A21—BAKING; EDIBLE DOUGHS
    • A21B—BAKERS' OVENS; MACHINES OR EQUIPMENT FOR BAKING
    • A21B1/00—Bakers' ovens
    • A21B1/02—Bakers' ovens characterised by the heating arrangements
    • A21B1/06—Ovens heated by radiators
    • A21B1/22—Ovens heated by radiators by electric radiators
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B3/00—Ohmic-resistance heating
    • H05B3/40—Heating elements having the shape of rods or tubes
    • H05B3/42—Heating elements having the shape of rods or tubes non-flexible

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 SRM(Switched Reductance Motor)의 인덕턴스 프로파일을 추정하는 방법에 관한 것으로서, 상세하게는 비선형 성분 추정에 우수한 성능을 보이는 적응 뉴로퍼지시스템(ANFIS, Adaptive Neuro-Fuzzy Inference System)을 사용하여 연속적인 전류 및 위치에 대하여 정확한 SRM의 인덕턴스 프로파일을 추정할 수 있는 적응 뉴로퍼지시스템을 이용한 SRM의 인덕턴스 프로파일의 추정방법에 관한 것이다. 이를 위하여, 본 발명은 복수의 인가전류 및 회전자 위치각도를 퍼지집합으로 지정하여 타가기-수게노 형으로 이루어진 퍼지추론규칙을 복수개 형성하는 단계와, 소정의 인가전류 및 회전자 위치각도에 대하여 상기 각각의 퍼지추론규칙마다, 하이브리드 학습 알고리즘을 이용하여 전건부 파라미터 및 후건부 파라미터를 추정하는 단계와, 적응 뉴로퍼지시스템을 구성하는 각 층의 연산 과정에 상기 추정된 전건부 파라미터 및 후건부 파라미터를 적용하여 SRM의 인덕턴스 프로파일을 계산하는 단계를 포함한다.

