空间带端面圆的圆度误差评定方法

为实现平行双关节坐标测量机快速、准确的评定空间中任意位置带端面圆的圆度误差,基于最小二乘法原理,提出一种利用空间三维坐标信息进行圆度误差评定的算法。该算法可运用于坐标测量机软件中,并将传统三坐标测量机对特殊圆形工件的多步测量简化为一步测量。程序运行结果表明,该算法是准确可靠的。这为方便、快捷的评定特殊圆形工件提供了技术支持。     

基于RBF神经网络的数控车床热误差建模

对于数控车床而言，热误差是其最大的误差源，而其中最困难的是热误差建模．现有BP算法的神经网络模型存在学习收敛速度慢，容易陷入局部极小点的缺点．文中使用径向基函数理论建立了基于RBF神经网络的数控机床热误差数学模型．讨论了RBF网络参数的初始化及学习；给出了两种建模方式的RBF网络建模算例，将其建模性能指标与经典最小二乘法建模指标进行综合对比，可知RBF网络各项指标均优于经典最小二乘方法．最后验证了RBF网络建模的鲁棒性．结果表明：径向基神经网络模型与经典最小二乘线性模型相比，拟合性能更好，预测补偿能力强且建模时间短．     

齐次坐标变换的测量机误差修正模型

为提高结晶器坐标测量机的测量精度,运用齐次坐标变换矩阵,建立测量机测头中心相对于底座参考坐标系的测量模型,并进行误差修正。实验结果表明,该测量模型可以综合修正21项几何误差,使测量机测量精度提高30%~40%。该研究以误差补偿来提高测量精度,使测量精度由注重零部件的制造转向系统稳定性的高精度检测。     

基于混合优化算法的关节臂式测量机参数标定

为进一步提高关节臂式坐标测量机等高机动性精密测量设备的测量精度,使用D-H矩阵法建立其关节坐标转换数学模型并据此推导出参数误差模型.针对非线性多参数标定问题,通过变换分析消除了最小二乘法求解时矩阵中的冗余参数,降低了计算的复杂性.设定判定准则并实现最小二乘法和模拟退火算法的混合,提出了一种基于混合优化算法的参数标定方法,解决了LM算法的初值设定和SA算法的搜索效率逐步降低的问题.实验结果表明:关节臂式测量机参数经混合优化算法标定后,参数的误差范围有了显著的缩小,单点重复性误差的平均值减小了1.746 mm,长度误差的平均值减小了0.941 mm,测量误差得到了进一步的抑制.     

基于自适应动量因子的区间神经网络建模方法

区间神经网络建模是区间控制的核心部分,也是提高系统鲁棒性的重要方法.针对区间神经网络算法收敛速度慢的问题,提出一种自适应动量因子算法.算法利用区间运算建立输入与输出数据的映射模型,通过引入具有自适应特性的动量项,使用最速下降法对动量项进行自适应更新,在加快系统收敛速度的同时,克服系统稳态误差大和容易陷入局部最小值的弊端.典型算例实验表明:区间神经网络能够较为精确地建立区间网络模型,自适应动量因子算法提高了区间神经网络整体性能.     

多环节回转平台姿态误差测量与误差结构研究

本文建立了多环节回转平台的几何模型,分析了误差结构,建立了姿态误差数学模型,采用一种新的测量仪器--关节臂坐标测量机对回转平台的姿态误差进行测量,并用谐波分析法分离误差,找出了误差结构的变化规律,为补偿误差提供理论指导。     

基于H∞滤波算法的前向神经网络在SINS初始对准中的应用

针对捷联惯性导航系统动基座初始对准的误差模型具有非线性、时变性的特点，提出将前向神经网络应用于该误差模型，并采用线性H∞鲁棒滤波算法在线调整网络权值，得到一种适合于该系统模型的改进的自适应前向神经网络．仿真结果表明，在存在模型误差或噪声不确定情况时，该网络不仅具有较好的鲁棒性能，而且能使误差在很短的时间内收敛，提高了系统的实时性，而对准精度与采用推广卡尔曼滤波器的精度相当．     

基于果蝇——广义回归神经网络优化的WSN节点定位算法

针对无线传感器网络(WSN)基于测距的定位算法中,利用节点坐标计算方法获得的节点坐标位置存在较大误差的问题,提出一种无需进行坐标计算的果蝇—广义回归神经网络(FOA-GRNN)优化的WSN节点定位算法.该算法利用广义回归神经网络(GRNN)较快的学习速度和较强的逼近能力建立WSN节点定位模型,通过果蝇优化算法(FOA)调整广义回归神经网络的平滑参数,降低调整平滑参数时人为因素的影响,由神经网络直接输出未知节点坐标.仿真实验表明,通过果蝇算法优化的FOA-GRNN模型的节点定位精度比未经优化的GRNN模型的节点定位精度高.同时,比较了FOA-GRNN模型与BP神经网络模型、虚拟节点BP网络模型(VNBP)在WSN节点定位中效果,表明FOA-GRNN模型在WSN节点定位精确性方面具有明显优势.     

