基于BP神经网络的排爆机械臂逆运动学分析

机械臂逆运动学是已知末端执行器的位姿求解机械臂各关节变量,主要用于机械臂末端执行器的精确定位和轨迹规划,如何高效的求解机械臂运动学逆解是机械臂轨迹控制的难点。针对传统的机械臂逆运动学求解方法复杂且存在多解等问题,提出一种基于BP神经网络的机械臂逆运动学求解方法。以四自由度机械臂为研究对象,对其运动学原理进行分析,建立BP神经网络模型并对神经网络算法进行改进,最后使用MATLAB进行仿真验证。仿真结果表明：使用BP神经网络模型求解机械臂逆运动学问题设计过程简单,求解精度较高,一定程度上避免了传统方法的不足,是一种可行的机械臂逆运动学求解方法。     

基于时间反演技术的电磁器件端口场与内部场转换方法

随着电磁器件的集成化,器件搭载的模块、实现的功能愈发多样.各模块间的耦合难以忽略,设计难度陡然增加,传统设计方法逐渐力不从心,迫切需要寻找一种新的电磁综合设计方法.本文利用时间反演电磁波的时空同步聚焦特性,探索了将时间反演技术应用于器件设计的可能性.首先,基于通用的器件逆设计流程,利用时间反演技术、并矢格林函数及电磁学的基本原理,提出了将器件端口场分布转换为内部场分布的方法,并证明由端口期望场的时间反演场在空间某一位置获得的连续等效源的共轭分布可在端口处产生与期望场接近的场分布.且在单点频逆设计过程中,只需知道端口电场或磁场的切向分量即可完成端口场与内部场的转换.同时,借助格林函数的互易性对本文所提理论做适当变换后,进行数值仿真验证,分析讨论了不同初始信息条件下该方法的适用性.仿真结果与理论相符,证明了理论的正确性,为将时间反演技术应用于电磁器件的逆设计提供了可能.     

基于改进sigmoid激活函数的深度神经网络训练算法研究

针对深度神经网络训练过程中残差随着其传播深度越来越小而使底层网络无法得到有效训练的问题,通过分析传统sigmoid激活函数应用于深度神经网络的局限性,提出双参数sigmoid激活函数。一个参数保证激活函数的输入集中坐标原点两侧,避免了激活函数进入饱和区,一个参数抑制残差衰减的速度,双参数结合有效的增强了深度神经网络的训练。结合DBN对MNIST数据集进行数字分类实验,实验表明双参数 sigmoid激活函数能够直接应用于无预训练深度神经网络,而且提高了sigmoid激活函数在有预训练深度神经网络中的训练效果。     

排爆机械臂逆运动学的模拟退火神经网络算法

采用传统方法计算没有封闭解的机械臂的逆运动学运算量大、精度无法保证,对于复杂结构很难满足实时精确控制的要求。六个并行三层双隐层前馈神经网络被设计用来解决排爆机器臂的逆运动学问题,神经网络的应用受到输出误差的限制,需要减小网络输出误差。针对机械臂结构,以神经网络输出为初始值,对网络输出关节变量进行实值编码,采用分离位姿模拟退火算法对的机械臂末端位置、姿态分别进行优化。仿真结果显示,该方法有效的减小了网络输出误差,在运算结果精确性和运算速度方面满足排爆机械臂求逆运动学解的要求。     

基于生成神经网络的自适应热控薄膜设计

自适应温度调控器件以其智能开关特性而逐渐成为研究焦点,但是一方面其特殊的光谱要求使得器件设计过程复杂且周期冗长,另一方面器件热控性能亟待提高以满足更加严苛的应用场景。针对以上问题,提出一种深度生成神经网络模型来执行上述复杂的优化任务,该网络模型的更新不依赖于数据集,而是将生成神经网络与传输矩阵方法（TMM）相结合,通过TMM返回的梯度信息指导产生符合预期的多层膜结构,并自动优化膜层厚度和材料种类。作为网络优化能力的验证和演示,本课题组使用该方法设计了一种基于二氧化钒的自适应热控器件,实现了高温太阳吸收比低于0.2、高温发射率高于0.9、发射率差值大于0.8的优异性能。与传统的优化算法相比,生成神经网络以高自由度和更快的速度寻找最优解,与普通神经网络相比,全局优化网络考虑整体的优化目标,通过全局搜索寻找全局最优解,设计结果也证明了该方法在复杂设计任务中的实用性。     