Description

적응 뉴로퍼지시스템을 이용한 ＳＲＭ의 인덕턴스 프로파일의 추정방법{METHOD FOR ESTIMATING AN INDUCTANCE PROFILE OF SRM USING ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM}
본 발명은 SRM(Switched Reductance Motor)의 인덕턴스 프로파일을 추정하는 방법에 관한 것으로서, 상세하게는 비선형 성분 추정에 우수한 성능을 보이는 적응 뉴로퍼지시스템(ANFIS, Adaptive Neuro-Fuzzy Inference System)을 사용하여 연속적인 전류 및 위치에 대하여 정확한 SRM의 인덕턴스 프로파일을 추정할 수 있는 적응 뉴로퍼지시스템을 이용한 SRM의 인덕턴스 프로파일의 추정방법에 관한 것이다.
인덕턴스 프로파일은 회전자의 위치 및 전류의 함수이나, 자기적 비선형성이 매우 커서 특정함수로 표현하는 것은 불가능하다.
일반적으로 인덕턴스 프로파일은 제한된 샘플 데이터에 의해 테이블화되어 사용되므로, 인덕턴스 프로파일의 정확도는 샘플 데이터의 개수에 비례한다.
하지만, 모든 위치 및 전류에 대한 인덕턴스 프로파일을 측정할 수는 없기 때문에, 제한된 샘플 데이터로부터 인덕턴스 프로파일을 정확히 추정할 수 있는 알고리즘이 요구된다.
본 발명은 상기한 문제점을 해결하기 위하여 안출된 것으로서, 적응 뉴로퍼지시스템을 이용하여 제한된 샘플 데이터로부터 연속적인 전류 및 회전자 위치각도에 대한 SRM의 인덕턴스 프로파일을 정확히 추정해 낼 수 있는 적응 뉴로퍼지시스템을 이용한 SRM의 인덕턴스 프로파일의 추정방법을 제공하는 것을 목적으로 한다.
이를 위하여, 본 발명은 복수의 인가전류 및 회전자 위치각도를 퍼지집합으로 지정하여 타가기-수게노 형으로 이루어진 퍼지추론규칙을 복수개 형성하는 단계와, 소정의 인가전류 및 회전자 위치각도에 대하여 상기 각각의 퍼지추론규칙마다, 하이브리드 학습 알고리즘을 이용하여 전건부 파라미터 및 후건부 파라미터를 추정하는 단계와, 적응 뉴로퍼지시스템을 구성하는 각 층의 연산 과정에 상기 추정된 전건부 파라미터 및 후건부 파라미터를 적용하여 SRM의 인덕턴스 프로파일을 계산하는 단계를 포함한다.
도 1은 적응 뉴로퍼지시스템에서의 소속함수의 그래프도.
도 2는 적응 뉴로퍼지시스템의 기본 구조도.
도 3은 종형 소속함수의 그래프도.
도 4는 본 발명에 의한 SRM의 인덕턴스 프로파일의 추정방법을 적용하기 위해 구성된 적응 뉴로퍼지시스템의 구조도.
도 5는 SRM의 회전자와 고정자의 극호각이 경계치 (18°, 15.75°)일 때, ANFIS로 추정한 인덕턴스 프로파일의 그래프도.
도 6은 SRM의 회전자와 고정자의 극호각이 경계치 (18°, 22.55°)일 때, ANFIS로 추정한 인덕턴스 프로파일의 그래프도.
도 7은 SRM의 회전자와 고정자의 극호각이 경계치 (27°, 15.75°)일 때, ANFIS로 추정한 인덕턴스 프로파일의 그래프도.
도 8은 SRM의 회전자와 고정자의 극호각이 경계치 (27°, 22.5°)일 때, ANFIS로 추정한 인덕턴스 프로파일의 그래프도.
도 9는 인가전류를 1∼10A까지 0.01A 단위로 가변시키고, 회전자 위치각도를1°단위로 가변시켜서 추정한 인덕턴스 프로파일의 그래프도.
본 발명에서 사용하는 적응 뉴로퍼지시스템에 대한 이론은 1965년 L.A Zadeh에 의해 처음으로 소개된 이후 많은 분야에서 빠른 속도로 응용되고 있다. 퍼지이론은 컴퓨터가 인공적인 지능을 가지고 인간의 의사대로 수행할 수 있도록 인간이 사용하는 수치는 물론 언어적으로 애매한 표현들까지도 처리할 수 있게 함으로써 그 가치를 높게 평가받고 있다.
현재까지 퍼지이론은 인간의 축적된 경험과 지식을 토대로 더욱 견고히 구성되어 적용대상이 되는 시스템에 효율적으로 적용되어 왔다. 특히, 수학적 모델링이 어렵거나 비선형성이 큰 시스템 또는 입출력 변수가 많은 시스템에 퍼지이론은 기존의 고전적인 제어방법에 비하여 탁월한 성능을 보이고 있다.
본 발명은 이와 같은 퍼지이론을 이용하여 비선형성이 매우 큰 SRM의 인던턱스 프로파일을 추정하고자 한다.
이하, 첨부된 도면을 참조하여 본 발명을 상세히 설명하면 다음과 같다.
도 1은 적응 뉴로퍼지시스템에서의 소속함수(membership function)의 그래프를 나타낸다.
도 1에서, 각각의 그래프의 가로축은 입력변수(x, y)를 나타내고, 세로축은 소속함수값으로서 입력변수가 퍼지집합(A, B)에 속할 확률을 나타낸다.
도 2는 적응 뉴로퍼지시스템에서 다변수 퍼지추론의 기본 구조를 나타낸다.
퍼지추론규칙은 다음과 같은 두 개의 타가기-수게노 형으로 이루어져 있다.
Rule 1 : If x is A1and y is B1then f1= p1x + q1y + r1
