1、“.....通过加权梯度方向搜索函数负系数，并添加个使惯性项全球最低搜索快速收敛。其中是学习速率，本文中设置为，系数设定到。输出层学习算法仿真和实验结果在本文中，无刷直流电机伺服系统仿真模型建立在环境下。用于无刷直流电动机实际参数可采取参考用于仿真数据，如表中所示表电机参数额定转速电动势系数绕线电阻自感互感转动惯量系统速度仿真当系统没有负载，给定速度是转分额定运行状态。利用种控制方法进行模拟，该仿真结果示于图。结果表明，基于神经网络系统自抗扰控制器具有最快性能，并且系统没有超调。图在额定运行情况下仿真曲线统计图针对负载扰动系统稳定性模拟当负载在时间秒突然改变至牛顿•米，速度曲线如图所示。仿真结果表明，基于神经网络系统自抗扰控制器具有最高稳定性......”。

2、“.....该控制器硬件架构是基于和。是种高性能与位浮点，指令周期时间和每秒亿次浮点运算。既支持语言，有支持汇编语言编程。它可以容易进行复杂计算。是基于过程与密度超过逻辑元件，最高可以达到嵌入式兆比特和嵌入式乘法器。因为有了这个功能，它可以支持高性能应用。图实验平台在实验中，个恒定速度额定运行状态，从开始到这段时间中。该实验结果如图所示，实验结果表明，基于神经网络系统中自抗扰控制器具有最快性能时，系统没有过冲。霍尔传感器获得无电刷直流电动机，其控制系统速度信号是由两个环决定速度环和电流环。位置速度控制系统作为外回路，并且电流环充当内环控制系统。控制方案在速度环实现。图实验结果总结本文提出了种直流电机动力学模型，提出了种新控制方案，根据这模型运算法则中可实用性。直流电动机应用到该系统，具有很强鲁棒性......”。

3、“.....仿真和实验结果验证所提出控制方案可以减轻干扰影响，使系统不确定性急剧下降。此外，对于静态和动态性能干扰控制具有较强鲁棒性，使系统鲁棒性大大提高。来源,，，，，，,,，,，，，输入层与输出层关系输出层输出节点是三个可调参数，,，输出层神经元激活函数使用具有正特性形函数。性能指标函数按照梯度下降法修正权函数网络功能。通过加权梯度方向搜索函数负系数，并添加个使惯性项全球最低搜索快速收敛。其中是学习速率，本文中设置为，系数设定到。输出层学习算法英文单词......”。

4、“.....摘要无刷直流电机速度伺服系统是多变量,具有非线性和强耦合性。齿槽转矩和负荷参数变化，扰动容易影响其无刷直流电机性能。因此它是难以使用常规控制来实现优异控制。为了解决执行时所出现不足之处，本文采用基于能够自抗扰控制神经网络活性算法来对无刷直流电机进行控制。自抗干扰控制不依赖于精确系统和它扩展。状态观测器可以准确地估计该系统扰动。然而，非线性反馈自抗扰参数是很难获得因此在这本文中，这些自抗扰参数是通过神经网络在线自整定。仿真和实验结果表明，基于神经网络自抗扰控制器可以提高在迅速伺服系统性能，控制精度，适应性和鲁棒性。关键字无刷直流电机神经网络自抗扰控制器参数自整。引言由于无刷直流电机性能具有时变非线性，强耦合等特点，因此调速高性能方法直是个重要研究方向。是种常见控制方法。然而，它不能获得预期结果，以非线性对象复杂任务和准确目标这些利用控制就不能够达到良好控制目......”。

