空间绳牵引并联机器人多目标优化设计

以6自由度空间绳牵引并联机器人工作空间体积、最小索力和全局灵巧度为优化目标,在保证绳索张力范围的前提下建立了多目标优化的数学优化模型.采用神经网络-遗传算法求得优化的3组满意解,并采用灰色聚类法选择多目标优化时的权重系数.仿真结果表明该优化方法可以有效地实现结构的优化,为同类绳牵引并联机器人的设计提供了有益的参考.     

面向非硅MEMS的桌面微装配系统模块化设计方法

针对非硅MEMS零件的装配瓶颈难题,提出一种面向非硅MEMS的桌面微装配系统模块化设计方法.论述了所提出桌面微装配系统的内涵、特点及其应用对象,并在此基础上提出了基于装配单元通用功能完整性和系统可重配置性的模块划分原则;利用相关性分析方法建立了综合相关矩阵并应用模糊聚类方法对其进行了操作,确定了模块划分定量计算流程,利用模糊评价方法对模块划分合理性进行了评价;以桌面微装配系统的自主式装配单元为实例进行了设计方法的验证,证明了模块化设计方法的有效性.      

嵌入式固态存储系统ECC算法的研究与实现

为提高差错检测和修正(ECC)校验编码的简洁性,从信息编码理论的角度,研究了一种基于Hamming编码方式的ECC方法. 通过在数据空间中构造多字节数据的信息矩阵,利用ECC编码方法,设计生成了ECC校验算法的系数矩阵,利用线性空间变换理论计算生成了纠错校验码,提出了一种简洁的、具有较强可计算性的基于ECC校验码的误码校验和定位算法,并给出在嵌入式固态存储器中进行纠错编码、校验和纠错的详细过程. 最后运用硬件编程语言VHDL 在Xilinx ISE的实验环境下成功实现了该检错纠错算法. 结果表明该算法可以检测出1 bit以及2 bit的读写错误,且可对1 bit错误进行修正.      

基于公差推理的零件聚类装夹规划方法研究

针对计算机辅助工艺设计中的装夹规划问题,提出一种面向制造特征的基于公差推理的装夹聚类规划方法.通过分析零件的制造过程,对加工单元进行定义,建立零件的装夹规划数学模型.随机生成装夹规划的初始解,计算加工单元之间的装夹相异度,通过进行反复迭代的聚类分析获取最少的装夹分组.基于公差的推理方法,获得加工单元的加工顺序约束关系,进行装夹的组间及组内排序,生成最优装夹规划方案.同时,基于CATIA设计平台实现了零件的装夹规划原型系统,通过实例对所提算法进行了验证.      

一种改进的基于超网络的高维数据聚类算法

高维数据聚类问题是当前聚类分析研究的重点。笔者提出了一种改进的基于超网络的高维数据聚类算法。首先,将高维数据映射到一个大规模带权超网络中;其次,定义超网络中边的权重;再次,采用优化的超图划分方法划分带权超网络;最后实现高维数据聚类。这样有效过滤掉聚类中的噪声数据,避免了传统聚类方法在降维过程中产生的弊端。实验证明,该算法具有较理想的有效性和精确度。     

基于LDA+kernel-KNNFLC的语音情感识别方法

结合K近邻、核学习方法、特征线重心法和LDA算法,提出了用于情感识别的LDA+kernel-KNNFLC方法.首先针对先验样本特征造成的计算量庞大问题,采用重心准则学习样本距离,改进了核学习的K近邻方法;然后加入LDA对情感特征向量进行优化,在避免维度冗余的情况下,更好地保证了情感信息识别的稳定性.最后,通过对特征空间再学习,结合LDA的kernel-KNNFLC方法优化了情感特征向量的类间区分度,适合于语音情感识别.对包含120维全局统计特征的语音情感数据库进行仿真实验,对降维方案、情感分类器和维度参数进行了多组对比分析.结果表明,LDA+kernel-KNNFLC方法在同等条件下性能提升效果最显著.     

基于分数阶傅里叶变换的量化噪声抑制方法

针对A/D转换器在采样和量化过程中产生的量化噪声问题,提出一种基于分数阶傅里叶变换的量化噪声抑制方法.利用经典量化器的统计特性,分析出量化噪声在分数阶傅里叶域具有白噪声特性,利用过采样和分数阶傅里叶域数字滤波方法对输入信号的量化噪声进行抑制,提高信号质量.理论推导和仿真结果表明,该方法能够有效抑制量化噪声,提高A/D转换器的输出信噪比,而且针对线性调频等信号的量化噪声抑制效果优于传统傅里叶域的方法.      

机床温度测点优化方法研究及试验验证

针对机床热误差补偿技术中的关键温度测点选取问题,提出了一种温度测点优化新方法.首先采用简单相关分析,剔除掉与热误差明显不相关的测点.然后对初步筛选出的测点进行模糊聚类分析,以消除温度变量间的复共线性问题,同时进行灰色综合关联度分析,判断各测点与热误差间的紧密程度.根据分析结果,建立多个不同测点的热误差模型,对模型进行基于统计学理论的分析,确定出关键温度变量,将温度测点由20个减少至4个.根据优化结果,重新建立多元线性回归模型.误差预测结果表明,主轴Z向最大热误差从17.903μm减小到1.850μm.     

部分线性模型的adaptive group lasso变量选择

对部分线性模型的aglasso(adaptive group lasso)参数估计及变量选择问题进行研究.通过构造aglasso的估计函数,将分组部分线性模型变量的选择问题转化为分组因子的选择问题.理论研究表明:该方法能相合地识别真实模型,并且估计具有oracle性质.最后通过模拟研究了所提方法的有限样本性质.     

一族带有参数的三阶收敛迭代方法

根据经典牛顿法和Runge-Kutta方法的思想,文章提出了解非线性方程f(x)=0近似解的一族带有参数的迭代方法,即通过设定不同的参数值,从而得到不同的迭代方法。经收敛性分析和证明,得出该族方法都至少三阶收敛到单根,目前一些已知改进的牛顿迭代法都是该族方法中的特殊情况。最后用数值试验证明了该方法与同阶收敛性质方法相比具有一定的有效性。