Rule 2 : If x is A2and y is B2then f2= p2x + q2y + r2
여기서 x, y는 전건부 입력변수이고, f1, f2는 후건부 출력변수이다.
ANFIS가 n개의 층(layer)을 가지고, k번째 층에서 노드의 수를 *(k)로 가정하면, k번째 층의 i번째 노드의 출력은로 표시된다. 이 출력값은 이전 층에서 들어오는 입력신호와 각 노드가 가지는 파라미터에 의해 계산된다. 즉, 다음의 수학식(1)으로 표현된다.
여기서, a, b, c, ...는 각 노드에 속하는 파라미터들이다.
각 층의 각 노드에서 수행되는 연산은 다음과 같다.
<층 1>
첫 번째 층의 모든 노드는 적응 뉴로퍼지시스템의 소속함수에 해당하기 때문에 노드함수의 형태는 다음의 수학식(2, 3)과 같다.
만약 노드함수가 일반적인 종(bell) 형태라면 다음과 같은 수학식(4)으로 표현된다. 도 3은 종형인 노드함수의 그래프를 나타낸다.
여기서, 소속함수의 파라미터(li, mi, ni)를 전건부 파라미터로 정의한다.
<층 2>
두 번째 층의 모든 노드는 고정 노드(fixed node)로서 그 출력은 다음의 수학식(5)과 같이 입력신호의 곱으로 정의된다. 이 과정은 퍼지추론규칙에서 AND 과정에 대응하는 것이다.
<층 3>
세 번째 층의 모든 노드는 고정 노드로서 그 출력은 다음의 수학식(6)과 같이 두 번째 층의 대응하는 노드에서 입력된 신호를 모든 노드의 입력신호의 총합으로 나눈 것으로 정의된다. 이것은 정규화 과정으로서 각각의 노드가 최종결과에 얼마나 영향을 미치는지를 알 수 있다.
<층 4>
네 번째 층의 모든 노드는 적응 노드(adaptive node)로서 노드함수는 다음의 수학식(7)과 같이 정의된다.
여기서, 노드함수의 파라미터(pi, qi, ri)를 후건부 파라미터로 정의한다.
<층 5>
다섯 번째 층에서는 노드에 들어오는 입력신호를 모두 더함으로써 다음의 수학식(8)과 같이 최종의 출력신호를 산출한다.
본 발명에서 ANFIS의 각 파라미터를 결정하기 위해 기울기(gradient)에 기초한 학습방법인 오차 역전파 방법(Error Back Propagation)과 최소자승법(Least Square Estimation)을 합성한 하이브리드 학습 알고리즘을 사용한다.
즉, 하이브리드 학습 알고리즘에서 ANFIS의 진행방향이 정방향(forward pass)일 때, 각 노드의 출력신호는 층 4까지 계산되고 전건부 파라미터가 고정된 상태에서 후건부 파라미터가 최소자승법에 의해 결정된다. 또한, ANFIS의 진행방향이 역방향(backward pass)일 때, 오차율이 출력노드에서 입력노드까지 역으로 전달되고 후건부 파라미터가 고정된 상태에서 전건부 파라미터가 기울기 강하법(gradient descent)에 의해 결정된다.
하이브리드 학습 알고리즘을 간략히 표현하면 다음의 표(1)와 같다.
구분 정방향 패스 후방향 패스
전건부 파라미터 고정 기울기 강하법
후건부 파라미터 최소자승법 고정
신호 노드 출력 오차율
층 1과 층 4의 모든 노드는 적응노드로서, 층 1은 소속함수의 형태를 최적화시키는 전건부 파라미터를 찾는 적응노드이고, 층 4는 타가기-수게노 퍼지추론에서의 파라미터를 최적화시키는 후건부 파라미터를 찾는 적응노드이다.
따라서, ANFIS에서 전건부 파라미터 및 후건부 파라미터를 최적화시키는 알고리즘으로서 하이브리드 학습 알고리즘이 제안된다.
전건부 파라미터를 고정시키고 층 5에서 출력신호를 표현하면 다음의 수학식(9)와 같이 후건부 파라미터의 선형결합으로 나타난다.
따라서, 선형시스템에서 적용할 수 있는 추정기법을 사용할 수 있으므로, 후건부 파라미터를 최적화시키는 추정기법으로서 ANFIS에서는 최소자승법을 채택한다.
후건부 파라미터 즉, 수게노 방식의 추론변수인 pi, qi, ri을 추정하는 방법은 다음과 같다.
ANFIS에서 층 4의 입출력관계를 다음의 수학식(10)으로 표현한다.
여기서, X는 후건부 파라미터의 집합, A는 층 4의 노드입력의 집합, B는 층 4의 타겟값의 집합(set of target value)이다.
X를 추정하기 위해 다음과 같은 수학식(11)을 설정하고,
수학식(11)에 대해 편미분()을 수행하면 다음과 같은 수학식(12)을 유도할 수 있다.
여기서, ai는 A의 집합요소이고, bi는 B의 집합요소이다.
상기의 방법은 오프라인 방식이고, 온라인 방식으로 적용하기 위해서는 망각요소(forgetting factor) λ를 가지는 최소자승법을 사용한다.
온라인 방식으로 X를 추정하기 위해서는 다음과 같은 수학식(13)을 설정하고,
상기 오프라인 방식과 같은 방법으로 편미분을 하게 되면, 수학식(14)을 유도할 수 있다.
이와 같은 방식으로 최소자승법을 이용하여 오프라인 및 온라인 형태에 대한 후건부 파라미터를 추정할 수 있다.
