本文介绍了一种使用人工神经网络结合预处理算法来改进针织传感器与物理反应之间映射效果的方法，并通过对重采样传感器信号应用多种指数平滑滤波器提取相关特征来实现前处理。经过对三层、8 个神经元的 ANN 进行训练，我们在映射传感器读数和物理反应之间实现了显著改进。同时，本研究也表明这种方法对具有不同材料和结构的传感器均适用，并可以应用于应变等相关物理特征。

Jun, 2023

本文介绍了利用深度学习技术和迁移学习技术开发的机器人手臂假肢，通过 Google Inception 模型重新训练表面肌电图（sEMG）的分类层来对收集的数据进行分类，使用 Inception-v3 模型进行深度学习，并将其下载到基于 ARM 处理器的嵌入式系统上，实现对 3D 打印制造的脑控机器人手臂的控制。

May, 2020

该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

Sep, 2023

研究了多级最优化问题中的最优执行器和控制设计，其中根据关联的最优闭环的性能评估执行器设计；提出了使用神经网络代理来评估给定执行器实现的最优闭环的计算方法，从而能够使用基于梯度和基于一致性的优化方法确定最优执行器设计；评估了所提出的代理模型和优化方法在与热控的最优执行器位置相关的测试中的有效性。

Feb, 2024

使用强化学习方法训练的神经网络精确调节 Fermilab Booster 加速器复合体的梯度磁铁电源，展示了使用代理机器学习模型模拟 Booster 环境进行训练的初步结果，并演示了如何将神经网络编译为可执行于现场可编程逻辑门阵列的部署能力，这种能力对于复杂环境如加速器设施的操作稳定性至关重要。

Nov, 2020

准确的动态模型对于许多机器人应用至关重要。该研究采用基于机器学习技术（如神经网络）的 “黑盒子” 方法，在一个真实的六自由度操作器上比较了不同的神经网络架构和超参数选择策略，证明级联神经网络在准确度和性能方面表现最佳。

Mar, 2024

本研究首次应用了一个通过深度强化学习进行训练的人工神经网络来执行主动流控，该网络成功地在研究卡曼涡街时减少了大约 8％的阻力，并使用小的质量流速。

Aug, 2018

本研究提出了一种新的神经网络架构，用于对 3D 人类上肢骨骼系统模型进行全面的可视化。利用深度学习模型实现了实时可视化，使得连续力学模拟在视觉实时应用中变得可行。

Dec, 2023

本文介绍了一种机械智能和形态计算的机器学习模型，使用了可学习的细胞实体材料作为形态物质，以及神经网络控制方法来实现非直观的机械行为，并在仿真和实际测试中验证了此方法的可行性。

Jan, 2023

通过使用基于脉冲神经网络的自适应控制算法，本文探讨了机器人手臂学习其可到达位置（包括干扰）的能力，演示了这种自适应控制算法使得机器人手臂可以在新的动态环境下学习并更快地完成任务，同时保持了能源效率。

Oct, 2022