一个非线性动力学问题的混沌分析

近年来,人们越来越多地关注非线性动力系统的动态响应问题,尤其是混沌动力学的不断发展和完善极大地丰富了非线性科学领域,为许多古老的研究课题注入了新的活力,对包括自然科学在内的全部科学起到了日益深远的影响,本文是在固体力学领域内,研究duffing振子的动力学行为,包括它的混沌运动,相空间,重构相空间,振动模式。由于有限维系统在相空间和重构相空间中的几何图形比较直观,研究他们的混沌问题比较方便,所以本文是在二维系统中进行研究的。     

动力减振器最优参数的非线性回归和若干问题

本文采用最优化方法求得考虑生系统阻尼的动力减振器最优参数集，并对此参数集进行非线性回归，得到了便于动力减振器最优设计的回归曲线族。本文还对现有的主系统无阻尼时动力减振器最优参数公式进行了讨论，指出了这些公式的局限性，并根据本文的结果给出了应用范围更广泛的改进公式。     

多种工况下汽车悬挂参数优化

本文采用多自由度汽车振动模型，在多种工况下对悬架参数进行优化，克服了以往单一工况的不足，得到了最优悬架参数的特性曲线。即如果悬架实现了这种阻尼和刚度特性，就可较大程度地改善汽车行驶的平顺性。     

基于神经网络的PID控制器研究

本文应用人工神经网络的原理,提出一种新的神经网络的智能PID控制器. 仿真结果表明,此NNPID控制器对线性、弱非线性时不变系统比传统的PID有好 的控制效果;对中等非线性系统和含有噪声扰动的线性知非线性系统有单纯PID 不能达到的控制效果.     

基于神经网络的六维力传感器静态标定方法研究

利用BP神经网络研究了六维力传感器的静态标定方法.良好的泛化能力是基于神经网络标定方法的关键,而现有基于神经网络的传感器标定方法对网络的泛化能力鲜有考虑.针对上述问题,以提高神经网络泛化能力为目的,对神经网络的训练样本、训练期望误差值和网络隐层单元数等的选取进行了研究.实验及计算机仿真表明,当选取样本数据具有遍历性时,利用神经网络标定后进行补偿计算可提高六维力传感器的测量精度.     

大变形梁的模糊神经网络建模与预测

本文运用模糊神经网络原理．采用学习结合型FNN方法，针对两种不同材料梁的大变形进行了网络建模和预测的数值仿真．仿真结果表明，网落模型所具有的输入输出特性与所对应的实际力学系统的实验测量十分吻合实现了高精度预测．     

粘弹性直杆纵向振动精确解

本文利用 Kelvin 固体模型建立了粘弹性直杆纵向振动微分方程,并利用分离变量法求出了振动的精确解。文中还将弹性直杆强迫振动解与著名力学家 Timoshenko 的结果做比较,指出了Timoshenko 解答之不足。