Question

英文文献 高分悬赏！谢谢

In this section, a detailed description of the hard- ware implementation is given. The ANFIS controller implementation is needed to really achieve the goal of having an intelligent stepping motor. The neuro-fuzzy approach gives to the motor the ability to adapt to changing conditions in the environment. A stepping motor equipped with the intelligent controller will be able to train itself with the new data to update its pa- rameters, and as a consequence be able to change its behavior accordingly.
We have to first mention that the ANFIS implemen- tation required a specific microprocessor to be able to achieve all of the required numerical calculations. The ANFIS methodology requires that training is per- formed on an adaptive network, using as data a time series of the relevant variables of the problem. For this reason, the “Jstamp” microprocessor was selected. This specific microprocessor uses JAVA as the native programming language, and has 512 KB of RAM memory and 512 KB of FLASH memory. We show in Fig. 13 the Jstamp microprocessor that was used in our research work.
The ANFIS architecture that was implemented has the general form that is shown in Fig. 14. In this fig- ure, for simplicity we only show the case of four fuzzy rules, but the structure is similar for nine fuzzy rules. We can also appreciate from this figure the hybrid na- ture of the ANFIS approach because a least square method is used in the forward direction and the back- propagation algorithm is used in the backward direc- tion. These methods were implemented in the JAVA language and then they were downloaded to the Js- tamp microprocessor to obtain the controller.
We also used a micro-controller for detecting the position of the encoder. The specific type of the micro- controller is the SX28 from the Ubicom company. The SX28 is a micro-controller based on Flash memory and with RISC type architecture. We show in Fig. 15 the block diagram of the connections for detecting the position of the encoder.
In this section, the tracking and adaptability features of the fuzzy control applied to the stepping motor are tested using simulation and experimentation. We first show in Fig. 16 the response of the stepping motor to a sequence of step input signals (we use 400 sam- ples). We show in Fig. 17 the results of applying the

ANFIS methodology with the training data and with the testing data. We used 20 epochs for training and the final error was of 0.000001, which is very good for this application. In Fig. 18 we plot the predicted values by the fuzzy model and the real values for the system, and the curves are practically indistinguish- able. Finally, we show in Fig. 19 a plot of the differ- ence between both the real and the estimated signal by the fuzzy model.
翻译英文文献！谢谢

Answer 1

本节我们详细介绍硬件的实现。ANFIS控制器目标的实现需要真正具有智能的步进电机。神经模糊方法可以让电机具备适应环境条件变化的能力。步进电机在配备了这种智能控制器后，就能够按照新的数据来训练自己，更新参数，进而改变自己的行为方式。
首先我们要提到的是，ANFIS的实现需要一款能够满足所有数值计算要求的特种微处理器。按照ANFIS方法论的要求，训练是在自适应网络上完成的,它要用到相关问题变量的时间序列数据。为此，我们选用了“Jstamp”微处理器。该处理器采用JAVA作为自己的编程语言，拥有512KB的RAM内存和512KB的闪存。图13给出的就是我们在研发工作中使用的Jstamp微处理器。
ANFIS实现的总体框架结构如图14所示。图中为简化起见，我们只给出了九种模糊算法规则中的四种，但它们的结构都是类似的。从该图中我们也可以感受到ANFIS方法所具备的混合特性，因为它的前向运动采用了最小二乘方法，而后向运动采用的是后向传播算法。这些算法都是采用JAVA语言实现，它们可以随后下载到Jstamp微处理器中构成控制器。
我们还使用了一款微控制器来检测编码器的位置，这就是Ubicom公司的SX28微控制器。SX28是一种基于闪存和RISC体系结构的。图15是编码器位置检测的连接框图。

在本节中，我们将采用仿真和实验的方法对步进电机模糊控制的跟踪和自适应特性进行测试。首先，我们在图16给出了步进电机对阶跃输入信号的响应(我们用了400个采样点)。图17是使用了ANFIS方法的训练数据和测试数据后的结果。我们采用20个时间点进行训练，最终误差为0.000001，这对于该项应用是一个非常好的结果。在图18中,我们给出了模糊模型的预测值与系统实际值的对比曲线，二者实际几乎完全重合。最后,我们在图19给出实际信号与模糊模型预估信号的差异曲线。