移动桥式三坐标测量机非刚性误差分析与建模

根据移动桥式三坐标测量机非刚性效应测量误差的分布特征,对坐标测量机构件进行受力变形分析,进而对坐标测量机的非刚性效应测量误差进行分析,建立了三坐标测量机非刚性误差模型,为高精度坐标测量机的误差补偿技术提供了新的思路。     

悬臂式结晶器坐标测量机的数学模型

为提高悬臂式三坐标测量机的测量精度,对其各项误差源进行了分析,使用齐次坐标变换理论建立了测量机的准刚体测量模型,并在其基础上建立了几何误差模型对影响测量机精度较大的21项几何误差进行补偿。以在不提高制造成本的情况下,提高测量机的整体精度。该数学模型为悬臂式三坐标测量机的误差补偿技术提供了理论依据。     

三轴飞行转台控制系统的仿真研究

以三轴飞行转台内框伺服控制系统为研究对象,提出了常规PID控制算法和基于模型预测的BP神经网络PID控制算法,并对阶跃、斜坡、加速度输入信号进行MATLAB仿真,得出误差曲线.仿真结果对比表明,在控制对象不确定的情况下,后者是较优越的一种算法,对改进转台控制效果有着较大的参考意义.     

基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型,参考自适应控制系统的控制器,把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数,通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化.仿真实例结果表明,基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高,有较好的网络的泛化和适应能力,能够很好地控制系统的输出跟随参考模型的输出.     

扫描镜电机的神经网络PID控制器

基于神经网络原理,探讨了扫描镜电机的神经网络PID控制方法,由经典的增量式数字PID控制算式,推导出隐含层的加权系数的计算公式．在理论上研究了扫描镜电机的神经网络控制器,给出了其稳定的条件,并通过计算机仿真结果证明了它的可行性．     

基于神经网络的铅酸蓄电池剩余容量预测

为有效地对电动车电池剩余容量进行预测,在分析了铅酸蓄电池充放电过程的反应机理的基础上,应用改进算法的BP神经网络,建立了铅酸蓄电池的神经网络模型,用于预测铅酸蓄电池放电过程中某一状态下的剩余容量。结果表明,通过该网络模型可以方便快速地得到电池剩余容量及荷电状态的预测值,所得结果满足要求,为电池管理系统提供了一种新的预测方法。     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面;结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%;在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.     

分布式HDP领导-跟随者系统最优一致控制研究

为研究行为未知的非线性多智能体系统领导-跟随者最优一致控制问题,针对智能体动态方程未知的情况,设计神经网络辨识器学习智能体动力学行为;构造以多智能体系统局部误差为输入的性能指标函数,将多智能体系统领导-跟随者一致性问题转换为求解智能体局部性能指标函数最优值的优化控制问题;结合自适应动态规划思想设计分布式迭代算法求解该优化问题,并讨论了算法的收敛性;设计基于神经网络的评价-执行结构分布式控制器来近似局部性能指标函数,通过神经网络学习迭代寻找局部性能指标函数的最优解,实现多智能体系统的最优一致控制策略。设计的分布式控制器能够根据智能体状态数据自适应产生控制策略,使多智能体系统趋于一致。     

BP算法在求解非线性问题中的应用研究

详细研究了BP算法在求解非线性问题中的应用,提出并证明了BP算法的收敛性定理,给出了应用实例。计算机仿真结果表明：对于随机给定的初始点,BP算法都能稳定收敛到它的一个实根,与求解非线性问题的传统方法相比,具有收敛速度快、计算精度可控与初始点随机给定的优点．     

带饱和执行器的非线性离散时滞系统的最优控制

主要针对带有饱和执行器的时滞非线性离散时间系统更加一般的形式,通过启发式动态规划(HDP)算法求解无限时间最优控制策略问题,并在值函数中引入折扣因子.首先通过迭代HDP算法给出值函数序列和相应的控制序列,并给出了收敛性证明,即值函数序列收敛到值函数的最优值,以及控制序列收敛到最优控制;其次为了实现HDP算法,引入3个神经网络:模型网络、评判网络、控制作用网络.模型网络用来近似系统模型,评判网络用来近似值函数,控制作用网络用来近似控制;最后通过一个仿真例子说明上述方法的可行性.     

基于理想轨迹学习的机械手神经自适应控制

在机械手鲁棒控制的基础上,讨论了神经网络逼近误差界未知情形下机械手的神经网络直接自适应控制方法,这里神经网络用于补偿系统的不确定性,提高整个系统的跟随性能。提出设计方法的主要特点是神经网络控制器设计采用机械手待跟随的理想关节信号代替实际的机械手关节角、关节速度和关节角加速度作为神经网络的输入,此外神经网络的逼近误差界假设是未知的。给出了具体的系统设计算法,并证明了神经网络学习算法的收敛性和整个系统的全局稳定性。最后,一两连杆机械手的控制器设计仿真实例验证了提出算法的有效性。     

基于LM-BP神经网络的入侵检测系统的研究

针对传统BP神经网络存在收敛速度慢、易陷入局部最小点、计算量大的不足,提出一种结合Levenberg—Marquardt优化算法的BP神经网络,并应用在一个误用入侵检测系统。实验结果表明,新系统结合了异常检测和误用检测两者的优势,快速检测新型入侵,降低误警率和漏警率。