softmax变区段非线性双拟合方法及其FPGA实现

针对采用分段非线性拟合逼近法拟合人工神经网络中的softmax时,会出现一些区间误差较大的问题,本文提出了一种基于初次拟合误差的变区段非线性双拟合方法.该拟合方法的基本步骤是:首先,结合softmax的指数函数特性,通过均匀分段和随机分段的非线性拟合找出误差较大的区间;其次,根据区间误差的大小,选择合适的变区段进行第2次非线性拟合,误差大的区间选择分段小的区间,误差小的区间选择分段大的区间;最后,运用python进行softmax的拟合逼近实验,并在FPGA上实现.实验结果表明,该方法不仅解决了使用分段非线性拟合逼近法拟合softmax时会出现一些区间误差较大的问题,整体上还能保持较高的精度,其绝对误差保持在0.015以下,相对误差保持在1.2%以内;同时,运用FPGA实现了纳秒级别的良好实时性,单次运算平均时间约为3.75 ns.

PMLSM智能控制伺服系统的仿真研究

为提高PMLSM伺服驱动系统的控制性能,提出了一种将模糊控制、神经网络、滑模控制和自适应学习相结合的PMLSM智能补偿滑模控制算法,实现了对PMLSM伺服驱动系统的动子跟踪周期参考轨迹的高性能控制。首先,设置RBFN估值器,直接估计包括参数变化、外部扰动和非线性摩擦力在内的集总不确定度;其次,利用RBFN控制器的在线学习能力,改善模糊滑模控制器因隶属度函数缺乏学习能力而导致跟踪响应较差的问题;最后,通过增加智能鲁棒补偿控制器来提高系统鲁棒性。仿真结果表明,系统响应速度快、基本无超调、抗干扰能力强,且具有良好的动态性能和较强的鲁棒性。