到目前为止,基于传递函数的动态解耦矩阵分析方法具有简单的解耦网络和清晰的思路。动态解耦需要高精度的模型,然而,由于系统中存在测量误差、干扰以及识别方法的局限性,从而导致识别到的系统模型常常不太准确,并且致使系统的精准度大大降低[44～47],因此解耦对于六维力传感器极其重要。

E.Rumelhart和J.L.McClelland[48～49]在1986年探究出了一种新的神经网络——运用误差反向传播训练算法(即BP神经网络),并且他们在一定程度上解决了一些问题,如多层网络中隐藏单元连接权的学习问题。合肥工业大学的徐科军等人[50]在1999年的时候基于不变性原理探究出了一种新的方法,通过添加解耦网络来减少解耦模型的顺序以消除层间耦合,但是此方法存在一定难度,并且适应性较高。2001年,东南大学的宋国民等人[51]研究出了一种以对角优势矩阵为基础的动态解耦方法,但是此方法仅能做到近似解耦,无法做到完全解耦。2008年,沈阳航空学院的刘秀芳等人[52]将独立成分分析(ICA)方法应用到处理航空发电机振动信号之中,而且实验证明此方法的分离效果非常好。2009年,淮阴师范大学的俞阿龙[53]研究出运用遗传小波神经网络进行动态补偿,此方法可以监控测量系统的响应速度。(www.daowen.com)