摘要：针对复合干扰和输入饱和特性影响机械臂轨迹跟踪精度的问题,给出了一种基于输入饱和补偿的自适应积分滑模控制策略。首先,基于自适应控制方法设计了辅助函数,以消除输入饱和特性的影响;其次,利用所估计的复合干扰上限,结合非奇异积分终端滑模控制方法设计轨迹跟踪控制律,使跟踪误差快速收敛至零的邻域,且削弱了抖振,经过Lyapunov稳定性定理的证明,该算法可以保证轨迹跟踪误差的有限时间收敛性;最后,通过仿真与实验手段,与自适应非奇异快速终端滑模控制方法的对比验证了所提控制方法的有效性。结果表明:机械臂各关节在仿真和实验中分别可以在0.5 s和0.8 s内跟踪上期望轨迹,跟踪误差能降低到1.2×10^(-3)rad和8.7×10^(-3)rad内,有效解决机械臂输入饱和问题和复合干扰对系统轨迹跟踪控制精度的影响。

摘要：现有的小样本学习算法未能充分提取细粒度图像的特征,导致细粒度图像分类准确率较低。为了更好地对基于度量的小样本细粒度图像分类算法中提取的特征进行建模,提出了一种基于自适应特征融合的小样本细粒度图像分类算法。在特征提取网络上设计了一种自适应特征融合嵌入网络,可以同时提取深层的强语义特征和浅层的位置结构特征,并使用自适应算法和注意力机制提取关键特征。在训练特征提取网络上采用单图训练和多图训练方法先后训练,在提取样本特征的同时关注样本之间的联系。为了使得同一类的特征向量在特征空间中的距离更加接近,不同类的特征向量的距离更大,对所提取的特征向量做特征分布转换、正交三角分解和归一化处理。提出的算法与其他9种算法进行实验对比,在多个细粒度数据集上评估了5 way 1 shot的准确率和5 way 5 shot的准确率。在Stanford Dogs数据集上的准确率提升了5.27和2.90个百分点,在Stanford Cars数据集上的准确率提升了3.29和4.23个百分点,在CUB-200数据集上的5 way 1 shot的准确率只比DLG略低0.82个百分点,但是5 way5 shot上提升了1.55个百分点。

摘要：针对关节柔性机械臂系统在未知输入饱和的情况下的稳态和瞬态性能约束问题,提出一种改进Funnel控制结合RBF自适应神经网络的轨迹跟踪控制方法。设计了改进的Funnel控制变量以避免控制律中的微分不可导的情况;构造了时变的瞬态性能约束函数,调节系统输出初始阶段的超调量和收敛速度;采用最小参数学习法的RBF自适应神经网络,逼近机械臂系统模型的未知函数和虚拟控制律的导数,简化了控制器的设计;通过李雅普诺夫稳定性定理,证明了闭环系统中所有变量是半全局一致最终有界的。仿真实验验证了所提方法有效性。