模糊集合隶属函数的确定方法及实验

通过设计统计实验,研究模糊划分对确定模糊集合隶属函数的影响.实验分为2组,分别在无模糊划分和有模糊划分的条件下进行.实验表明:模糊划分对确定模糊集合隶属函数具有显著影响,在已知模糊划分的条件下,隶属度的稳定性和一致性更好;在没有模糊划分的条件下,隶属函数的波动幅度和跨度更大;采用模糊统计法确定隶属函数时,区间端点的确定...     

基于模糊统计的隶属函数神经网络实现方法

采用模糊统计方法获得有限对离散的隶属函数关系，并用神经网络将此关系综合成连续函数表达形式。这一方法进一步完善了隶属函数的统计求法，丰富了经典插值方法，有利于模糊数学理论应用于希望实现并行处理的模式识别等研究领域。     

水库设计汛限水位动态模糊控制分析

设计汛限水位是水库运行的重要特征水位.应用模糊水文水资源学理论与方法计算水库汛期相对隶属函数,确定汛限水位,对水库汛期水位进行动态模糊控制.即根据降雨资料进行直接模糊统计确定汛期经验相对隶属函数.采用降半正态分布模拟汛期理论相对隶属函数;根据水库的实际运行情况,确定分布参数.以经验相对隶属函数为依据,调整参数,由最小二乘法优化准则和估计误差,选择经验与理论相对隶属函数的最优拟合,取两者外包线值作为水库汛期相对隶属函数的最终结果,并将其作为权重,计算不同水库设计标准的汛限水位,实现动态模糊控制.音河水库实例表明了这种方法的科学、合理与可操作性.     

基于样本曲率的模糊神经网络结构学习算法

提出了一种根据输入与输出样本间映射关系的复杂度确定模糊神经网络的输入隶属函数个数与参数的学习方法 ,采用输入输出样本关系曲率来表示函数的复杂度 ,根据曲率的大小确定隶属函数的中心点与宽度 ,使隶属函数的分布符合映射的变化 ,从而在提高逼近精度的同时减少隶属函数个数的增加 .通过仿真将这一方法与均匀划分方法及自组织聚类方法比较 ,结果表明 ,该方法在学习的快速性与精度方面均具有较优的性能     

基于样本曲率的模糊神经网络结构学习算法

提出了一种根据输入与输出样本间映射关系的复杂度确定模糊神经网络的输入隶属函数个数与参数的学 习方法．采用输入输出样本关系曲率来表示函数的复杂度,根据曲率的大小确定隶属函数的中心点与宽度,使隶属 函数的分布符合映射的变化,从而在提高逼近精度的同时减少隶属函数个数的增加．通过仿真将这一方法与均匀 划分方法及自组织聚类方法比较．结果表明,该方法在学习的快速性与精度方面均具有较优的性能．     

基于加权BP神经网络的场地连续化分类

本文以四类标准场地模糊分类二维隶属函数为基础，以BP神经网络为手段，建立了一种新的标准场地模糊化方法，训练了现行抗震设计规范中4类标准场地的模糊化神经网络，克服了二维隶属函数在转折边界处不平缓和有突变的不足；并以所建立的4个标准场地模糊化神经网络为基础，建立了基于加权综合的场地连续化分类方法，给出了该方法分类结果的空间分布图，实现了场地分类的连续化，使场地分类结果更符合工程实际；工程应用实例表明，基于BP神经网络的场地连续化分类方法，能更合理、更客观地对工程场地进行分类，为更科学地确定地震作用和进行恰当的结构抗震设计提供了可能。     

用遗传算法划分模糊量的语言变量覆盖范围

在模糊控制器设计中．模糊规则的确定以及模糊变量隶届函数的选取都是非常重要的，隶属函数的形状、模糊划分的覆盖范围对模糊推理有很大影响。本主要介绍在模糊规则确定时用遗传算法划分模糊量的语言变量覆盖范围，利用调整已给定形状下隶属函数参数的方法改变各语言变量的语言值所覆盖范围，以模糊控制器的推理结果与专家经验控制结果的方差最小作为遗传算法进行优化的目标函数。     

基于改进人工势场法的无人船路径规划算法

提出了一种改进的人工势场法,用指数函数代替二次函数构造势场函数,降低了势场强度的变化幅度,并在斥力势场函数中增加无人船与目标点的相对位置的一个因子,解决目标不可达问题;同时设置势场系数调整因子,引入2个判断条件确定无人船是否陷入局部最小值,在此基础上选择相应的势场系数,从而跳出局部极小值点.仿真结果证明了该方法的有效性.     

多机器人编队的人工势场法控制

针对多机器人编队控稍中的队形形成问题进行研究.利用控制算法中的人工势场法解决多机器人队形形成问题,结构简单、易于计算,方便对多机器人实时控制.首先,针对多机器人的队形位置用目标点搜索算法,寻找到正确的队形位置点,防止多机器人在空间内绕路,减少编队时间;然后,通过人工势场算法规划各机器人的路径,在机器人行进过程中,利用优先级蔽障方法避免与其他机器人碰撞;最后,对多机器人的队形形成进行仿真,实验证明队形形成的有效性,算法简单易于实现.     

粗糙集理论在模糊隶属函数辩识中的应用

提出应用粗糙集理论辩识模糊隶属函数的可行性 .它对机械化立窑水泥煅烧过程操作工的经验知识和专家知识进行综合考虑 ,归纳为知识系统决策表 .根据粗糙集理论 ,求出决策表的最小约简算法 .依此属性 ,重新划分模糊空间 ,并定义边界以确定隶属函数 .经模型有效性确认 ,表明该方法是有效的 .     

