• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Conference on Mechatronics and Automation; 20060625-28; Luouang(CN) >Shape Estimation of Inflatable Space Structures Using Radial Basis Function Neural Networks
【24h】

Shape Estimation of Inflatable Space Structures Using Radial Basis Function Neural Networks

机译：基于径向基函数神经网络的充气空间结构形状估计

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Inflatable space structures need to maintain in a desired shape in space in order to achieve satisfactory performance. The active shape control technique has shown its advantages in solving this problem. One difficulty to realize an active control system in space is how to measure the shape of inflatable structures. This paper proposes a neural network scheme to estimate the shape of inflatable structures, instead of performing measurements directly. A radial basis function neural network is trained on the ground to map environment information and control variables into the structure shape. After the neural network training completes, an estimation of the structure shape can be obtained by inputting the measured environment data and control variables to the neural network. Some validation studies have been conducted in laboratory on the estimation of the flatness of a rectangular Kapton membrane. The results showed the proposed scheme gave very good estimations of the membrane flatness.
机译：为了获得令人满意的性能，可充气的空间结构需要保持在空间中的期望形状。主动形状控制技术已显示出解决此问题的优势。在空间中实现主动控制系统的一个困难是如何测量充气结构的形状。本文提出了一种神经网络方案来估计充气结构的形状，而不是直接进行测量。在地面上训练了径向基函数神经网络，以将环境信息和控制变量映射到结构形状中。在神经网络训练完成之后，可以通过将测量的环境数据和控制变量输入到神经网络来获得结构形状的估计值。在实验室中已经进行了一些有关矩形Kapton膜平整度估计的验证研究。结果表明，所提方案对膜的平整度给出了很好的估计。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号