مينيمم سازي هارمونيك خروجي در مدولاسيون عرض پالس براساس اين فرض مي باشد كه ورودي ولتاژ باس، بدون ريپل باشد. يا وجود اين در سيستم مبدل عملي، وجود يك باسdc غير ايده آل كيفيت ولتاژ خروجي اينورتر را با بروز يك هارموني ناخواسته مرتبه پايين خراب مي كند كه ممكن است قابل فيلتر كردن هم نباشد. در روشهاي جبرانسازي موجود معمولا مدارات اضافي و پيچيده اي براي از بين بردن اثر اين ريپل روي ولتاژ خروجي به كار مي برند. اين مقاله يك الگوي توليدي PWM ارائه مي كند كه براي شمارش ريپل باس DC به كار گرفته مي شود و سيگنالهايي را توليد مي كند كه براي توليد ولتاژ خروجي سيسنوسي با كيفيت بالا لازم مي باشد. اين روش براساس يكپارچه سازي ولتاژ خروجي در يك فركانس ثابت براي اطمينان از توزيع سينوسي ولتاژ بر ثانيه بدون توجه به باس ورودي مي باشد. اصول كار توضيح داده شده و معادلات طراحي بدست آمده اعتبار روشن گفته شده را مشخص كرده است. مخصوصا مقايسه شكل موج ولتاژ خروجي با روشهاي سينوسي استاندارد موثر بودن مكانيسم حذف ريپل را نشان مي دهد. نتايج آزمايش بدست آمده روي يك نمونه آزمايشگاهي عملي بودن و اعتبار روش ارائه شده را تأييد مي كند.

در ابتدا يك الگو براي شبيه ساز سازه هاي مختلف در فضاي 3 بعدي انتخاب كرديم و سپس با نرم افزار ADAMS شبيه سازي شد و براساس آن گشتاور مورد نياز در هر قسمت (كه در حقيقت سروو موتورها هستند) مشخص شد. مدار كنترل كننده ي سروو موتورها نيز پس از بررسي كنترل كننده هاي مختلف، به كمك تركيب چند ميكروكنترلر AVR به روش ارتباط SPI طراحي و ساخته شد. پس از آن به منظور بهينه سازي حركت و همزمان سازي كنترل سروو موتورها از درايور سرووموتور SSC-31 Ver2.00XE استفاده شده و به اين ترتيب به كنترل دقيق تري دست يافتيم. براي اين سه سازه با الگوهاي متفاوت ساخته شد كه سازه ي بهينه تر (با توجه به گشتاور سروو موتورها) از ميان آنها انتخاب گرديد و تكميل شد. امروزه توجه و علاقه ي زيادي به طراحي و ساخت هاي شبيه ساز 2 بعدي اينرسي مي شود. دليل آن نيز شايد شباهت آن به حركت افقي و جهتي باشد. از طرفي از آنجا كه بحث حركت و پايداري نسبت دار بسيار حائز اهميت مي باشد افرادي كه در اين زمينه پژوهش مي كنند نيز محدود اند. در اين پروژه طراحي و ساخت ارائه مي شود كه مي تواند شبيه سازي شده براي سازه هاي مختلف داشته باشد. يادگيري همانند هوشمندي، دامه ي وسيعي از فرآيندها را شامل مي شود و همين موجب مي شود نتوان تعريفي دقيق براي آن ارائه كرد. يك تعريف لغت نامه اي براي ان عبارتست از: «مهارت يافتن در يك زمينه ي رفتاري و اصلاح آن از راه تجربه». در رابطه با ماشين ها بايد گفت، به طور كلي يك ماشين زماني كه ساختار، برنامه يا داده هاي خود را (براساس ورودي ها يا در پاسخ به اطلاعات خارجي) تغيير دهد، در حال يادگيري است و در چنين شرايطي انتظار پيشرفت در كارآيي آينده اين ماشين داريم. معمولا يادگيري ماشين (Machine Learning) به تغيير و تحولات سيستمهايي كه وظايفي مرتبط با هوش مصنوعي دارند، گفته مي شود. برخي اعمال و وظايف را جز با مثال، نمي توان به خوبي بين كرد؛ به عبارت ديگر، ممكن است در بسياري موارد بتوانيم زوجهاي ورودي - خروجي را به درستي مشخص كنيم اما قادر نباشيم يك رابطه ي مشخص بين آنها را ارائه كنيم. به اين ترتيب مايل هستيم ماشينها ساختار دروني خود را به شكلي تنظيم كنند كه خروجي هاي صحيحي را براي مجموعه ي بزرگي از ورودي ها توليد كنند و به اين طريق تابع ورودي - خروجي خود را به رابطه ي نهاني كه در ميان مثالها وجد دارد نزديك كنند. ممكن است ميان حجم عظيمي از داده ها روابط و همبستگي هاي مهمي پنهان باشند مي توان از روش هاي يادگيري ماشين براي استخراج اين روابط و همبستگي ها بهره برد (داده كاوي «Data mining»). نمونه هاي بسياري از يادگيري ماشين در دنيا موجود است. يكي از معروفترين و موفق ترين نمونه هاي آن برنامه ي TD-Gammon است. اين برنامه پس از آنكه يك ميليون و پانصد هزار بار با خود بازي كرد، بازي Backgammon را در حد بهترين بازي كننده هاي جهان و حتي بهتر از آنها آموخت. در حقيقت TD-Gammon با كسب تجربه از بازيهايي كه انجام داده بود توانست به اين سطح دست يابد.