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。     

自动化控制下机械手臂运动轨迹研究

对机械手臂运动轨迹进行优化控制,能改善机械手臂的自动控制性能。为了提高机械臂的控制稳健性,提出一种基于变结构模糊PID控制的机械手臂运动轨迹优化控制模型。首先采用末端效应逆运动学模型构建机械手臂的运动规划约束参量数学模型,采用七自由度运动空间重构方法建立机械手臂运动的动力学方程。然后通过纵向定常运动,分析建立机械手臂整定控制目标函数,求解机械臂在抓取作业过程中的最佳导引控制律,采用变结构模糊PID控制方法进行运动轨迹的误差修正,实现机械臂自动控制优化。最后通过仿真实验进行控制性能测试,结果表明,采用该方法进行机械手臂运动轨迹控制的精度较高,对机械臂位形变化轨迹的预测准确性较好。     

EAST 六自由度内窥机械臂的逆运动学算法研究

为了实现 EAST 装置真空室内的内窥多关节机械臂的实时高精度控制,提出了一种逆运动学算法,即建立机械臂多变量的方程组,转化成为矩阵的特征值问题求解。为了验证和满足实际控制的需要,还基于 VC++6.0 开发了 MFC 运动学算法程序。结果表明,该算法能在 ms 级别内得到机械臂的所有运动学逆解。     

EAST �����ɶ��ڿ���е�۵����˶�ѧ�㷨�о�

为了实现 EAST 装置真空室内的内窥多关节机械臂的实时高精度控制,提出了一种逆运动学算法,即建立机械臂多变量的方程组,转化成为矩阵的特征值问题求解。为了验证和满足实际控制的需要,还基于 VC++6.0 开发了 MFC 运动学算法程序。结果表明,该算法能在 ms 级别内得到机械臂的所有运动学逆解。     

一种冗余机械臂的多运动障碍物避障算法

冗余机械臂的避障问题一直是工业机器人应用领域的研究热点之一;为了改进传统避障算法的不足,提出了一种多运动障碍物的避障算法;该算法利用各障碍物的运动状态得到与机械臂之间的最小预测距离,并将其利用雅可比转置矩阵转化为机械臂对应杆件上的躲避速度,再将躲避速度引入梯度投影法中求得机械臂的关节角速度,并通过积分得到避障运动中机械臂的关节角度值,在完成末端轨迹跟踪的同时实现冗余机械臂的实时避障;利用一款七自由度冗余机械臂对该算法进行了仿真验证,结果表明该算法能有效实现冗余机械臂对多运动障碍物的避障。     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

基于深度物理启发神经网络的微波波导器件逆设计方法

使用物理启发的神经网络方法求解物理逆问题正成为一种趋势,但仅通过损失函数引入物理信息的方案难以求解.为解决电磁器件逆设计中物理启发神经网络模型不易收敛的问题,本文引出了深度物理启发神经网络.深度物理启发神经网络使用偏微分方程的基本解构成的网络替代传统的前馈神经网络,将数学物理模型嵌入网络结构.这一特点使深度物理启发网络的训练参数具有实际物理意义,相较传统物理启发神经网络拥有更简洁的损失函数,计算效率和稳定性也有明显提升.以二端口波导的散射参数设计为例,数值实验结果表明该方案在保证与设计目标相关性系数大于0.99的同时,最快可在25 s实现器件逆设计,且能够获得多样化的结构设计结果.本文提出的方法为逆物理问题求解构建及神经网络的物理信息嵌入探索提供了新思路.     

基于BP神经网络的反潜巡逻机背景磁场补偿技术研究

通过分析反潜巡逻机背景磁场模型,针对传统模型求解时对模型参数求解方法存在的不足,本文提出了一种基于BP神经网络的飞机背景磁场模型求解新方法。该方法不讨论复杂的模型参数估计的问题,通过前期神经网络训练学习,直接把飞机磁补偿飞行过程中采集到的相关信号输入到训练好的网络中,得到输出干扰磁场,进而对其进行补偿。最后通过实例仿真验证了该方法的正确性和有效性,为提高反潜巡逻机磁探搜潜效能提供了科学依据,具有一定的军事意义。     

基于GABP神经网络曲线拟合的快沿电磁脉冲信号源模型求解

为给电子设备的电磁脉冲效应仿真提供准确的快沿电磁脉冲(fast rise-time electromagnetic pulse,FREMP)信号源模型,提出一种基于遗传算法优化BP神经网络(GABP-NN)曲线拟合的信号源模型求解方法;该方法通过示波器对脉冲信号进行采集,利用GABP神经网络对波形曲线进行高精度拟合,提取网络参数建立信号源模型;为进一步获得BP神经网络拟合规律设置对比实验,采用隐含层神经元数为10的GABP神经网络对FREMP信号源进行建模,所得模型拟合度为91.64%;仿真结果表明该方法运算速度快、精度高。     

RBFNN结合自适应边界的机器人手臂轨迹跟踪控制系统设计

针对机器人手臂动态模型中存在动态不确定性问题,提出一种结合径向基函数神经网络(RBFNN)和自适应边界控制的机械臂轨迹跟踪方法。利用RBF神经网络在线学习系统中现有的结构化和非结构化不确定性,近似补偿未知动态部分;利用自适应边界来估计非结构化不确定性上的未知边界和神经网络重建误差;通过加权矩阵产生的李雅普诺夫函数证明了该系统具有渐进稳定性。利用三自由度机械臂进行实验,结果表明,相比其他几种较为先进的控制器,本文设计的控制器具有最优的控制精度。     