你是研究自控的？旦愿对你有帮助！

Answer 2

楼主你要帮你翻译还是搞什么啊，算了帮你翻译啦哎：在这个章节,我们学习,详细描述了陶瓷实施。简称ANFIS控制器的实现需要真正实现这个目标有一个聪明的步进电机。神经模糊的方式能让现代汽车能够适应变化的条件,这样的环境。配备了步进电机的智能控制器能训练自己,通过更新它的新数据,rameters,而结果能改变自己的行为方式进行相应的调整。

我们要先说简称ANFIS implemen - tation需要特定的微处理器能实现所有要求的数值分析中。简称ANFIS方法论的要求训练的基础上形成的每-一种自适应网络,利用时间序列数据相关的变量的问题。因为这个原因,“Jstamp“微处理器选择。这一特定处理器用途爪哇本地人语言进行编程,并有512千字节内存的苹果机记忆和512科比的闪存。我们表现出在图13条Jstamp微处理器那是用于我们的研究工作。

实施的简称ANFIS的架构,是有一般形式显示在图14。在这个图——当然,简单来说我们只展示四模糊规则的情况下,但是结构类似九模糊规则。我们从这图形也一定会欣赏的混合钠-正确的方法,因为简称ANFIS一个最小二乘方法应用中所表述的方向和后面,传播算法用于落后的direc -信息。这些办法》执行JAVA语言中,然后他们下载到Js -夯实微处理器得到控制器。

我们也使用微控制器的位置检测编码器。具体类型的微观-控制器是SX28从Ubicom公司。是一种微控制器的基础上SX28闪存和RISC式建筑。我们表现出在图。15的框图检测的连接的立场编码器。

在本节中,跟踪和适应性特征的模糊控制应用于步进电机,并用仿真模拟测试与实验。我们第一次显示,在图16步进电机的反应,阶跃输入的信号序列(我们使用400萨姆- ples)。我们表现出在图17结果中的应用

简称ANFIS方法与训练数据的测试数据。我们利用二十时期,培训和最后的错误是0.000001,这是非常适合这份申请表。在图,我们也能绘制预测值,运用模糊综合评判模型和真正的价值体系,曲线几乎indistinguish -能。最后,我们显示在图19不同的图,二者之间没有真正的,并对估算信号,运用模糊综合评判模型。

Answer 3

在本条中，对硬件实施的详细描述。自适应模糊神经网络控制器实现的需要，真正实现有一个智能步进电机的目标。该神经模糊方法提供给电机的能力，以适应环境变化的条件。一个步进电机智能控制器装备将能够培养具有新的数据来更新其的PA - rameters本身，并因此能够改变自己的行为.
我们必须首先提及的是， ANFIS的implemen - tation需要一个特定的微处理器能够达到所要求的数值计算的。自适应神经模糊推理方法的培训，要求每一个自适应网络上形成的，作为数据使用的是该问题的相关变量的时间序列。由于这个原因，“Jstamp”微处理器被选中。这种特殊的微处理器使用Java作为编程语言的母语，并拥有512 KB的RAM存储器和512 KB的闪存。我们发现图。 13 Jstamp微处理器，这是在我们的研究工作.
的ANFIS的架构，实施具有一般形式，在图中。 14。在这无花果茜，为简单起见，我们只展示了四个模糊规则的情况，但结构是为九模糊规则类似。我们还可以欣赏到这个数字的混合娜的ANFIS的方法，真实姿态，因为最小二乘方法用于正向和反向传播算法是在落后的方向- tion使用。实施了这些方法在JAVA语言，然后下载到他们的JS -夯实微处理器控制器.
我们取得也可用于检测编码器的位置一个微控制器。该微控制器的特定类型是从Ubicom公司的SX28。在SX28是一个微控制器和基于闪存与RISC型架构。我们发现图。 15的连接用于检测编码器的位置框图.
在本节中，适用于步进电机的模糊控制的跟踪和适应性功能测试使用模拟和实验。我们首先显示在图。 16步进电机的响应，一阶跃输入信号（我们使用400个样品）序列。我们发现图。结果17

ANFIS的应用与训练数据和测试数据的方法。我们用于培训20时代和最后的错误是0.000001，这是非常好的这种应用。在图。 18我们小区的模糊模型和系统的实际值的预测值，而曲线几乎indistinguish -能。最后，我们展示图。 19剧情的不同，两者之间的现实和模糊模型的估计信号ence。

ok,了 加分(⊙o⊙)哦