一、基本信息：

中科院光电技术研究所，研究方向：光电跟踪

发表于Expert Systems with Applications。

影响因子：8.5

二、论文内容简介

论文针对动态矩阵的Moore-Penrose逆问题，提出了一种创新的统一固定时间归零神经网络（UFTZNN）模型。该模型能够实现固定时间收敛，并使用单个模型同时解决左逆和右逆问题，简化了问题处理的复杂性。对UFTZNN模型的收敛性和鲁棒性进行了严格的理论分析，证明了其在无噪声和有噪声环境下都能快速且稳定地收敛。通过与现有ZNN模型的数值模拟比较，UFTZNN在解决左右逆问题、收敛时间以及鲁棒性方面展现出了显著的优势。将UFTZNN模型应用于一个六自由度机械手的视觉跟踪系统，用于解决逆运动学跟踪问题，实验结果验证了其高精度和实用性。

三、研究背景

Moore-Penrose逆矩阵在多个领域具有重要作用，但现有的数值方法不适用于随时间变化的动态矩阵。为此，研究者们提出了零化神经网络（ZNN）来应对这一挑战。ZNN通过改进的成本函数设计，能够精确跟踪随时间变化的解，并在多种问题中得到了应用。然而，ZNN的收敛速度和噪声容忍度是关键问题。原始ZNN模型收敛速度慢，噪声抑制效果不佳。为了改善这些问题，研究者们尝试了多种方法，包括引入积分函数和动态调整参数，但这些方法仍存在指数收敛的问题。因此，研究者们开始探索有限时间收敛理论，以实现更快的收敛速度。

为了在有限时间内求解Moore-Penrose逆，研究者们引入了非线性函数，如李激活函数和符号幂激活函数。但这些模型对初始值敏感，可能导致实际应用中的问题。因此，探索新的有限时间收敛ZNN模型对于解决Moore-Penrose逆问题具有重要价值。

此外，对于满秩矩形矩阵，现有研究主要关注分别求解左逆和右逆的模型，但在某些情况下需要在两种解模型之间切换。目前，尚缺乏能够使用单一模型求解矩阵左逆或右逆的ZNN模型研究。

 四、创新内容与工程应用价值

1. 提出的UFTZNN模型使用一个模型统一了求解满秩矩形矩阵的Moore-Penrose左右逆问题，简化了矩阵Moore-Penrose逆的求解过程。提出的UFTZNN模型采用固定时间收敛，不依赖初始值，提高了模型的收敛速度和抗噪能力。

2.UFTZNN模型在机械手视觉跟踪系统上的成功应用，验证了其实用性，为多自由度机械手实时控制系统提供了高效、可靠的解决方案，有望提升系统性能，增强系统的市场竞争力。

五、基于灵思创奇设备应用价值

1.设备提供了Ethercat接口和多路串口，提供了Simulink模块化的接口程序，方便将基于Ethercat通信的工业伺服驱动器以及工业串口通信设备连接到控制器，缩短了实验平台的调试周期。

2.该设备使用基于模型设计的系统，能够将复杂的仿真模型迅速转换为可执行的控制算法代码，确保了控制策略在实际硬件平台上的有效性和可靠性，极大地加速了控制系统的测试过程。提高了实验阶段的效率，从而缩短了整个研究过程的时间。

3.该设备提供了便于调试和数据采集的上位机环境。这种环境使得实验过程能够更加方便地监控实时数据，调整系统参数，以及记录实验数据。通过上位机的图形界面，可以直观地观察系统性能，快速识别和解决问题，从而优化控制策略，提升系统性能。