混沌神经动力学行为在多自由度机器人上的应用研究

本文把混沌神经动力学行为应用到了一个多自由度的机器人手臂,利用一种简单的神经编码方法使高维的神经网络模式转化成了低维的运动参数。虽然只在神经网络中嵌入了三种简单的姿势动作,但是在混沌神经动力学行为出现时,机器人手臂呈现出复杂的组合运动。利用这一点,提出了一个简单的控制算法用来解决病态问题(不一定有解或者确定的解无法保证的问题)。实装实验进一步表明,尽管只有粗略甚至不确定的光源信息,利用提出的算法机器人手臂可以成功的寻找到光源。     

BP神经网络在磷酸盐溶液紫外吸收光谱中的应用

利用紫外分光光度法测定磷酸盐溶液的光谱,经过转换得到吸光度与溶液浓度的非线性关系,使用BP神经网络算法处理此非线性问题。Matlab语言中的神经网络工具箱提供了许多有关神经网络设计、训练和仿真的函数来实现BP网络,使应用BP网络来解决此类问题变得方便和有效。实验证明Levenberg-Marquardt法网络收敛速度最快,量化共轭梯度法最慢。本文还运用Matlab中的数据拟合法与BP神经网络法进行比较,前者虽然得到拟合曲线关系式,但较为复杂,工作量大。因此,BP神经网络法更适合于解决此类问题。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析（PCA）和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明：基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

基于炉口辐射和改进神经网络的转炉终点预测模型

针对国内外转炉炼钢终点控制的现状,建立了一种用于终点预测的神经网络模型.以炉口辐射信息获取系统为实验平台,运用光纤谱分复用和颜色空间模型转换技术.分析发现了光谱与图像信息特征量在吹炼过程中晕现出中前期类似、末期相反的规律.从得到的特征规律曲线中选用一些关键特征量,在改进的修正系数算法基础上,进行了模型的训练和预测分析.实验结果表明:响应时间在2 s以内,满足快速判定的时间要求;改进算法的模型预测精度高于常规算法,该系统可以止常工作在转炉炼钢的恶劣环境下,达到了预期效果.     

基于BP神经网络提高伪装目标识别概率的研究

采用静态迈克尔逊干涉仪对待测目标进行光谱识别,在空间干涉长度不变的条件下,应用BP神经网络算法对混合光谱分离过程进行优化,从而达到提高伪装目标识别概率的目的。由干涉仪及线阵CCD记录视场内所有位置上的光谱信息,构成混合光谱数据集合,以已知材料的标准吸收光谱作为隐含层的规则依据,将BP神经网络应用于混合光谱的分离。实验采用不同距离、不同背景组合的混合光谱作为初始数据,以1.5 m×1.5 m钢板做成四种待测目标,由静态迈克尔逊干涉仪得到混合光谱,BP神经网络算法与传统光谱吸收算法对无伪装目标的识别率都在90%以上,对具有伪装效果的待测目标识别概率分别为75.5%和31.7%,所以采用BP神经网络可有效地提高伪装目标的识别概率。     

Trajectory Planning of Robot Manipulator Based on RBF Neural Network

Robot manipulator trajectory planning is one of the core robot technologies, and the design of controllers can improve the trajectory accuracy of manipulators. However, most of the controllers designed at this stage have not been able to effectively solve the nonlinearity and uncertainty problems of the high degree of freedom manipulators. In order to overcome these problems and improve the trajectory performance of the high degree of freedom manipulators, a manipulator trajectory planning method based on a radial basis function (RBF) neural network is proposed in this work. Firstly, a 6-DOF robot experimental platform was designed and built. Secondly, the overall manipulator trajectory planning framework was designed, which included manipulator kinematics and dynamics and a quintic polynomial interpolation algorithm. Then, an adaptive robust controller based on an RBF neural network was designed to deal with the nonlinearity and uncertainty problems, and Lyapunov theory was used to ensure the stability of the manipulator control system and the convergence of the tracking error. Finally, to test the method, a simulation and experiment were carried out. The simulation results showed that the proposed method improved the response and tracking performance to a certain extent, reduced the adjustment time and chattering, and ensured the smooth operation of the manipulator in the course of trajectory planning. The experimental results verified the effectiveness and feasibility of the method proposed in this paper.     

电机温度时滞耦合系统自抗扰控制仿真研究

电机温度过高会造成绝缘性能老化,电机安全性能下降。电机控制系统是典型的非线性系统,电机温度也因此具有时滞性和耦合性的特点,难以建立准确的数学模型。传统的方法对电机温度的控制精度较差,从而导致电机温度失控。为此,提出基于BP神经网络自抗扰控制算法的电机时滞耦合关系下温度控制方法。将BP神经网络与PID控制方法相结合建立电机温度网络自抗扰控制器模型,利用梯度下降法修正电机温度控制器模型的权值系数,从而实现了BP神经网络自抗扰控制器参数的实时调整。实验结果表明,利用BP神经网络自抗扰算法进行电机时滞耦合关系下温度调整,能够有效提高控制的精确度,缩短了控制过程中的时间延时。     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型。利用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解。将该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较。结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性。