智能装配系统中神经视觉的三维物体识别

根据智能装配系统的实际要求，提出了一种利用神经视觉进行三维物体识别的理论和方法，在利用立体象对重建物体的三维外形的基础上，建立物体的区域图，利用物体的三维矩及其不变性来构造代表物体的特征矢量．采用ＡＲＴ２神经网络构成神经网络分类器，把物体的特征矢量作为神经网络分类器的输入，从而对物体进行识别或分类．这种识别或分类方法可以在线学习，能满足智能装配环境下连续作业的要求     

摆式客车倾摆控制系统神经网络预测控制

考虑伺服电机及机械系统的非线性对车体倾摆的影响，并包括伺服电机的饱和非线性特性的影响在内，采用神经网络方法对非线性特性的动态系统的输入输出关系进行辨识研究，建立摆式客车伺服系统神经网络非线性模型；提出在摆式客车中运用神经网络预测控制结合鲁棒控制的复合控制系统，解决这类非线性系统的控制问题，即应用神经网络进行辨识及预测控制．研究表明，从理论及工程应用角度看神经网络预测控制都是切实可行的，为在摆式客车倾摆控制系统中应用神经网络预测方法提供了一个新的方向．     

Cohen-Grossberg神经网络的指数稳定性

研究了Cohen-Grossberg神经网络模型的指数稳定性．运用非线性测度方法证明了神经网络平衡点的存在性和惟一性，接着通过构造一个新颖的Lyapunov泛函，得到了神经网络指数稳定的全新充分条件，并给出了解的指数衰减的精确估计．与已有文献相比，文中给出的条件更为宽松且易于验证．     

基于滑动概率神经网络的早期故障诊断

针对机电设备早期故障难以识别的问题，提出了一种动态的概率密度估计方法——滑动概率神经网络，用以跟踪分析测量信号的概率密度变化过程，及时发现早期故障．该网络以固定不变的抽样集作为第一层，动态滑动的测量信号作为样本层，通过求和层得到抽样集的条件概率密度估计，将样本层内测量信号的概率密度动态地投影到统一的抽样集上．将网络分解成以测量值为中心的子网络，来实现网络的递归运算，并且利用高斯函数的快速衰减特性或使用分段线性函数近似高斯函数，从而提高了网络的计算实时性．通过压缩机喘振过程数据的应用实例，表明该方法能够有效识剐故障的早期征兆．     

无线传感器网络研究

介绍了无线传感器网络的体系结构、特点,分析了无线传感器网络研究的一些关键性问题,探讨了无线传感器网络的应用范围。     

基于智能聚类的内容分类方法与应用

直接依靠人的理解判断对内容进行分类,需花费大量的时间与精力,为了解决文本内容的自动聚类问题,该文在信息系统理论与自组织神经网络理论的指导下,利用智能技术得出了内容的分类结构。提出了基于智能聚类的内容分类方法,利用自组织神经网络的学习算法进行内容的聚类,并根据所提出的方法设计了基于智能聚类的内容分类示范系统,进行了应用研究,验证了该方法的有效性。     

Adaptive control of system with hysteresis using neural networks

1.INTRODUCTIONThe piezoelectric actuators are well suited for micro-position devices in precision engineering because oftheir fast response,nanometer resolution and biggerdriving force[1].However,hysteresis inherent topiezoelectric actuator severely li mits system’s perfor-mance such as giving rise to undesirable accuracy oroscillations,even leading to instability.Hysteresischaracteristics are generally nondifferentiable andusually unknown.It is a difficult task to mitigate itsharmful ef…     

Multicast routing algorithm of multiple QoS based on widest-bandwidth

1 .INTRODUCTIONA mobile Ad hoc network refers to a temporal multi-hop autonomy system,whichis constituted by a groupof mobile nodes containing wireless send-receive equip-ments[1].It possesses manycharacteristics-fast-deploy-able,self-organized,acentric , movable and of multi-hop.It can be wildly applied to many fields ,such asnational defense,emergency and disaster ,scientificin-vestigation and exploration etc .,and uponthat ,it hasgreat prospects[1 ,3 6]. With the wide spread of mo-bile…     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.     

基于RBF神经网络的结构可靠度分析方法

蒙特卡罗模拟是目前结构可靠度分析中最准确有效的方法,但因其计算量太大、效率低而受到很大的限制,特别是对于大型复杂结构的功能函数不能被明确表达的情况.鉴于此,在蒙特卡罗重要抽样方法的基础上,提出了利用RBF神经网络替代原结构功能函数的RBF-蒙特卡罗方法,以提高工作效率.RBF神经网络训练样本的选取则由均匀试验设计确定,以提高样本的代表性并大幅减少样本数量,从而加快网络的训练过程,加强网络的逼近能力.算例分析表明,该方法不但能最大限度地减少结构有限元分析次数,而且有满意的计算精度,具有实际应用价值.