三次T-B样条曲线与三次均匀有理B样条曲线光滑拼接

改进了求解三次TC-B样条曲线的一般算法,得到三次T-B样条的表达式.基于三次B样条基函数,得到三次均匀有理B样条曲线的表达式.进而给出了三次T-B样条与三次均匀有理B样条的G0,G1,G2的光滑拼接条件.     

最优船体货舱区分段环焊缝位置的确定

分析了船体分段划分的原则,提出为解决本课题而改进的遗传算法,设计出确定货舱区分段位置的计算模型,并建立了模糊目标函数,应用非均匀B样条曲线拟合船体型线,为此迅速得到货舱区分段船体外板的近似实长,以散货船为例进行试算,与船厂实际分段环焊缝位置进行了比较,结果表明,钢板浪费减小,在货舱区域中钢板利用率提高。     

基于边缘流曲线演化方法的改进

基于边缘流的曲线演化模型是有效的图像分割模型之一.该模型主要利用高斯函数的平滑作用产生边缘流场.本文引入三次B样条函数来计算边缘流场.不同于高斯函数的非紧支撑性,三次B样条函数是紧支撑的,这就使得改进的边缘流模型更有利于计算机的离散化实现,提高了边缘定位的精确度.计算机合成图像和实际图像的实验结果也表明了改进后的模型是非常有效的.     

基于多分辨率B样条小波网络的船体曲面光顺和重建

为用于船体型线设计中船体曲面重建和光顺,基于多分辨率小波网络原理,引入三次B样条函数作为小波基函数,三次B样条基函数作为尺度函数,利用小波网络的权值和激励函数的线性组合,构造了新的二维多分辨率B样条小波网络(multi-resolution B-splinewavelet net work,MRBWN).将曲面分解为相互正交的u、v方向函数,用该网络来拟合自由曲面;并利用梯度下降法对网络进行训练.最后对船体曲面进行了光顺,实例证明了该方法的有效性和正确性.     

B样条网络学习算法

提出B样条网络的一种改进的学习算法。在这种算法中,非零B样条基函数对应的内结点位置和连接权通过梯度下降法调整。计算机模拟结果表明该算法比现有的B样条网络学习算法更加有效和实用。     

带形状调整参数的一阶三角B样条曲线

给出了一阶三角B样条基函数的构造,讨论这种基函数的性质以及在具有重节点情形时的变化,并利用这类三角B样条基构造了相应的三角B样条函数及三角B样条曲线.还给出了用带调节参数的控制点方法生成一阶三角B样条曲线以便对曲线形状进行调整的方法.讨论了如何利用这类B样条基以及带参数的控制点方法生成可调形状的三角样条曲线的问题.     

插值样条δ-序列求解非线性对流扩散方程

提出了一种用广义函数δ序列求解偏微分方程的数值方法.首先对一阶B样条函数N1(x)进行卷积得到四阶B样条函数N4(x),用N4(x)的线性组合构造出三次样条插值基函数;然后用样条插值基序列逼近δ函数,利用δ函数的性质构造插值样条δ序列,该δ序列具有对称、Riesz基和插值性质.以非线性对流扩散方程(伯格方程)为例,用插值样条δ序列离散该方程的空间形式,用四阶龙格库塔方法描述发展过程,取得了较好的精度.为减少计算量,加快插值函数的收敛速度,进一步提高求解精度,对δ序列进行了改进,对同一算例进行数值实验,结果表明,改进后的算法求解过程稳定发展,能够有效描述局部快速变化的情况.     

用样条配点求解反对称角铺设层合板的瞬态响应

应用样条配点法以三次 B样条函数为时域函数的试函数 ,求解了反对称角铺设层合板的动力响应问题。在若干算例中 ,对于各种边界 ,选择样条函数作为振型函数 ,用样条配点法求出了结构的动力响应量 ,并与 Newmark法进行了比较。     

均匀二型剖分下的二元五次B样条基函数及其应用

1975年王仁宏建立了任意剖分下多元样条函数的基本理论框架,即所谓光滑余因子方法.多元样条在函数逼近、计算机辅助几何设计、有限元及小波等领域中均有重要的应用.由于某些特殊剖分如均匀剖分的可研究性,1984年王仁宏给出均匀二型剖分下的二元三次一阶光滑样条空间S13（Δm（2n））的维数及其B样条基函数,在计算机辅助几何设计,微分方程数值解等方面应用广泛.在研究光滑余因子方法的基础上,分析均匀二型剖分下的二元五次三阶光滑样条空间S35（Δm（2n））函数空间,给出了S35（Δm（2n））的维数及其B样条基函数,满足曲面拟合和微分方程数值解等应用中对更高阶光滑性的要求.基于该组基函数,提出一种Poisson方程的数值解方法,通过数值实例检验该方法的精度.     

