导读:本文包含了轨迹模型论文开题报告文献综述及选题提纲参考文献，主要关键词:工业机器人,RBF神经网络,动力学方程
轨迹模型论文文献综述
侯超众,侯超群[1]（2019）在《基于改进RBF的工业机器人轨迹跟踪模型构建及仿真》一文中研究指出针对工业机器人控制领域中轨迹控制精度的问题,在分析RBF径向神经网络的基础上,提出采用粒子群算法思想对RBF神经网络参数进行优化,并给出优化流程及步骤;最后建立动力学方程,并设定径向神经网络和粒子群算法的参数,得到经优化的RBF网络控制的轨迹与期望轨迹一致,且轨迹误差小,具有较高的控制精度.(本文来源于《赤峰学院学报(自然科学版)》期刊2019年11期）
周鹏飞,谢黎,王亚飞[2]（2019）在《我国农业全要素生产率的变动轨迹及驱动因素分析——基于DEA—Malmquist指数法与两步系统GMM模型的实证考察》一文中研究指出采用DEA-Malmquist指数法和两步系统GMM模型对2007—2016年我国30个省份的农业TFP的变动轨迹及驱动因素进行研究发现:我国农业TFP年均增长率为3. 1%,对第一产业总产值增长的贡献率为78. 43%;农业TFP的增长呈现出技术进步和技术效率改善双轮驱动的良性格局;农业TFP增长率及其对第一产业总产值增长的贡献率均呈现出中部大于西部、西部大于东部的事实特征。农业TFP增长具有极强的路径依赖;财政支农、城镇化进程、农村公路密度对农业TFP增长具有正向促进作用,工业化进程和农村用电量、农业贸易开放在不同程度上制约了农业TFP增长。(本文来源于《兰州学刊》期刊2019年12期）
万子健,李连营,杨敏,周校东[3]（2019）在《车辆轨迹数据提取道路交叉口特征的决策树模型》一文中研究指出众源车辆轨迹数据隐含最新的道路分布信息,研究利用轨迹数据提取道路特征有益于基础路网数据的快速建库与更新。道路网由交叉口和连接交叉口的道路线构成,其中交叉口特征识别是整个道路网生成的关键。由于缺乏精细的交叉口识别模型,轨迹数据生成的道路网容易出现路口遗漏、结构失真等现象。针对这一问题,本文提出一种利用轨迹数据提取道路交叉口的方法。首先,分析车辆在交叉口与非交叉口区域移动轨迹几何形态及隐含动力学特征的变化情形;然后,利用决策树方法构建轨迹片段分类模型,并结合移动开窗式的轨迹线剖分模型建立交叉口区域变道轨迹片段提取方法;最后,依据Hausdorff距离对交叉口区域轨迹片段进行聚类,并提取中心线获得完整的道路交叉口结构。采用真实的车辆轨迹线作为测试数据,验证了本文提出方法的有效性。(本文来源于《测绘学报》期刊2019年11期）
廖家才,曹立波,夏家豪,张晓,吴强[4]（2019）在《基于核相关滤波和运动模型的多目标轨迹跟踪》一文中研究指出在自动驾驶系统中,基于视觉的车辆前方多目标检测和轨迹跟踪能够为前方目标的姿态估计、行为分析提供有效信息。针对协同运动信息和核相关滤波跟踪信息的多目标跟踪的不足,使用卷积神经网络YOLOv2检测目标,提出了融合核相关滤波和目标运动信息的多目标轨迹跟踪方法,目的是将运动信息融入到图像特征跟踪容器中,优化运动模型,减少环境噪声造成的目标跟踪丢失、偏离。提出了基于运动信息改进核相关滤波跟踪尺度不变性算法。建立了多目标的检测跟踪容器,提出了结合目标属性、重合度、运动状态、跟踪状态的多目标匹配方法。实验表明,本文算法能够实现一定场景下的多目标的持续实时轨迹跟踪,平均有效跟踪率为92.5%。(本文来源于《汽车工程》期刊2019年10期）
邹凯,蔡英凤,陈龙,孙晓强[5]（2019）在《基于增量线性模型预测控制的无人车轨迹跟踪方法》一文中研究指出针对现有无人车轨迹跟踪研究中将轮胎侧偏角假设在线性区域的不足,提出一种基于增量线性时变模型预测控制的轨迹跟踪方法。在每个控制周期内进行轮胎魔术公式的线性化处理,建立时变轮胎模型,并结合车辆二自由度模型,获得了车辆时变模型,设计增量线性时变模型预测控制器(ILTVMPC),完成了轨迹跟踪,在二次规划求解过程中加入包括控制量和控制增量等约束。利用MATLAB/Simulink平台将该方法与非线性模型预测控制进行仿真对比,结果表明:基于时变轮胎模型的ILTVMPC,不仅在跟踪精度和稳定性上有优异表现,而且计算实时性得到较大幅度提升。(本文来源于《2019中国汽车工程学会年会论文集（1）》期刊2019-10-22）