基于区域的微型足球机器人行为产生方法

构建良好的策略子系统是足球机器人研究中的重点问题．提出了一种新的微型足球机器人行为产生方法．在分析了机器人各种可能的反应行为基础上,将比赛场地化分为10个区域,针对每个区域的具体特点确定了相应的反应行为及条件．深入分析了攻、防争夺区域的不同情况,给出了各种情况下的有利目标点和反应条件,建立了机器人行为触发机制．该行为产生方法将角色分配和行为产生相结合,使场上每个机器人随时都有明确的目标和行为,蛄构层次分明,实时性强,便于升级．     

基于注意机制的改进人工势场的机器人路径规划

人工势场法是机器人路径规划中应用较多的一种方法,但方法在障碍物较多时由于势场合力不容易控制而常常出现机器人陷入势场陷阱中。足球机器人比赛系统场上敌我状态复杂,加上动态变化的场上环境,对实时性要求很高。本文对注意机制在机器人足球比赛中的应用进行研究,根据比赛平台模型的特点并从能量角度将场上的引力和斥力转化成特定的关于能量的数学表达式,将其和注意机制相结合,提出新的改进人工市场的方法。基于注意机制的改进人工势场算法,将原有的合力势场变成重力势场,使机器人自主规划前进路线。最后本文使用仿真方法证明该方法的可行性。     

机器人足球颜色分类研究

针对机器人足球比赛中机器人识别的实时性要求,在基于YUV色彩空间上,提出采用混合方法进行颜色分类。在确定种子点时,采用阈值法,而在队员识别时采用人工神经网络通过训练得到一个颜色分类器进行分类,通过实验,能够较准确地对机器人足球涉及的颜色进行分类。     

基于遗传算法的机器人自定位

为了解决中型组比赛环境下的足球机器人自定位、绑架和跟踪问题,提出一种基于遗传算法的机器人连续自定位方法.首先,从全景图像中提取出场上黑线与机器人辐射线的交点;然后,把该交点与环境地图对应黑线间距离之和的最小值做为适应度函数;最后,以机器人中心坐标做为个体,进行选择、交叉和变异操作,收敛到机器人的自定位坐标.另外,针对绑架和连续定位,在遗传算法全局自定位基础上利用梯度优化算法局部修正主位姿,提高了自定位精度和算法的鲁棒性.仿真结果和场地环境机器人自定位试验说明了该定位方法的有效性.     

谈组建机器人足球队及相关技术

本文在简要阐述安徽建筑工业学院机器人足球队的组建过程的基础上，研究、探讨机器人足球赛相关技术问题。     

基于产生式规则的机器人动态避障

以中型自主足球机器人为对象,研究其动态避障情况.依据传感器输入信息进行特征识别,选择距离机器人最近的为首要躲避障碍,利用产生式规则进行机器人避障控制,对远距离和近距离障碍采用不同的避障策略,并引入虚拟点以躲避碰撞.在仿真和实时环境下进行了实验,分析了障碍位置不同和输入参数不同情况下的避障情况,并与传统人工势场法进行对比,避免了传统人工势场法进行机器人避障时会出现陷入局部极小、抖动等问题.实验结果表明该方法能使机器人快速有效的躲避障碍.     

基于遗传势场法的足球机器人路径规划

以足球机器人系统为研究背景,采用了人工势场法和遗传算法相结合的方法,实现了足球机器人路径规划.首先根据势场原理设计可调参数的势场函数,再规划出已知环境下可调参数的势场函数,然后设计遗传算法中的相关适应值函数,最后用遗传算法优化势场函数中的参数,得到遗传势场法.同时利用C++编程实现遗传势场法的仿真平台,并在该平台上进行仿真实验,结果表明,遗传势场法具有避障以及适于在实时环境中使用的优点,在解决实际路径规划问题中是行之有效的.     

足球机器人底层运动控制研究

足球机器人底层运动控制在足球机器人比赛中起着至关重要的作用 .首先通过一系列试验 ,利用函数拟合的方法构造足球机器人的基本运动模型 ,然后在此基础上对足球机器人底层运动控制进行了较深入的分析 .试验结果和实际比赛证明该方法有助于改善足球机器人的运动控制 ,并且可以为更高层次的基本动作和整体决策子系统的研究奠定良好的基础 .     

基于克隆思维进化算法的机器人足球协作策略

针对足球机器人比赛系统的实时性要求,采用了一种克隆思维进化算法对足球机器人比赛系统的高层策略系统进行优化。克隆思维进化算法集免疫机制与进化机制于一体,在发挥思维进化算法优势的基础上增加了克隆(复制)、克隆重组、克隆变异和克隆选择等算子,既保持了种群的多样性,又提高了算法的收敛速度。足球比赛场上的瞬时信息作为抗原,待选策略作为抗体,二者均采用二进制编码方式。用克隆思维进化算法对抗体群进行优化,实验结果表明,采用该算法能快速找到最佳策略,简化了足球机器人决策系统,提高了决策效率。     

基于人工势场的机器人动态路径规划新方法

针对传统机器人路径规划方法仅考虑静态环境的问题,建立了一种基于人工势场的移动机器人动态路径规划新方法.移动机器人运动环境通常是复杂多变的,在动态环境下,目标点、障碍物可能都是运动的,另外,存在运动轨迹未知的随机障碍物等,针对移动环境的动态情况,在传统人工势场法相对位置势场的基础上引入相对速度势场,充分利用量子粒子群算法,对引力势场和斥力势场的增益系数进行一定的优化.以量子粒子群的优化算法进行快速全局搜索,结合人工势场操作,对引力场和斥力场增益系数进行优化,该方法易于实时快速地对机器人进行控制.仿真结果表明,基于量子粒子群算法的人工势场法的路径规划模型能够得到平滑、安全的路径,具有较高的性能.该方法可以有效地实现机器人的动态路径规划.