一类带形状参数的三次均匀B样条曲线

利用三次多项式调配函数构造三次均匀B样条基,基于该基函数建立了一类带形状参数的三次均匀B样条曲线,形状参数的值用于调整曲线的形状,描述曲线接近其控制多边形的程度;选取的形状参数不同,得到的连续曲线不同.最后给出曲线设计的实例.     

智能压路机压实模糊神经网络控制及仿真

将模糊系统与神经网络相结合,提出了一种由模糊化层、模糊推理层和清晰化层组成的模糊神经网络结构,并将其用于智能压路机压实控制.针对振动压路机的压实性能要求,采用钟型函数作为隶属度函数,通过计算规则重要度来提取模糊推理层规则群中比较重要的规则,运用补偿模糊神经网络的学习算法解决参数的自动调整问题.把工程实践中得出的模糊控制规则表作为训练模糊神经网络的样本,仿真结果表明该模糊神经网络控制器具有在误差限度范围内的泛化能力.     

基于PLC的模糊PID控制器设计

将模糊控制器和常规PI控制器结合起来,选取合适的隶属度函数和制定出模糊控制规则,分析输入变量的量化因子、输出变量的比例因子在模糊控制系统中对系统性能的影响。将常规PI控制、模糊PI控制通过THJ-2控制实验装置进行实际的液位控制实验,并用MCGS对系统进行监控。实验结果表明,采用模糊PID控制的水箱液位,较常规PI控制其响应速度快,且较快地达到稳态,从而改善系统的性能。     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

基于遗传算法的分布结构模糊神经网络

提出了一种用于模糊系统建模和分析的分布结构模糊神经网络,这种网络将所有输入变量的从属度与各输出变量的从属度通过分布结构独立对应起来,利用遗传算法得到网络的权与输入变量的从属函数最优化参数,最后给出计算机模拟结果。     

基于模糊高斯基函数神经网络控制的机器人视觉伺服系统

针对机器人视觉伺服控制系统中存在的不确定性问题,将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种把高斯基函数作为隶属函数的模糊神经网络视觉伺服控制器,该控制器不仅具有定性知识的表达能力,而且具有很强的在线学习能力。将所提方法用于三关节机器人"手-眼"视觉伺服系统的控制中,取得了很好的控制效果。     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

用BP网求解模糊控制器输入量的隶属函数

在模糊控制器设计中,需要对输入数据进行模糊化处理,用隶属函数描述;模糊变量隶属函数的选取对模糊推理有很大影响.利用BP网的分类性可以将采集到的清晰数据集广义地分成模糊类.选取具有一个隐层的PB网,输入层和隐层变换函数采用S函数,输出层用线性变换函数,在MATLAB环境下采用动量算法和自适应学习速率,调用trainbpx函数,对BP网进行训练,在训练时最后一层的输出越接近目标值越好.利用训练好的神经网可以对具体的输入数据求解对应于不同模糊区间的隶属值.用这种方法,速度快,误差小.     

基于模糊聚类的二型模糊神经网络系统辨识

二型模糊神经网络结合了二型模糊系统描述实际情况不确定性和神经网络的学习能力,在非线性系统的辨识中得到了广泛应用。二型模糊神经网络参数学习使用最多的是反向传播算法算法,该算法原理简单,易于实现。但是该算法对初值敏感,不合适的初始会导致算法收敛于非最优解或者发散。针对反向传播算法的这一缺点,提出了一种基于模糊C均值聚类的区间二型模糊神经网络辨识算法。该算法选择高斯型隶属度函数,将模糊C均值算法得到的聚类中心初始化高斯函数的中心,而高斯函数的宽度利用模糊C均值聚类算法的隶属度和中心求取。通过2个非线性系统的辨识效果表明,提出的辨识算法具有较高的辨识精度,收敛速度较快。     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

稳定性监控自学习FNN控制器

针对一类未知的非线性系统，提出一种具有稳定性监控的实时自学习ＦＮＮ控制器．ＦＮＮ控制器采用遗传算法使自学习获得最优的性能指标；实时学习过程的稳定性则由基于李雅普诺夫方法设计的监控器来保证，使得ＦＮＮ控制器的自学习过程总是在全局稳定性的条件下进行．