歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
國立臺北科技大學 電機工程系 宋國明、于治平所指導 張顯誠的 具有自適應線性神經元與倒傳遞類神經網路控制之模糊直接轉矩控制系統晶片設計與實現 （2019），提出RM5G關鍵因素是什麼，來自於感應電動機、直接轉矩控制、模糊磁滯控制、類神經控制法則、自適應線性神經元、硬體描述語言、特定應用積體電路。
而第二篇論文國立勤益科技大學 電機工程系 張隆益所指導 林育進的 GRNN為基礎之感應馬達無量測器向量控制研究 （2019），提出因為有 感應馬達、向量控制、無量測器速度控制、GRNN神經網路的重點而找出了 RM5G的解答。
RM5G進入發燒排行的影片
具有自適應線性神經元與倒傳遞類神經網路控制之模糊直接轉矩控制系統晶片設計與實現
為了解決RM5G 的問題，作者張顯誠 這樣論述：
本論文旨在完成一顆具有改良型閉迴路速度控制模糊直接轉矩控制系統晶片，此晶片使用倒傳遞類神經網路和自適應雜訊抑制概念，藉此減少速度控制判定的誤差並增加對電動機速度的控制能力與控制品質。本論文中使用模糊控制、自適應線性神經元(ADALINE)與倒傳遞類神經網路等研究方法，同時，引入智慧型控制改善硬體描述語言數值誤差，電動機的磁通透過模糊控制，求得磁通估測值再經模糊化、模糊化規則庫、解模糊化後，與目標值比較取得改善後的磁通控制訊號；而電動機的轉矩則是由電動機轉速經自適應類神經網路轉換為轉矩估測值，再與目標值比較後取得改善值；然後由倒傳遞類神經網路計算轉矩控制訊號，再將轉矩訊號值與磁通訊號值輸入到電
壓選擇表，選擇適當的六臂開關訊號來產生三相電動機控制電壓，以此改善硬體描述語言架構誤差，使電動機運轉更為穩定。上述功能經模擬驗證成功後使用Verilog硬體描述語言編寫功能模組，經FPGA驗證功能後，再用Cadence Design Compiler來合成電路，最後用cell-based數位元件庫設計方式完成佈局layout，再製作成一顆交流感應馬達控制專用晶片(ASIC)，該晶片的設計、模擬與佈局等均選用台積電公司所提供的製程TSMC0.18μm CMOS process。
GRNN為基礎之感應馬達無量測器向量控制研究
為了解決RM5G 的問題，作者林育進 這樣論述：
本論文主要提出以廣義迴歸神經網路(General Regression Neural Network,GRNN)來實現無量測器向量控制感應馬達驅動器，建立GRNN神經網路轉速辨識系統，使用估測轉速代替傳統轉子回授訊號，主要針對感應馬達(Induction Motor, IM)速度控制。本論文利用傳統的向量控制感應馬達，其轉子回授訊號再對GRNN神經網路進行離線訓練，訓練完成後即可對感應馬達進行無量測器向量控制。藉由MATLAB/Simulink及PC-Based馬達控制即時發展系統模擬與實作其控制系統，以驗證本論文所提出之方法不僅提升系統準確度、可行性及正確性，並降低系統設置成本。