다음으로는 전건부 파라미터, 즉 적응 뉴로퍼지시스템에서 소속함수의 변수 ai, bi, ci를 추정하기 위해, 후건부 파라미터를 고정시키고 ANFIS를 역전파시키면서 전건부 파라미터를 최적화한다. 이때, 층 5에서 오차율을 계산해서 기울기 강하법을 이용하여 전건부 파라미터를 최적화한다.
전체 층의 수가 n이고 k 번째 층이 가지는 노드 수를 *(k)라고 정의할 때, 각 노드의 출력은 그 노드의 입력신호 및 그 입력신호의 파라미터들에 의해 결정되므로 상기 수학식(1)과 같이 표현될 수 있다.
또한, 타겟값과 최종출력값을 이용해서 에너지 함수형태로 구성을 하면 다음의 수학식(15)과 같이 오차제곱함수로 표현된다.
수학식(15)에 대해 편미분을 수행하면, 각 출력 노드에 대한 오차 변화율은 다음의 수학식(16)과 같다.
수학식(16)의 오차 변화율을 체인규칙(chain rule)을 이용해서 변환하면 다음과 같은 수학식(17)을 유도할 수 있다.
ANFIS의 전건부 파라미터의 집합을 α라고 하고, 수학식(17)을 다시 정리하면 온라인 학습법은 다음의 수학식(18)과 같다.
온라인 학습법에서 전체 오차(p=1 --> P까지의 오차를 전부 더한 오차)에 대한 오차 변화율을 유도하면 다음의 수학식(19)와 같고, 이러한 방법을 오프라인 학습법으로 정의한다.
이상과 같이, 전건부 파라미터와 후건부 파라미터를 추정하며, 이를 정리하면 다음의 표(2)와 같다.
학습(learnig) 오프라인(off-line version) 온라인(on-line version)
전건부 파라미터
후건부 파라미터 최소자승법 망각요소를 가지는 최소자승법
본 발명에서, SRM의 인덕턴스 프로파일을 추정하기 위해 사용되는 ANFIS를 검증하기 위해 4쌍의 SRM에 대한 인덕턴스 프로파일을 구하였다.
4쌍의 SRM의 극호각은 8/6 SRM의 회전자와 고정자 극호각의 경계치인 (18°, 15.75°), (18°, 22.5°), (27°, 15.75°), (27°, 22.5°)일 때를 대상으로 선정하였다.
회전자와 고정자의 극호각의 조합에 따른 인가전류는 4가지로 2.5A, 5.0A, 7.5A, 10.0A에 대해 적용하였고, 회전자 위치각도는 0∼30°사이를 2°씩 나누어 한 프로파일 당 총 16개의 각도 데이터에 대해 시뮬레이션을 하였다.
도 4는 상기한 바와 같이 퍼지집합으로서 인가전류 4가지, 회전자 위치각도 16가지를 적용하여, SRM의 인덕턴스 프로파일의 추정하기 위해 구성된 적응 뉴로퍼지시스템의 구조도를 나타낸다.
이상과 같은 입력에 대해 ANFIS를 이용한 퍼지 모델링에 의해 구해진 SRM의 인덕턴스 프로파일의 퍼지추론규칙은 다음의 수학식(20)으로 나타난다.
R1,1: If (i is A1) and (θis B1) then L(t+1) = p1,1i + q1,1θ+ r1,1
...
R2,3: If (i is A2) and (θis B3) then L(t+1) = p2,3i + q2,3θ+ r2,3
...
Ri,j: If (i is Ai) and (θis Bj) then L(t+1) = pi,ji + qi,jθ+ ri,j
여기서, Ai는 전류의 i번째(i=1, 2, 3, 4) 소속함수이고, Bi는 회전자 위치각도의 j번째(j=1, 2, 3, …, 16) 소속함수이다
전술한는 본 발명에서 전류입력에 대한 소속함수로서 종형의 소속함수를 사용한다.
종형의 소속함수는 상기 수학식(4)와 같고, 여기서 ai, bi, ci는 적응 뉴로퍼지시스템에 의해 조정되어야 할 전건부 파라미터로서 이것을 조정함으로써 소속함수의 모양을 변경시킨다. 한편,는 회전자의 위치각도 입력에 대한 소속함수로서 역시 종형의 소속함수를 사용한다.
이상과 같은 소속함수의 각 파라미터를 적응 뉴로퍼지시스템을 이용한 이득조정법(gain scheduling method)에 의해 조정한다.
도 5 내지 도 8은 각각 SRM의 회전자와 고정자의 극호각이 경계치 (18°, 15.75°), (18°, 22.5°), (27°, 15.75°), (27°, 22.5°)일 때 ANFIS로 추정한 인덕턴스 프로파일의 그래프를 나타낸다.
x축은 회전자의 위치각도, y축은 인덕턴스 프로파일로서, SRM에 대해 모두 4가지 패턴의 인덕턴스 프로파일이 나타나는데, 위에서부터 인가전류를 2.5A, 5.0A, 7.5A, 10.0A를 흘렸을 때의 결과를 보여주고 있다.
도 9는 인가전류를 1∼10A까지 0.01A 단위로 가변시키고, 회전자 위치각도를 1°단위로 가변시켜서 추정한 인덕턴스 프로파일의 그래프를 나타낸다.
상기한 바와 같이, 본 발명은 적응 뉴로퍼지시스템을 이용하여 도 5 내지 도 8에서 증명된 것처럼 연속적인 전류 및 위치에 대하여 정확한 SRM의 인덕턴스 프로파일을 추정할 수 있는 효과가 있다.

