基于数据特征的模糊模型辨识与模糊控制器设计方法

针对难于建立精确数学模型的复杂过程,提出了一种基于数据特征的模糊模型辨识方法.该方法首先按过程输出随输入变量变化的剧烈程度对输入变量论域进行划分,然后在此划分的基础上确定出模糊模型的规则总数和前件参数,最后由于要建立的模糊模型可以表示为一个前馈模糊神经网络,因此利用BP学习算法求得过程模糊模型的后件参数.基于所提出的模糊模型辨识方法进行了柔性连杆机器人模糊控制器设计,并进行了柔性连杆机器人模糊控制实验.实验表明,通过所提出的模糊模型辨识和模糊控制方法可以得到满意的控制性能.     

基于径向基神经网络的Delta机器人位置精度补偿

针对Delta并联机器人末端控制精度问题,提出一种基于RBF的提高Delta并联机构运动学控制精度的方法。首先对Delta并联机器人的运动学逆解进行分析,探讨了影响控制精度的因素和现有提高控制精度方法的局限性。其次,求解Delta并联机器人的工作空间,结合实际工作,通过试验采集训练样本。以末端实际位置为输入样本,末端的期望位置与实际位置之差为输出样本,进行RBF神经网络模型训练,得到末端实际位置与位置偏差之间的非线性映射关系,基于此设计位置补偿策略。最后,在Delta机器人平台上进行实验验证,使用训练好的RBF网络结合运动学逆解,对Delta机器人末端进行轨迹跟踪控制。实验结果表明,末端控制误差由±30mm减小到±5mm,有效的减少了末端位置误差,为Delta机器人精准控制提供了一种简单易行的方法。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于SOM神经网络的水下机器人推进器故障诊断

本文基于SOM（Self-Organizing Map）神经网络进行推进器故障辨识，将水下机器人的控制信号和出现故障情况下的方向变化率作为SOM神经网络模型的输入，其输出即为反映推进器故障大小的拥堵系数，仿真结果表明该方法能准确诊断推进器故障类型。     

动量BP神经网络在高压电力计量系统故障诊断中的应用

利用BP神经网络自适应性强的优势,将动量BP神经网络应用于高压电力计量系统故障诊断中.对计量系统的7个运行参数提取故障信息作为网络的输入值,以4位二进制数表示正常情况和7种主要故障类型,用采集得到的样本对网络进行训练及测试,结果表明,动量BP神经网络模型对高压电力计量系统故障有很好的辨识和诊断效果.     

利用神经网络对温度系统的辨识

针对神经网络对系统辨识时,在一次采样周期内只学习一次样本对的低效率情况,采用一种改进措施,即在一次采样周期内进行多个样本对的学习,同时还采用离线辨识和在线辨识结合的方法,使神经网络能快速、准确地辨识系统的特性．     

基于反向传播算法神经网络的信用评分系统预测力研究

为了提高信用评分系统的预测准确性和稳定性，建立了基于反向传播（BP）算法神经网络的信用评分系统，并提出信用评分系统预测力和预测稳定性验证的新方法．结合信用评分问题的实际特点建立了模型并确定了参数，然后采用一种正向选入法确定输入变量，进行模型训练，并通过引入接收器操作特征曲线的分析理论、曲线面积（AUC）值及信息理论等评价方式，对所构造的神经网络信用评分系统预测力进行评价，最后利用自抽样法构造出多个验证样本来评估信用评分系统的稳定性．与传统的逻辑信用评分系统的比较结果表明，BP神经网络信用评分系统具有更高的预测准确性和稳定性，其AUC值平均提高0．0367，AUC值的标准误差平均降低0．005．     

基于语音和图像的机器人学习系统研究

目前,大部分机器人通过在线编程的方式来完成预先设定的功能,但是智能化水平相对有限,无法主动学习新的任务和应对新的环境.设计一个基于语音交互和神经网络的机器人自主学习系统,一方面系统根据任务需求,利用Kinect深度传感器采集目标的颜色和深度信息进行目标的检测和特征提取,通过语音识别自动生成神经网络模型的训练样本,用于训练和更新神经网络模型;另一方面基于神经网络模型识别目标,通过自然的语音交互方式控制机器人的运动.通过仿真和真实机器人实验验证了自动训练未知事物模型的机器人学习系统的可行性,其中还对机械臂进行了坐标校正和轨迹规划,这样无论是在笛卡尔空间还是在关节空间内,机械臂都能平滑稳定地运动,保证了路径的平滑和工作的安全性.实验结果表明,基于本文设计的自主学习系统可以快速学习和完成新的任务,具有很好的扩展性,适用于不同的任务需求的应用场景.     

