机器人动力学模型的BMAC多网络模拟

采用多个高阶脑模型控制器ＣＭＡＣ，即多个ＢＭＡＣ网络机器人动力学模型；重点讨论了网络结构及其参数Ｍ１和Ｇ的确定，学习样本听产生方法，并在此基础上，研制了计算机仿真软件，对实例进行了成功的仿真实验。     

自适应遗传算法优化模糊小脑模型

首次采用遗传算法（ＧＡ）设计模糊小脑模型神经网络（ＦｕｚｚｙＣＭＡＣ）的隶属函数．提出一个自适应ＧＡ优化算法，并且以优化模糊小脑模型ＦｕｚｙＣＭＡＣ学习正弦曲线．仿真实例表明，采用自适应ＧＡ方法优化的ＦｕｚｙＣＭＡＣ学习精度比标准小脑模型ＣＭＡＣ提高大约三个数量级、比标准ＦｕｚｚｙＣＭＡＣ（三角形隶属函数）提高一个数量级．自适应ＧＡ方法优化的ＦｕｚｙＣＭＡＣ学习速度比普通ＧＡ优化的速度快且进化过程的振荡明显减小，仿真证明该方法比普通ＧＡ优化方法稳定，收敛效果好．     

自适应遗传算法优化模型小脑模型

首次采用遗传算法（ＧＡ）设计模糊小脑模型神经网络的隶属函数，提出一个自适应ＧＡ优化算法，并且以优化模型小脑模型ＦｕｚｚｙＣＭＡＣ学习正弦曲线，仿真实例表明，采用自适应ＧＡ方法优化的ＦｕｚｚｙＣＭＡＣ学习精度比标准小脑模型ＣＭＡＣ提高大约三个数量级，比标准ＦｕｚｚｙＣＭＡＣ（三角形隶属函数）提高一个数量级，自适应ＧＡ方法优化的ＦｕｚｚｙＣＭＡＣ学习速度比ＧＡ优化的速度快且乾化过程的振荡明显减小，仿真     

Omninet微机局部网络性能的仿真分析

在着重介绍了Ｏｍｎｉｎｅｔ 网络通信协议ＣＳＭＡ／ＣＡ 的仿真分析与结果的基础 上，建立了信息包为定长、变长以及考虑应答包情况下的仿真模型。讨论了用户工作 站数目、信息包长度以及应答包对系统性能的影响。通过对ＣＳＭＡ／ＣＡ协议与非持 续ＣＳＭＡ协议进行比较分析发现，ＣＳＭＡ／ＣＡ协议的性能优于非持续ＣＳＭＡ协议。     

基于对象理论的工程图纸管理系统关键技术研究

工程图纸管理是ＣＡＤ／ＣＡＭ的重要组成部分 。在应用面向对象的基础上，了工程图纸管理的几个关键技术问题：机械产品图纸目录树的自动生成；ＡｕｔｏＣＡＤ内部多文档－视界面的实现；ＯＤＢＣ技术在工程图纸管理中的应用；零部件类在图纸管理中的应用，研究结果表明，基于面向对象论和技术的ＣＡＤ／ＣＡＭ，是ＣＡＤ／ＣＡＭ发展的一个极其重要的方向。     

Fieldbus网络通信模型中的MAC层

针对现场总线网络模型的实时特征，讨论了其ＭＡＣ层中的通信协议问题，包括有ＦＢＣＯＳ／ＭＡＣ协议族的优先决策、实时虚电路和预约协议；ＦＢＣＬＳ／ＭＡＣ协议族的ＭＬＦ窗口协议和虚时间ＣＳＭＡ协议．在此基础上，概括和推广了基于ＭＬＦ窗口协议既支持ＦＢＣＯＳ又支持ＦＢＣＬＳ的统一窗口协议．不但完成了对ＦＢＣＯＳ／ＭＡＣ，而且也完成了对ＦＢＣＬＳ／ＭＡＣ通信协议的实时性、时间确定性和网络开销等通信模型进行了仿真分析，并且给出了数值结果．     

基于高斯基函数CMAC模型的一种快速算法

广义小脑模型（ＣＭＡＣ）在函数泛化能力和函数逼近能力方面优于基本ＣＭＡＣ模型，但算法较为复杂，实时性差．因此，研究广义ＣＭＡＣ模型的快速算法，对于满足实时控制是非常必要的．文中研究了基于高斯基函数的广义ＣＭＡＣ模型的快速算法，定义了包含待学习样本点的一个超立方体子空间，提出了基于该超立方体子空间的快速学习算法．通过算例仿真表明，学习算法收敛速度较快，可以满足实时控制要求．     