二维有耗色散介质的时域逆散射方法

为了重建二维有耗色散介质的电参数分布,基于Debye模型,应用泛函分析和变分法,提出一种时域逆散射新方法.该方法首先以最小二乘准则构造目标函数,将逆问题表示为约束最小化问题,接着应用罚函数法转化为无约束最小化问题,然后基于变分计算导出闭式的Lagrange函数关于特征参数的Fréchet导数,最后借助梯度算法和时域有限差分法迭代反演Debye模型参数.为了对抗噪声污染和逆问题的病态特性,采用了一阶Tikhonov正则化方法.数值应用中,利用Polak-Ribière-Polyak非线性共轭梯度法,对二维乳     

迟滞混沌神经元/网络的控制策略及应用研究

为了保持神经网络在优化计算求解过程中结构不被改变, 以迟滞混沌神经元和迟滞混沌神经网络为研究对象, 提出了一种基于滤波跟踪误差的控制策略来实现神经元/网络的稳定控制. 采用该控制策略, 在不改变非线性特性发生机理的情况下, 神经元/网络可实现函数优化计算问题的求解. 所设计的控制律包含两部分: 一部分是系统进入滤波跟踪误差面时的等效控制部分, 另一部分为确保系统快速进入滤波跟踪误差面的控制部分. 采用Lyapunov方法对神经元/网络的控制进行了稳定性证明. 根据待寻优函数直接求得神经元的控制律, 在该控制律的作用下, 神经元/网络可逐渐稳定到优化函数的极值点, 从而实现优化问题的求解, 仿真实验结果验证了该控制方法在优化计算中的可行性和有效性.     

基于r-ADMM算法的轴向超分辨荧光显微技术研究

多角度全内反射荧光显微镜层析成像技术是实现轴向超分辨的主要技术之一,其关键算法是基于交替方向乘子算法对逆问题模型求解。为进一步提高交替方向乘子算法的迭代速度及收敛性,提出将一种基于松弛因子的改进型交替方向乘子算法应用于逆问题的求解中,其核心思想是对拉格朗日函数的分解迭代过程进行过松弛求解。基于该算法,搭建了多角度全内反射荧光显微镜成像系统,采集不同照明角度对应的不同穿透深度的图像堆栈,利用改进型算法重构细胞微管的深度信息,给出了系统的轴向分辨率,并与传统交替方向乘子算法进行了收敛速度的对比,给出了改进型算法达到最优收敛的松弛因子的取值范围,最后通过对线粒体样品进行长时程拍摄,重构了其三维信息,并观测了其融合和裂变的连续过程。实验结果表明,改进型交替方向乘子算法可以实现40 nm的轴向分辨率,并能在保证图像重构质量的同时,使迭代过程的收敛速度提升20%以上。     

基于条件生成对抗网络的图像去雾算法

为了提高雾天图像的去雾效果,提出了一种基于条件生成对抗网络的图像去雾算法.通过端到端可训练的神经网络对合成的室内和室外数据集进行训练,为了捕捉图像中更多的有用信息,在生成网络中设计了生成器和判别器架构,利用预训练的视觉几何组特征模型和L_1-正则化梯度对损失函数进行修正,并在判别器的最后一层引入Sigmoid函数用于特征映射,以便进行概率分析可归一化.利用合成数据集对损失函数进行训练,得到新的损失函数的参数,然后利用室外自然有雾图像数据集对训练得到的新的损失函数进行测试.实验结果表明:所提算法有效解决了去雾图像的颜色失真、过饱和、视觉伪像等问题,生成效果更好的去雾图像.     