Claims (4)

  1. 복수의 인가전류 및 회전자 위치각도를 퍼지집합으로 지정하여 타가기-수게노 형으로 이루어진 퍼지추론규칙을 복수개 형성하는 단계와,
    소정의 인가전류 및 회전자 위치각도에 대하여 상기 각각의 퍼지추론규칙마다, 하이브리드 학습 알고리즘을 이용하여 전건부 파라미터 및 후건부 파라미터를 추정하는 단계와,
    적응 뉴로퍼지시스템을 구성하는 각 층의 연산 과정에 상기 추정된 전건부 파라미터 및 후건부 파라미터를 적용하여 SRM의 인덕턴스 프로파일을 계산하는 단계를 포함하여 이루어진 것을 특징으로 하는 적응 뉴로퍼지시스템을 이용한 SRM의 인덕턴스 프로파일의 추정방법.
  2. 제 1항에 있어서,
    상기 하이브리드 학습 알고리즘은 정방향 패스일 때 전건부 파라미터를 고정시키고 최소자승법을 이용하여 후건부 파라미터를 추정하는 단계와, 후방향 패스일 때 후건부 파라미터를 고정시키고 기울기 강하법을 이용하여 전건부 파라미터를 추정하는 단계를 포함하는 것을 특징으로 하는 적응 뉴로퍼지시스템을 이용한 SRM의 인덕턴스 프로파일의 추정방법.
  3. 제 1항에 있어서,
    상기 퍼지집합으로 지정되는 인가전류는 SRM의 회전자와 고정자의 극호각의 조합에 따른 2.5A, 5.0A, 7.5A, 10.0A의 4개의 값을 포함하고, 상기 퍼지집합으로 지정되는 회전자의 위치각도는 0∼30°사이를 2°씩 나눈 16개의 값을 포함하는 것을 특징으로 하는 적응 뉴로퍼지시스템을 이용한 SRM의 인덕턴스 프로파일의 추정방법.
  4. 제 1항에 있어서,
    상기 인가전류에 대한 소속함수 및 상기 회전자 위치각도에 대한 소속함수는 종형의 소속함수를 사용하는 것을 특징으로 하는 적응 뉴로퍼지시스템을 이용한 SRM의 인덕턴스 프로파일의 추정방법.
KR10-2003-0034909A 2003-05-30 2003-05-30 적응 뉴로퍼지시스템을 이용한 ｓｒｍ의 인덕턴스프로파일의 추정방법 KR100471650B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR10-2003-0034909A KR100471650B1 (ko) 2003-05-30 2003-05-30 적응 뉴로퍼지시스템을 이용한 ｓｒｍ의 인덕턴스프로파일의 추정방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR10-2003-0034909A KR100471650B1 (ko) 2003-05-30 2003-05-30 적응 뉴로퍼지시스템을 이용한 ｓｒｍ의 인덕턴스프로파일의 추정방법

Publications (2)

Publication Number Publication Date
KR20040103027A true KR20040103027A (ko) 2004-12-08
KR100471650B1 KR100471650B1 (ko) 2005-03-14

Family

ID=37379207

Family Applications (1)

Application Number Title Priority Date Filing Date
KR10-2003-0034909A KR100471650B1 (ko) 2003-05-30 2003-05-30 적응 뉴로퍼지시스템을 이용한 ｓｒｍ의 인덕턴스프로파일의 추정방법

