-
公开(公告)号：CN113314833A
公开(公告)日：2021-08-27
申请号：CN202110412564.6
申请日：2021-04-16
Abstract: 本申请涉及一种低散射辐射单元及多频共口径天线阵列，低散射辐射单元包括低散射辐射结构，低散射辐射结构包括金属辐射臂和两个以上的开口谐振环，开口谐振环沿金属辐射臂的路径间隔设置。低散射辐射结构设计为在金属辐射臂的路径间隔设置两个以上的开口谐振环，利用开口谐振环在高频产生谐振，可降低金属辐射臂的散射效应，有效减少对其他高频率辐射单元的遮挡效应。
-
公开(公告)号：CN113110377A
公开(公告)日：2021-07-13
申请号：CN202110331788.4
申请日：2021-03-29
Applicant: 华南理工大学 , 佛山纽欣肯智能科技有限公司
IPC: G05B23/02
Abstract: 本发明公开了一种采样机械臂闭环控制系统的小故障检测方法，该方法包括以下步骤：设计离散时间机械臂的自适应神经网络控制器；构造动态估计器逼近系统未知动态；计算故障引起的系统动态残差与控制器补偿的残差，进一步得出增强的总可测故障残差；计算加权递推的绝对故障残差累积值；设计故障检测决策方案，将实时计算得到的故障残差累积值与自适应阈值进行比较，若存在某个时刻，使得故障残差累积值大于自适应阈值，则判定该时刻机械臂发生故障；本发明的故障检测方案保证了机械臂系统发生故障后，实现对故障的快速检测，通过加权递推的绝对残差累积机制，解决了故障频繁变化以及故障诊断速度慢的问题，保障了故障检测系统的安全性和快速性。
-
公开(公告)号：CN112434579A
公开(公告)日：2021-03-02
申请号：CN202011271410.1
申请日：2020-11-13
Applicant: 深圳园林股份有限公司 , 仲恺农业工程学院 , 华南理工大学
Abstract: 本申请实施例提供的一种基于神经网络提取地被植物容纳落叶能力的方法及装置，该方法利用神经网络可以快速且准确地利用神经网络来输出地被植物对落叶的容纳能力，以提高生态园林建设的合理性，以符合园林低养护的概念，以使得落叶能够更好地就地容纳与消解有利于保持土壤的肥力，实现落叶资源循环利用。并且通过该地被植物对落叶的容纳能力可以使得在栽种树木与地被植物时，可以更好地形成容纳落叶能力更强的组合，较好地实现落叶就地容纳与消解的目的，避免人工对落叶进行处理，从而一方面可以解决落叶资源浪费的问题，以实现节约落叶资源，另一方面还可以实现降低对落叶处理的人力物力的技术效果以及提出针对性的种植建议。
-
公开(公告)号：CN110262494B
公开(公告)日：2020-09-22
申请号：CN201910560204.3
申请日：2019-06-26
Applicant: 华南理工大学 , 国家海洋局南海调查技术中心(国家海洋局南海浮标中心)
IPC: G05D1/02
Abstract: 本发明公开了一种同构多无人艇系统的协同学习与编队控制方法，该方法针对多个全驱动且具有相同结构的无人艇系统，提出了基于通信连接拓扑图的分布式协同学习控制方法，该方法解决了保持通信的同构无人艇之间的碰撞和保持连接问题，包括以下步骤：建立无人艇的动态模型；设计基于图论的保持通信的无人艇之间的误差；设计满足预设性能的误差转换函数；设计基于动态面控制技术的虚拟控制器；设计径向基函数(RBF)神经网络的权值更新率；设计编队控制器与基于经验的控制器。本发明所提出的满足连接保持且具有协同学习的编队控制方法可以保证，如果两个无人艇在初始时刻保持通信，在其后任意时刻都始终保持安全距离并在通信连接范围内。
-
公开(公告)号：CN110658811A
公开(公告)日：2020-01-07
申请号：CN201910848231.0
申请日：2019-09-09
Applicant: 华南理工大学 , 佛山纽欣肯智能科技有限公司
IPC: G05D1/02
Abstract: 本发明公开了一种基于神经网络的受限移动机器人协同路径跟踪控制方法，该方法步骤为：建立移动机器人的运动学与动力学模型；定义路径跟踪误差方程；建立移动机器人的性能受限tan型障碍李雅普诺夫函数；基于图论知识，建立多个移动机器人的编队方式；建立移动机器人的路径参数更新率方程；针对移动机器人的非线性建模不确定项，采用后推设计方法，设计基于神经网络的控制器；设计编队控制器。本发明不仅能够保证单个移动机器人的路径跟踪误差最终收敛到小邻域内，还能保证误差始终在给定的区间内，保证暂态性能，同时，本发明实现了多个移动机器人的协同控制，使多个移动机器人根据路径参数均匀分布在同一条路径上。
-
Patent Agency Ranking
公开(公告)号：CN107160398B
公开(公告)日：2019-07-12