深度学习方法在涡轮冷却中的应用综述

涡轮冷却技术是涡轮设计的关键技术之一.涡轮冷却结构的表面温度和压力均为复杂的三维分布,但目前的设计体系仍基于低保真度的一维管网,深度学习可能是提升涡轮冷却设计保真度的一种有效手段.本文总结了几种纯数据的神经网络模型和几种与物理规律结合的神经网络模型在涡轮冷却问题中的应用.通过巧妙地将涡轮冷却问题看待为图像、序列和参数的...     

深度学习的亚波长窄带陷波滤光片设计

亚波长光栅结构表现出优异的陷波滤光特性,其经典设计是设定亚波长的几何结构参数,求解麦克斯韦方程组,设定优化算法求解出最优解,需要消耗大量的时间和计算资源.提出一种基于深度学习的逆向设计方法,搭建了可以同时实现正向模拟与逆向设计的串联神经网络.基于python语言的Tensorflow库进行网络搭建;优化均匀波导层的高度...     

裂缝性介质多尺度深度学习模型

结合人工神经网络建立裂缝介质多尺度深度学习流动模型.基于一套粗网格和一套细网格,通过在粗网格上训练数据,多尺度神经网络能够以较少的自由度训练出准确的神经网络.并在粗网格上通过求解局部流动问题获得多尺度基函数,结合神经网络进一步得到精细网格的解.基于离散裂缝的流动方程可视为多层网络,网络层数依赖于求解时间步数.阐述裂缝介质多尺度机器学习数值计算格式的建立,介绍如何使用多尺度算法构建离散裂缝模型的多尺度基函数,并采用超样本技术进一步提高计算准确性.数值结果表明,多尺度有限元算法与机器学习结合是一种有效的流体流动模拟算法.     

基于梯度优化物理信息神经网络求解复杂非线性问题

近年来,物理信息神经网络(PINNs)因其仅通过少量数据就能快速获得高精度的数据驱动解而受到越来越多的关注.然而,尽管该模型在部分非线性问题中有着很好的结果,但它还是有一些不足的地方,如它的不平衡的反向传播梯度计算导致模型训练期间梯度值剧烈振荡,这容易导致预测精度不稳定.基于此,本文通过梯度统计平衡了模型训练期间损失函数中不同项之间的相互作用,提出了一种梯度优化物理信息神经网络(GOPINNs),该网络结构对梯度波动更具鲁棒性.然后以Camassa-Holm(CH)方程、导数非线性薛定谔方程为例,利用GOPINNs模拟了CH方程的peakon解和导数非线性薛定谔方程的有理波解、怪波解.数值结果表明,GOPINNs可以有效地平滑计算过程中损失函数的梯度,并获得了比原始PINNs精度更高的解.总之,本文的工作为优化神经网络的学习性能提供了新的见解,并在求解复杂的CH方程和导数非线性薛定谔方程时用时更少,节约了超过三分之一的时间,并且将预测精度提高了将近10倍.     

基于深度递归级联卷积神经网络的并行磁共振成像方法

快速磁共振成像是磁共振研究领域重要的课题之一.随着大数据和深度学习的兴起,神经网络成为快速磁共振技术的重要方法.然而网络性能表现和网络参数量之间较难取得平衡,且对于多通道数据重建的并行成像问题,相关研究较少.本文构建了一种深度递归级联卷积神经网络结构,用于处理并行成像问题.这种网络结构在减少网络参数量的同时,能够尽可能地提高网络的表达能力,提高网络重建的精确度.实验结果表明,相较于传统并行成像方法,通过训练好的神经网络对欠采样磁共振数据进行重建,可以得到更准确的重建结果,且重建时间大大缩短.     