Country Status (1)

Country Link
KR (1) KR100471650B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810337A (zh) * 2014-02-11 2014-05-21 上海电力学院 一种新型的磁流变阻尼器的建模方法
CN106597178A (zh) * 2017-01-18 2017-04-26 重庆水利电力职业技术学院 一种继电保护测试装置lpa的anfis数字预畸方法
CN108645615A (zh) * 2018-04-08 2018-10-12 太原科技大学 一种自适应模糊神经网络齿轮剩余寿命预测方法
CN110286586A (zh) * 2019-05-09 2019-09-27 江苏大学 一种磁流变阻尼器混合建模方法
CN113467250A (zh) * 2021-07-27 2021-10-01 浙江中裕通信技术有限公司 基于北斗导航和数据驱动的船舶航向及其区域估计方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810337A (zh) * 2014-02-11 2014-05-21 上海电力学院 一种新型的磁流变阻尼器的建模方法
CN106597178A (zh) * 2017-01-18 2017-04-26 重庆水利电力职业技术学院 一种继电保护测试装置lpa的anfis数字预畸方法
CN108645615A (zh) * 2018-04-08 2018-10-12 太原科技大学 一种自适应模糊神经网络齿轮剩余寿命预测方法
CN108645615B (zh) * 2018-04-08 2019-11-22 太原科技大学 一种自适应模糊神经网络齿轮剩余寿命预测方法
CN110286586A (zh) * 2019-05-09 2019-09-27 江苏大学 一种磁流变阻尼器混合建模方法
CN113467250A (zh) * 2021-07-27 2021-10-01 浙江中裕通信技术有限公司 基于北斗导航和数据驱动的船舶航向及其区域估计方法
CN113467250B (zh) * 2021-07-27 2022-01-07 浙江中裕通信技术有限公司 基于北斗导航和数据驱动的船舶航向及其区域估计方法

Also Published As

Publication number Publication date
KR100471650B1 (ko) 2005-03-14

Similar Documents

Publication Publication Date Title
Zhong et al. Optimal control for unknown discrete-time nonlinear Markov jump systems using adaptive dynamic programming
US7395251B2 (en) Neural networks for prediction and control
Li et al. Robust bipartite tracking consensus of multi-agent systems via neural network combined with extended high-gain observer
Mia et al. An algorithm for training multilayer perceptron (MLP) for Image reconstruction using neural network without overfitting
CN109839824A (zh) 一种基于预测控制的网络控制系统时延补偿方法
CN110504676B (zh) 一种基于apso-bp的配电网状态估计方法
Tian et al. Time-delay compensation method for networked control system based on time-delay prediction and implicit PIGPC
CN103095204A (zh) 伺服电机抗干扰补偿控制系统及控制方法
CN116088303B (zh) 一种不确定复杂动态网络状态时变递推估计方法
CN108696199A (zh) 一种提高永磁同步直线电机位置精度的控制方法
CN112650053A (zh) 一种基于遗传算法优化的bp神经网络的电机pid自整定方法
KR100471650B1 (ko) 적응 뉴로퍼지시스템을 이용한 ｓｒｍ의 인덕턴스프로파일의 추정방법
Sivakumar et al. ANFIS based distillation column control
CN115689070A (zh) 基于帝王蝶算法优化bp神经网络模型的能源预测方法
Hasan et al. Adaptive α-β-filter for target tracking using real time genetic algorithm
Chen et al. Optimization of ADRC Parameters Based on Particle Swarm Optimization Algorithm
Stateczny Neural manoeuvre detection of the tracked target in ARPA systems
CN110516198B (zh) 一种分布式非线性卡尔曼滤波方法
CN108155836B (zh) 基于全局在线启发式动态规划永磁同步电机矢量控制方法
CN113219840B (zh) 三轴运动平台自适应滑模交叉耦合轮廓控制方法
Qu et al. Control Input Inference of Mobile Agents under Unknown Objective
CN111736460B (zh) 机器人自适应迭代学习控制方法及系统
Kazemy et al. Second order diagonal recurrent neural network
CN110649911A (zh) 一种基于α散度的分布式非线性卡尔曼滤波方法
Wang et al. A Mapless Navigation Method Based on Deep Reinforcement Learning and Path Planning

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130201

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20140204

Year of fee payment: 10

LAPS Lapse due to unpaid annual fee