申请号：CN201710458865.6
申请日：2017-06-16
Applicant: 华南理工大学
IPC: B25J9/16
Abstract: 本发明公开了一种基于确定学习的全状态受限刚性机械臂安全可靠控制方法，该方法包括下述步骤：建立全状态受限刚性机械臂的动力学模型和期望的周期轨迹；建立状态转换器；非仿射模型构造成仿射模型；定义转换后机械臂的角位置的跟踪误差；设计补偿跟踪误差信号；设计基于确定学习的神经网络控制器；建立基于经验知识的静态神经网络控制器。该方法不仅能够保证跟踪误差最终收敛到零的小邻域内，还能限制机械臂运行在一个给定的安全的工作区间内，采用确定学习理论，实现了对刚性机械臂不确定闭环动态的学习，并将收敛的神经网络权值进行存储，利用存储的经验知识避免了冗余训练，提高了系统的响应速度，改善了刚性机械臂暂态过程的跟踪性能。
-
公开(公告)号：CN108023179A
公开(公告)日：2018-05-11
申请号：CN201810001803.7
申请日：2018-01-02
Applicant: 华南理工大学
Abstract: 本发明公开了一种频率可重构的水介质贴片天线，包括盛装有水溶液的绝缘容器、介质基板、馈电探针、金属支撑体，其中，所述介质基板的底面为印刷金属地，其顶面设置有十字型印刷金属贴片，所述馈电探针穿过介质基板与十字型印刷金属贴片相连，所述金属支撑体分布在十字型印刷金属贴片的四个臂上，与该十字型印刷金属贴片组成馈电结构，所述绝缘容器设在介质基板的上方，并由分布在十字型印刷金属贴片四个臂上的金属支撑体共同进行支撑，使得其与介质基板之间预留有所需的空气间隙。本发明可以通过调节水溶液高度实现天线的频率可重构，同时具有高辐射效率和宽带的特点，可应用于无线通信系统设备。
-
公开(公告)号：CN106078741A
公开(公告)日：2016-11-09
申请号：CN201610457032.3
申请日：2016-06-21
Applicant: 华南理工大学
IPC: B25J9/16
CPC classification number: B25J9/1664 , B25J9/1635
Abstract: 本发明公开了一种基于确定学习理论的性能受限柔性机械臂控制方法，该方法针对柔性机械臂动态模型的不确定性，设计跟踪误差，使之满足约束条件限制，并构成误差控制器。本发明步骤包括：建立柔性机械臂动态模型；建立系统状态观测器；设计跟踪误差性能约束条件；基于确定学习理论设计神经网络控制器；利用经验知识修正控制器。本发明所设计的控制方法可以实现快速收敛、低超调量的动态性能，满足设定的约束条件限制，同时避免神经网络权值在线调节，缩短控制时间。另外，该方法能够利用已经学习到的经验知识对之后的相同控制任务直接实现快速控制。
-
公开(公告)号：CN118972171B
公开(公告)日：2025-02-07
申请号：CN202411434510.X
申请日：2024-10-15
Applicant: 华南理工大学
Abstract: 本发明公开了一种联邦学习隐私保护方法及系统，本发明在每一次联邦学习过程中，都对各个客户端上传的模型参数进行了加密处理，如此，使得在联邦学习过程中，各个客户端所上传的模型参数都是不可知的，从而避免了联邦学习场景下传输的梯度会导致隐私信息泄露的问题；同时，在服务器进行各个本地模型参数的聚合时，引入了干扰数据，并基于该干扰数据，来进行了本地模型参数的差分隐私聚合处理；基于此，可在实现全局模型参数聚合的同时，掩盖各个客户端的真实数据，使真实数据不可见，从而达到防止差分隐私攻击的目的；由此，本发明能够在联邦学习过程中，防止参与者的数据泄露，提高了联邦学习过程中各参与者数据的安全性。
-
公开(公告)号：CN113977572B
公开(公告)日：2023-03-21
申请号：CN202110899746.0
申请日：2021-08-06
Applicant: 华南理工大学
IPC: B25J9/16
Abstract: 本发明公开了一种基于宽度径向基神经网络的机械臂阻抗学习控制方法，包括如下步骤：根据机械臂结构建立机械臂的运动学模型；基于拉格朗日方程及运动学模型，在任务空间下建立机械臂的动力学模型；建立期望的任务空间回归轨迹模型以及二阶阻抗模型；构造宽度径向基神经网络以实现神经网络节点的动态调整；利用宽度径向基神经网络结合二阶阻抗模型，构建自适应神经网络阻抗控制器；基于确定学习理论获取经验知识，构建常值神经网络阻抗控制器。本方法不仅有效解决了机械臂在未知动力学信息条件下与环境交互的精确阻抗控制，而且提高了控制系统的实时性，为机械臂在与环境重复交互的情景下，提供一种新的安全可靠方法。
-
-
-
-
-
-
-
-
-
Search Results
83
records
(took 0.031 seconds)