基于径向基函数神经网络的并联机器人运动学正问题

以一般形式的Stewart型并联机器人为例,由机器人的位置反解问题引出机器人运动学正解问题,在分析BP网络与径向基函数网络的特点基础上,采用基于径向基函数神经网络的算法,利用最近邻聚类方法获得径向基函数中心,求解并联机器人运动学正解问题·通过对训练样本的学习,确定神经网络权系数,能够准确地求解并联机器人的位置和姿态,算法具有运算简单,求解效果好等特点·同Newton Raphson算法比较,能获得相同的效果且位置和姿态误差近似恒定,而神经网络算法避免迭代初值及额定循环次数的影响·因此该方法可作为并联机构系统运动学轨迹跟踪控制的运动学模型辨识器·     

基于单维拉线测量系统的码垛机器人定位误差分析及运动学标定

以四自由度码垛机器人为研究对象,基于单维拉线测量系统对该机器人的运动学标定方法进行了研究.采用环路增量法构造了码垛机器人平行四连杆的误差模型,并建立了带关节变量比例系数的运动学误差模型,从而对关节传动误差进行补偿.通过对影响机器人末端位置精度的几何误差参数进行敏感性分析,将几何误差源简化为11项,可有效提高辨识效率.结合单维拉线测量系统的特点,建立了末端运动误差与几何误差源的映射关系,进而提出了一种基于距离测量的参数辨识模型.通过计算机仿真和标定试验对该方法的有效性进行了验证.试验结果表明,标定后码垛机器人位置误差3?值由11.73,mm减小至1.79,mm,运动精度提升84.7%,.     

基于神经网络的空间7R冗余机器人的运动模型辨识

针对空间冗余机器人运动学控制中正、逆运动学求解的复杂性，采用神经网络从两方面解决这一问题。一是从神经网络出发，提出了一种新的动态神经网络结构--状态延迟输入动态递归神经网络（SDIDRNN），提高了网络的学习速度；二是从辩识方案出发，以SDIDRNN为基础，在空间7R冗余机器人正、逆运动学模型辩识的问题上，设计了一种新颖的解耦辩识方案。将其与另外两种具有普通网络结构的辩识方案相比较，说明了该新方案具有更高的学习能力，辩识误差可降低到对比方案的40％-6％。由于学习速度的提高，达到设定误差时的训练次数大大减少，使该方案在机器人运动控制系统中的实时计算能力大大增强，为神经网络在机器人运动学控制中的应用提供了一条崭新的思路，具有重要的应用意义。     

一种基于粗集理论的BP神经网络加速算法

应用粗糙集理论 ,对控制系统采样数据进行简化处理 ,构造一种新型神经网络结构 .提出一种误差反向传播BP(BackPropagation)神经网络加速算法 ,并将此算法应用于移动机器人的控制系统分析设计 .通过仿真结果的分析研究 ,验证了此算法在减少网络冗余 ,提高神经网络学习速度 ,提高网络实时控制能力等方面的良好的性能 .     

基于文本图神经网络的小样本文本分类技术研究

为了解决文本图神经网络小样本文本分类精度较差的问题,设计了基于文本图神经网络的原型网络,采用预训练语言模型,利用文本级图神经网络为每个输入文本构建图并共享全局参数,将文本图神经网络的结果作为原型网络的输入,对未标注文本进行分类,并验证新模型在多个文本分类数据集上的有效性。实验结果表明,与需要大量标注文档的监督学习方法相比,所采用的方法未标注文本的分类精度提高了1%～3%,在多个文本分类数据集上验证了新模型性能先进,内存占用更少。研究结果可为解决小样本文本分类问题提供参考。     