基于逆散射理论的地震波速度正则化反演

本文基于逆散射理论利用正则化有限差分对比源反演算法对地震波传播速度进行反演, 该方法是基于波动方程的频率域波形反演算法, 利用非线性共轭梯度法, 通过最小化目标优化函数不断迭代更新速度模型. 由于地球物理反演问题的病态性和不稳定性, 通过基于反演参数总变差的正则化处理, 使反演问题变为良性问题且算法具有较强的抗噪声干扰能力. 反演过程中使用了频率-空间域9点差分正演算子以及PML吸收边界条件. 与其他反演算法相比, 由于背景模型在反演迭代过程中保持不变, 可以避免在每次迭代过程中重新构造正演算子及矩阵分解等相关计算过程, 使得该算法非常适合于大规模三维反演计算. 此外, 本文采用基于MPI的并行计算, 进一步提高了反演计算的效率. 二维CSEG模型反演结果表明该方法可以反演得到高分辨率的地震波速度重建结果, 为地震勘探数据处理及解释提供准确的速度信息.     

基于粒子群PSO算法的月球物理参数反演

针对月震数据的局限性,以及传统反演方法求解月球物理参数的不适宜性,利用非线性粒子群PSO算法同时求解岩石圈主要月球物理参数载荷比、月壳厚度、月壳密度、内部载荷深度、岩石圈弹性厚度等.结果表明:粒子群PSO算法能够同时反演多个月球物理参数的最优解,计算效率高于传统方法.将该方法应用于月球物理参数多参数的反演,可为月球内部精细结构研究提供参考.     

混沌神经网络逆控制的同步及其在保密通信系统中的应用

利用神经网络的学习、逼近能力构造混沌神经网络，提出逆控制混沌同步方法来同步两个混沌神经网络，并基于逆控制和混沌神经网络的同步给出一种新的混沌保密通信系统.理论分析和数值实验结果表明，新系统能够有效地克服信道噪声对信息传输的不良影响，具有较强通用性和柔韧性，且有同步速度快，信号恢复精度高和密钥量大的优点. 关键词： 混沌同步 自适应逆控制 混沌神经网络 保密通信     

一类时变时滞混沌系统的参数辨识方法

时变的未知时滞参数普遍存在于混沌系统中,它使得混沌系统同步控制变得非常困难. 针对时滞混沌系统中参数时变且未知的问题, 提出了一种新颖的辨识方法. 该方法首先将未知时变参数用分段常数函数来近似, 把求解非线性函数的问题转化为参数向量选择问题, 其中分段常数函数的高度向量成为待求解参数向量; 然后推导了目标函数对分段常数高度向量的梯度信息, 结合序列二次规划法求解得最优分段函数; 随着分段数的增加, 最优分段函数将逼近原非线性时变函数. 数值实例结果验证了该方法的有效性.     

基于逆卷积神经网络的等离子体辐射分布断层重建方法

发展了一种基于逆卷积神经网络的图像级重建方法用于聚变等离子体辐射分布的断层反演。通过引 入结构相似度(SSIM)作为损失函数,该方法在模拟数据实验中表现出了较好的重建效果。模拟实验结果表明,在 弦积分信号噪声强度为10%、15%及20%时,该方法的重建结果依然具有良好的精确度和鲁棒性。     

基于聚束逆合成孔径激光成像雷达组的三维目标重构的研究

为了在聚束逆合成孔径激光雷达成像中获得三维重构需要的高程信息量,设计了基于聚束逆合成孔径激光成像雷达组的目标重构算法.系统在等边三角形三个顶点上分布安置逆合成孔径激光雷达,根据位置和倾角的关系,由另两个激光雷达提供三维目标重构的高程信息.计算了被测目标任意方向进入系统探测区域后,三个逆合成孔径激光雷达对应的高程函数表达式.通过仿真实验可知,被测目标的速度对高程函数没有显著影响.而逆合成孔径激光雷达与目标的角度关系对高程信息变化有显著贡献,在采用不同位置高程信息融合的过程中,选择逆合成孔径激光雷达的分布方式对回波数据的利用率有影响.由于不同角度变化产生了连续变化高程信息,利用该方法可以有效地通过获取高程信息重构目标三维图像.