基于改进神经网络的多AUV全覆盖路径规划

针对三维环境下的多自主水下机器人(Autonomous Underwater Vehicle,AUV)全覆盖路径规划问题,提出一种基于改进神经网络—Glasius生物启发神经网络（Glasius Bio-inspired Neural Network,GBNN）的全覆盖路径规划算法。对AUV的水下工作环境构建离散的三维栅格地图;根据栅格地图,建立相对应的三维GBNN模型;根据GBNN活性值的动态变化,AUV规划各自的搜索路径,对水下任务区域进行全覆盖搜索。仿真结果表示,多AUV可以协同完成覆盖搜索任务,能够自动避开各类静态和动态的障碍物,自动逃离路径的死锁区。     

深海潜水器研究现状与展望

深海潜水器研究对海洋科学与工程技术进步、海洋资源探测与开发、国家海防安全与海洋战略实施有着十分重要的意义。本文在简要概述深海潜水器基本类型的基础上,综述了深海潜水器的发展历史与国内外研究现状,论述了深海潜水器研究的关键技术,最后对深海潜水器的发展趋势及应用前景进行了探讨。     

电子密度对PCVD制备SnO_2导电薄膜的影响

利用双探针测得了管式射频等离子体反应器内电子密度的轴向和角向分布,并制得了SnO_2透明导电薄膜.实验表明,薄膜的沉积速率、电学性能及结晶形态受等离子体电子密度的影响较大.在电子密度高的地方,薄膜沉积速率快,薄膜电阻低,其薄膜的晶粒也均匀细微密集.     

电子电路故障诊断的神经网络数据融合算法

针对模拟电路故障元件诊断的不确定性问题,将BP网络引入数据融合之中,结合模糊集合论,构造－模糊神经网络故障分类器,并将其应用于电子电路故障诊断之中。通过测试电子电路中被诊断元件的工作温度和工作电压这2个物理量,求出两传感器对各待诊断元件的故障隶属度,利用模糊BP网络故障分类器进行数据融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性。     

基于暂态挖掘的非线性时间序列故障预报

针对实际工程系统故障建模困难、现有故障预报方法实时性差的问题.从一类挖掘的角度,设计了一种基于一类支持向量机的时间序列暂态挖掘算法,提出了一种既不需要系统近似模型也不需要故障训练数据和先验知识的直接故障预报方法.在系统运行的同时实现学习和预报.提高了实时性.同时该方法简单易用,克服了传统方法在预报故障前需要预测系统未来状态的缺点.具有很强的应用意义.以釜式反应嚣为对象进行的仿真实验证明了方法的有效性.     

无人水下机器人在线故障辨识及滑模容错控制

针对复杂海洋环境中水下机器人的可靠性问题,提出了一种无人水下机器人主动滑模容错控制方法。在水下机器人简化动力学模型的基础上利用RCMAC递归小脑神经网络在线辨识机器人中出现的时变非线性故障,并根据故障辨识结果重新配置滑模控制器的控制律,使无人水下机器人在故障情况下仍然可以完成预定任务。仿真实验证明了该容错方法的有效性。     

无人水下机器人推进系统故障诊断与容错控制

由于海洋深处工作环境的复杂性、不可预测性,水下机器人可靠性控制技术一直备受关注。在常规无人水下机器人推进器故障诊断中,均假设推进器处于几种固定故障模式,离线设计控制律,在线调度控制律实现容错控制,这与实际推进器故障情况有较大差别,因此采用ICMAC(Improved Credit Assignment Cerebellar Model Articulation Controllers)神经网络在线辨识推进器的实际故障大小,再利用伪逆重构控制策略,产生容错控制矩阵,实现无人水下机器人在线自适应容错控制。并针对推进器突发性故障,给出了故障诊断与容错控制仿真结果。     

神经网络主元分析的传感器故障诊断方法

针对多传感器故障诊断问题，将神经网络引入主元分析(principal component analysis, PCA)模型之中，提出一基于主元分析的多传感器故障诊断模型。首先，应用传感器正常工作时测量的历史数据，由PCA模型得到所有传感器的预测值。其次，计算传感器系统的平方预期误差值(squared prediction error, SPE),根据系统的SPE值是否跳变，判定有无故障发生。通过分别重构单个传感器信号的SPE值来确定发生故障的传感器。最后,应用一个多传感器故障诊断仿真实例证明了该方案的可行性。     

人工神经网络研究现状及其展望

回顾了神经网络理论发展的历史和现状。在此基础上，介绍并讨论了20世纪90年代神经网络研究的一些新进展。根据神经网络研究的特点，对人工神经网络今后的发展前景作了一定的评述，人工神经网络的研究与发展必将对现代科学技术产生深远的影响．     

一种快速收敛的核CMAC神经网络模型

为了提高CMAC(cerebellarmodelarticulationcontrollers)神经网络实时在线学习的快速性和准确性,在核CMAC的基础上引入了信度分配的概念。在核空间内,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的倒数成比例,设计了一种基于信度分配的核CMAC的训练规则,使网络的学习速度和网络逼近精度及建模能力得到提高。仿真结果表明基于信度分配的核CMAC结合了核CMAC与信度分配CMAC的优点,隐去了映射所带来的复杂运算,有较快的学习速度和训练精度及建模能力。