用T-S型模糊神经网络的机械手轨迹跟踪自适应控制

对于常见的将 CMAC神经网络前馈控制器和常规反馈控制器相结合的机械手轨迹跟踪控制方案 ,它的控制性能同时受神经网络前馈控制器学习能力和反馈控制器控制精度的制约。该文提出的采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案充分利用了 T- S模糊模型的特点和优点 ,以一种基于简化的 T- S型的模糊神经网络作为前馈控制器 ,同时反馈控制器也采用 T- S型模糊神经网络实现。针对三自由度机械手轨迹跟踪问题的仿真实验表明 ,采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案是可行的和有效的     

基于小波神经网络的邮件分类算法研究

小波神经网络模型是将小波理论和神经网络结合起来的一种模型.通过对邮件分类问题的分析,采用由伸缩和平移因子决定的小波基函数代替传统的神经元激励函数的小波神经网络的方法,建立了相应的邮件分类的小波神经网络模型.该模型克服了传统BP神经网络参数不足、隐含层单元数目难以确定、收敛速度较慢等缺点.应用结果表明,该算法在邮件分类中能有效减少平均绝对误差,提高查准率,为邮件分类算法研究提供了一种新的方法.     

基于神经网络的柔性机器人混合力/位置控制

建立了柔性机器人的动力学模型,并根据实际情况对模型作了相应的假设,给出了简化的准静态模型,提出了一种基于神经网络的混合力／位置控制方法,它主要包括两个部分：辨识网络和学习网络,仿真结果证明所设计的控制器是可行的。     

基于改进的DDPG算法的蛇形机器人路径规划方法

针对蛇形机器人执行路径规划任务时,面对复杂环境传统强化学习算法出现的训练速度慢、容易陷入死区导致收敛速度慢等问题,提出了一种改进的深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法。首先,在策略-价值(actor-critic)网络中引入多层长短期记忆(long short-term memory, LSTM)神经网络模型,使其控制经验池中信息的记忆和遗忘程度;其次,通过最优化特征参数将CPG(central pattern generators)网络融入强化学习模型,并设计新型网络状态空间和奖励函数;最后,将改进算法与传统算法分别部署在Webots环境中进行仿真实验。结果表明,相比于传统算法,改进算法整体训练时间平均降低了15%,到达目标点迭代次数平均降低了22%,减少了行驶过程中陷入死区的次数,收敛速度也有明显的提升。因此所提算法可以有效地引导蛇形机器人躲避障碍物,为其在复杂环境下执行路径规划任务提供了新的思路。     

液压并联机器人的动态神经网络控制研究

针对液压并联机器人运动过程中各单缸伺服系统的参数时变和耦合力扰动问题,利用在前馈型网络增加反馈环节的方法,设计了一种新型动态神经网络,并将该动态网络作为智能控制器应用于单缸伺服系统,同时根据能全面衡量系统性能的综合目标函数,推导出网络控制学习算法.仿真及试验结果表明,这种控制器的设计不依赖于系统模型,对于单缸系统的参数时变具有自适应性,对于耦合力扰动具有强鲁棒性,控制结果显示系统具有良好的静动态性能.     

RBF神经网络用于发动机控制系统的故障诊断

神经网络是以研究人的生物神经为根据,由大量简单元件即神经元模拟电子器件相互联接而形成的一种复杂网络本文通过比较现行发动机控制系统故障诊断的方法,针对基于神经网络的发动机控制系统故障诊断进行了推导及改善数学模型;并编制了采用径向基函数神经网络完成发动机控制系统故障诊断的学习与诊断程序,实现了仿真将神经网络应用于发动机控制系统的故障诊断技术中,以发动机的各测量传感器为基础,对其控制系统进行实时故障诊断和故障分离,不仅充分体现神经网络的容错性、抗干扰性及大规模并行处理能力、自学习能力等特点,而且开发了发动机控制系统的故障诊断技术新领域     

学习型机器人动力学模型及其应用

提出了一种基于神经网络学习的机器人动力学建模方法.其特点是在网络结构中引入积分单元,构成含有积分回路的动态网络,使之能够很好地学习对象的动态特征.讨论了该模型在最优化等领域中的应用,及其泛化能力等问题.依据实际高尔夫挥杆机器人的结构参数以及其控制器特性进行了仿真实验.仿真结果表明,该模型算法简单实用,完全不需要对象的数学描述,泛化能力极强,具有良好的应用前景.