基于神经元网络多模型自适应控制

多模型自适应控制（ＭＭＡＣ，Ｍｕｌｔｉ—ＭｏｄｅｌＡｄａｐｔｉｖｅＣｏｎｔｒｏｌ）是一种离线设计和在线识别与决策的新方法，它将有限多个简单控制联结成一种从总体上具有大范围的鲁棒控制。利用神经元网络对被控系统模型进行识别的思想，构成神经元网络的多模型自适应控制。     

工业企业管理人员训练系统的研究与开发

在分析国外相关研究成果的基础之上，结合中国企业的实际情况，首先分析了ＭＡＴＳＩＭ的组成和所要达到的基本目标，对ＭＡＴＳＩＭ的总体功能目标进行了设计，对ＭＡＴＳＩＭ的训练机制和应用领域进行了描述；其次，重点设计，实现一个由２５个决策变量，７个子模型，１５０多个方程组成，以产品开发，生产，销售为中心的，为创造模拟环境的企业仿真模型，在模型中，对有关定性因素和因素的定量化进行了尝试；最后，本文提出了一种     

应用扩展的Monod模型关联醋酸菌比生长速率

应用扩展的Ｍｏｎｏｄ模型关联了醋酸菌ＩＡＭ１８０２和Ｍ２３的比生长速率，ＩＡＭ１８０２的比生长速率关联式为μ＝０．４８７（１－ＣＰ／２３．８）＾０．２４８ＣＡ／ＣＭ＋ＣＡ；Ｍ２３的关联式为μ＝０．５６８（１－ＣＰ／６１．０）＾０．３０６ＣＡ／ＣＭ＋ＣＡ除临界生长抑制剂浓度附近外，模型良好地表达了两种醋力的比生长速率。     

BMAC网络及其在函数学习中的应用

论述了将n阶B样条函数运用到CMAC网络中形成BMAC网络的过程,并讨论了BMAC网络感受域函数和网络输出特性.BMAC网络与CMAC网络相比,克服了输入状态空间和输出状态空间离散化的缺点,具有连续的输入状态空间和输出状态空间.在函数学习中通过与CMAC网络的对比,体现出了BMAC网络具有逼近速度快,精度高的特性,同时也得出了学习参数及网络权值初始化对学习速度及逼近精度的影响规律.     

基于神经网络的机器人运动模型辨识及实验验证

为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网络拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器人为研究对象，将机器人关节位置信息和OPTOTRAK 3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性．     

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。     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足,利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势,提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因,给出了基于误差校正率的神经网络模型多步在线校正策略,采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型,以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差,同时可实时适应非线性动态过程工况的变化。     

用于机器手控制的在线的自组织模糊神经网络

基于动态自适应方法,本文提出了一种能动态生成自组织模糊神经网络(SOFNN)的新算法,并应用该算法能有效地估计机器手的非线性。本算法能自动划分输入输出空间,自学习调整高斯函数,模糊规则的构造及空间的划分数目是并行调整的。这个SOFNN算法的独特之处是:自组织动态结构、快速的学习能力,良好的鲁棒性。一个两自由度的工业机械手验证了其有效性。     

空间机器人的神经致导

本文给出──拟人型空间机器人的基本结构形态，推导出其在空间操作时的运动学和动力学方程式；采用神经网络设计空间拟人机器人的控制机制；通过基本动作训练算法．可能实现空间拟人机器人协调地自由飞行或操作．     

基于确定学习的机器人故障诊断

针对存在扰动的机器人系统,提出了一种基于确定学习的故障诊断方法.基于确定学习理论,采用RBF神经网络获取正常模式和各种故障模式下的系统动态知识,并将学到的知识以常数神经网络权值的形式存储于模式库中.诊断过程不再需要重新训练神经网络,而是对已学知识的再利用,并运用动态模式识别的方法实现故障的快速检测与分离.仿真验证了所提方法的正确性和有效性.      

自由漂浮空间机器人动力学建模与仿真研究

空间机器人相比固定基座机器人,增加了6个自由度,且空间机器人的机械臂与基座之间存在动力学耦合问题。因此,其动力学建模较为复杂。针对自由漂浮空间机器人系统进行了运动学和动力学方程的推导,给出了动力学方程求解的详细算法,并采用Spacedyn工具箱对动力学模型进行了数值仿真。仿真结果表明建立的动力学模型可方便的进行自由漂浮空间机器人的运动分析。     

用于移动机器人的新型模糊神经元速度控制器

文中提出一种新型的模糊神经元速度控制器 ,为移动机器人解决位移转换成速度这个逆运动学问题 它把模糊论和预确定策略集成到神经元网络系统中 ,使得它能利用路径信息去控制机器人达到所希望的运动速度 模拟研究显示了它能控制机器人在静态或者动态的环境中 ,不通过学习就能沿着动态的避碰路径去捕捉目标 另外 ,可将其集成到其他的系统中去控制速度 ,或者作为一个独立的系统使用传感器信息去控制机器人的运动