5、“.....有关许多调速新控制方法已经出现在这些领域。比如自适应控制卡尔曼过滤变结构控制。模糊控制，神经网络控制等等。自从自抗扰控制理论被曾经担任中国院士韩教授提出来这些年里面，它是个简单而实用方法。这种方法不依赖于控制目标。它精确数学模型可以估算和补偿所有内部和外部干扰影响。当系统建立起来以后其控制实时算法简单，鲁棒性强，具有快速系统响应和高抗干扰能力到目前为止，这种方法仍然具有效率高，抗干扰能力强优势，已被应用到些前沿科学和技术上。这些领域包括机器人，卫星姿态控制，导弹飞行控制，坦克火控和惯性导航等。不过，自抗扰控制器参数需要在参数自整这些场合下才能进行，因此这项研究设置在海内外只处于探索阶段。神经网络具有接近任何非线性函数能力，还具备其结构和学习算法是简单明了，因此神经网络是不依赖于控制对象模式。在本文中，通过自我学习神经网络......”。

6、“.....仿真结果表明，基于神经网络自抗扰控制器可以提高伺服系统性能，在响应速度，控制精度，适应性和鲁棒性这些方面性能都能够得到显著提高。无刷直流电动机数学模型无刷直流电机产生梯形反电动势和施加电流波形都是矩形波其中自感为，互感为。因此，三相定子电压平衡方程可以由以下状态方程来表示式中,分别代表三相绕组相电压分别代表三相绕组相电流代表三相相位反电动势代表微分算子。无刷直流电机电磁转矩由在定子绕组电流和磁场在转子磁铁相互作用下产生。该电磁转矩方程式中，代表极数代表总导体数代表电机机械角速度。控制方案如图所示，个双闭环控制与级联连接相结合控制系统中，内环是电流环路，达到限制电流并确保伺服系统电流......”。

7、“.....速度环输出输送给首端作为电流回路设定电流信号。在本文中，速度环采用基于神经网络算法自抗扰控制器，基于神经网络自抗干扰控制系统结构如图所示。有源抗扰控制自抗扰控制器主要由三个部分组成转型过程安排。非线性反馈和扩展状态观察。图无刷直流电动机调速系统原理图图基于神经网络自抗扰控制器原理图转型过程安排,式中，为控制目标为轨道信号是个时间最优集成功能，其详细方程表达式如方程所示扩展状态观察,,式中，代表控制周期。非线性反馈式中参数可以在文献中其他地方找到......”。

8、“.....其中，,三个参数是由非线性反馈所产生。神经网络,根据系统运行状态,调整控制器参数达到定最佳化性能神经网络输出对应于控制器三个可调参数，,,对系统内部扰动,通过自主学习神经网络,与调整权衡系数匹配,使些神经网络输出对应于最优控制下参数。三层神经网络结构设计,如图所示图神经网络结构图图中和分别代表速度指令和速度反馈。输入层输入公式式中，取决于输入数字，本文中它被设置为。它们是速度指令和速度反馈。输入与输出公式式中，代表隐含层，上级数加权系数是与输入，输出和隐藏层相关。在论文中，隐藏层节点被设置为。隐藏层神经元激活函数使用具有正和负特性对称形函数。输入层与输出层关系输出层输出节点是三个可调参数，,，输出层神经元激活函数使用具有正特性形函数......”。

9、“.....通过加权梯度方向搜索函数负系数，并添加个使惯性项全球最低搜索快速收敛。其中是学习速率，本文中设置为，系数设定到。输出层学习算法仿真和实验结果在本文中，无刷直流电机伺服系统仿真模型建立在环境下。用于无刷直流电动机实际参数可采取参考用于仿真数据，如表中所示表电机参数额定转速电动势系数绕线电阻自感互感转动惯量系统速度仿真当系统没有负载，给定速度是转分额定运行状态。利用种控制方法进行模拟，该仿真结果示于图。结果表明，基于神经网络系统自抗扰控制器具有最快性能，并且系统没有超调。图在额定运行情况下仿真曲线统计图针对负载扰动系统稳定性模拟当负载在时间秒突然改变至牛顿•米，速度曲线如图所示。仿真结果表明，基于神经网络系统自抗扰控制器具有最高稳定性......”。