林荣霞[6]（2019）在《基于动态逆模型的机器人轨迹跟随纠偏控制》一文中研究指出变刚度关节驱动机器人受到柔性作业面的影响,导致机器人控制的轨迹跟随性不好,提出一种基于动态逆模型的机器人轨迹跟随纠偏方法。构建变刚度关节驱动机器人的D-H参数和运动学模型,采用扩展卡尔曼滤波方法进行的机器人轨迹跟随参量采样和自适应融合处理,结合谐振比率控制方法进行机器人轨迹跟随的误差反馈调节,采用动态逆控制模型计算机器人的轨迹跟随误差,以机器人的几何空间位姿参数的调节对象,进行轨迹跟随纠偏控制,利用关节轴线间的几何关系求出模型中运动学参数,获得的连杆模型参数能及时反馈给变刚度关节驱动机器人的控制系统,实现控制律优化设计。仿真结果表明,采用该算法进行机器人轨迹跟随纠偏控制的稳定性较好,控制过程的轨迹纠偏性能较好。(本文来源于《舰船电子工程》期刊2019年10期）
梅满,朱大奇,甘文洋,蒋骁迪[7]（2019）在《基于模型预测控制的水下机器人轨迹跟踪》一文中研究指出针对水下机器人二维水下环境中的轨迹跟踪问题,通过分析与建立水下机器人二维运动学模型,提出了一种新型的轨迹跟踪控制方法,即模型预测控制。该算法是在误差模型的线性化描述的基础上引入模型预测控制方法,将最小化目标函数的优化问题转换为二次规划问题的求解,使得水下机器人在满足控制约束的条件下有效地完成轨迹跟踪并克服速度跳变问题。通过与反步控制方法的仿真实验对比,证明所提及的模型预测控制算法能够更有效的实现二维水下机器人的轨迹跟踪控制。(本文来源于《控制工程》期刊2019年10期）
周月月,郑昊,梁一鸣,韩茹,王佳舟[8]（2019）在《从儿童期到青少年期欺负与受欺负的联合发展轨迹:平行的潜类别增长模型》一文中研究指出校园欺负在中小学发生普遍,是影响儿童和青少年身心健康发展的重要风险因素。以往研究表明,欺负与受欺负在个体身上同时发生并随时间推移不断变化。理解二者的联合纵向发展轨迹对校园欺负和受欺负的预防和干预有重要意义。本研究首次通过为期四年的追踪研究,考察从儿童期过渡到青少年期,欺负与受欺负的联合发展轨迹、轨迹类别的性别和年级差异,以及各个轨迹类别欺负/受欺负具体形式(言语欺负/受欺负、关系欺负/受欺负、身体欺负/受欺负)的变化。来自合肥市的775名青少年参加了四次重复测量。第一次测量时的平均年龄为10.90岁,SD=1.12,男生占69.5%。结果表明,儿童欺负与受欺负存在四种不同的联合发展轨迹:卷入组(欺负与受欺负都随时间推移由低升到高,占总体7.6%)、抽离组(欺负与受欺负都随时间推移由高降到低,6.1%)、受欺负组(受欺负水平一直较高,而欺负水平则一直较低,13.2%)和非卷入组(欺负与受欺负一直保持着稳定低水平,73.1%)。男生更可能属于卷入组、抽离组和受欺负组;女生更可能属于非卷入组。轨迹类别不存在显着的年级差异。此外,对卷入组的受欺负而言,关系受欺负和身体受欺负在四年时间内不断上升,而言语受欺负一直保持着中等-稳定水平。对卷入组的欺负而言,叁种欺负亚类型均在四年时间内不断上升。其他轨迹类别的欺负和受欺负亚类型与总体趋势基本保持一致。这些结果表明,欺负与受欺负水平随时间推移不断变化且在不同的个体间存在较大的异质性;男生更多卷入欺负和受欺负;欺负与受欺负的亚类型基本保持着一致的发展趋势。研究结果对于校园欺负的预防和干预工作具有重要启示。(本文来源于《第二十二届全国心理学学术会议摘要集》期刊2019-10-19）
林楠,张文,阮明成,赵高明,张成秀[9]（2019）在《高中新生心理素质与其入学适应期焦虑变化轨迹的关系:基于潜变量增长模型的分析》一文中研究指出新生入学时,由于环境的变迁,容易产生适应不良的问题,诱发焦虑情绪。因此为探究入学适应期内,高一新生自身焦虑情绪的动态变化轨迹及其影响因素,本研究采用了整群抽样的方式选取了成都市某中学的326名高一新生,对其进行了历时一个学期,共计四次的问卷追踪测试。采用潜变量增长模型,分析高中入学的第一个学期内,新生焦虑情绪的变化情况及其影响因素。结果显示:高中新生在入学的第一个学期内,(1)其焦虑情绪呈线性增长(截距=18.01,p <0.01,斜率=0.36,p <0.01);(2)其焦虑情绪,在入学第一周时测得的初始水平上不存在显着的性别差异(γ_α=0.07, p=0.31),但在随后的四个月里女生焦虑情绪的增长显着快于男生(γβ1=-0.28, p <0.05);(3)而且其心理素质能显着地预测新生焦虑情绪的初始水平(β_(截距)=-0.18,p <0.001)及其增长速度(β_(斜率)=-0.02,p <0.01),即表现为:心理素质水平越高的新生,其焦虑情绪的初始水平越低且增长速度越慢。以上结果首次表明,高中新生在入学适应期的焦虑情绪显示出具有线性增长的变化轨迹,而且会受到自身心理素质的显着影响,这些发现为预测及干预高中新生的焦虑情绪提供了实证基础,同时深化了人们对心理素质在青少年心理健康维护中的作用及功能的认知。(本文来源于《第二十二届全国心理学学术会议摘要集》期刊2019-10-19）
肖兴学,张文,阮明成,黄云,程刚[10]（2019）在《高一新生入学过渡期宜人性对其焦虑变化轨迹的影响:基于潜变量增长模型的分析》一文中研究指出为了探讨高一新生入学过渡期宜人性在其焦虑变化轨迹上所起的作用,本研究采用整群抽样的方式选取了成都市某中学的306名高一新生(Mage=15.55,SD=0.47),使用焦虑量表对其进行了历时一个学期,共计5次的问卷追踪测试,并在第一次测试时对其宜人性进行了调查,使用潜变量增长建模,考察了新生入学过渡期内焦虑情绪的变化轨迹,并就宜人性对其焦虑情绪变化轨迹的作用进行了分析。结果发现新生入学后四个月内:(1)其焦虑情绪呈线性增长(截距=18.01,p <0.01,斜率=0.29,p <0.05);(2)其其焦虑情绪,在入学第一周时测得的初始水平上不存在显着的性别差异(γ_α=0.21, p=0.57),但是在随后四次的测试中女生的增长速度显着高于男生;(3)宜人性能显着地预测新生焦虑情绪的初始水平(β_(截距)=-0.33,p <0.01)及其增长速度(β_(斜率)=-0.09,p <0.01),具体来说:在宜人性上得分较高的新生,其焦虑情绪的初始水平越低且后期的增长速度也越慢。通过研究结果表明,高一新生在入学过渡期其焦虑情绪的变化轨迹呈显着的线性增长,并且还会受到个体宜人性人格的影响。该研究的发现有助于推进学界对于高一新生宜人性与其焦虑变化轨迹间的认识,并为后续相关研究提供了理论基础,同时深化了人们对于焦虑情绪产生的影响因素及其变化特点,为采取针对性的干预措施,以预防高中生形成焦虑性情绪障碍,,促进其身心健康成长提供了一定的指导。(本文来源于《第二十二届全国心理学学术会议摘要集》期刊2019-10-19）
轨迹模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
采用DEA-Malmquist指数法和两步系统GMM模型对2007—2016年我国30个省份的农业TFP的变动轨迹及驱动因素进行研究发现:我国农业TFP年均增长率为3. 1%,对第一产业总产值增长的贡献率为78. 43%;农业TFP的增长呈现出技术进步和技术效率改善双轮驱动的良性格局;农业TFP增长率及其对第一产业总产值增长的贡献率均呈现出中部大于西部、西部大于东部的事实特征。农业TFP增长具有极强的路径依赖;财政支农、城镇化进程、农村公路密度对农业TFP增长具有正向促进作用,工业化进程和农村用电量、农业贸易开放在不同程度上制约了农业TFP增长。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
轨迹模型论文参考文献
[1].侯超众,侯超群.基于改进RBF的工业机器人轨迹跟踪模型构建及仿真[J].赤峰学院学报(自然科学版).2019
[2].周鹏飞,谢黎,王亚飞.我国农业全要素生产率的变动轨迹及驱动因素分析——基于DEA—Malmquist指数法与两步系统GMM模型的实证考察[J].兰州学刊.2019
[3].万子健,李连营,杨敏,周校东.车辆轨迹数据提取道路交叉口特征的决策树模型[J].测绘学报.2019
[4].廖家才,曹立波,夏家豪,张晓,吴强.基于核相关滤波和运动模型的多目标轨迹跟踪[J].汽车工程.2019
[5].邹凯,蔡英凤,陈龙,孙晓强.基于增量线性模型预测控制的无人车轨迹跟踪方法[C].2019中国汽车工程学会年会论文集（1）.2019
[6].林荣霞.基于动态逆模型的机器人轨迹跟随纠偏控制[J].舰船电子工程.2019
[7].梅满,朱大奇,甘文洋,蒋骁迪.基于模型预测控制的水下机器人轨迹跟踪[J].控制工程.2019
[8].周月月,郑昊,梁一鸣,韩茹,王佳舟.从儿童期到青少年期欺负与受欺负的联合发展轨迹:平行的潜类别增长模型[C].第二十二届全国心理学学术会议摘要集.2019
[9].林楠,张文,阮明成,赵高明,张成秀.高中新生心理素质与其入学适应期焦虑变化轨迹的关系:基于潜变量增长模型的分析[C].第二十二届全国心理学学术会议摘要集.2019
[10].肖兴学,张文,阮明成,黄云,程刚.高一新生入学过渡期宜人性对其焦虑变化轨迹的影响:基于潜变量增长模型的分析[C].第二十二届全国心理学学术会议摘要集.2019