具有外部干扰的耦合时滞神经网络固定时间二分同步

针对结构平衡图与结构非平衡图的网络拓扑,考虑了一类具有外部干扰的耦合时滞神经网络模型,分别设计了其固定时间同步控制协议.借助固定时间稳定性理论与不等式技巧,获得了耦合网络在固定时间内达到同步的充分性判据,给出了具体的收敛时间上界,并验证了固定时间同步网络的鲁棒性与抗干扰性.为了扩大网络模型的适用性,考虑的神经网络激活函数为非连续的函数,可借助微分包含与集值李导数理论解释非连续微分方程的动力学行为.最后,分别在结构平衡图和非平衡图下对耦合神经网络的固定时间二分同步进行了数值仿真,验证了控制算法的有效性及理论结果的正确性.     

考虑多种损坏构成特征的沥青路面预防性养护决策方法

由于沥青路面损坏构成的多样性, 相同的路面状况指数(pavement condition index, PCI)可能代表不同的损坏组合. 当多种损坏并存且损坏程度接近时, 用PCI和主导损坏(最严重、扣分最多的路面损坏)难以得到具有针对性的养护对策. 因此, 通过对PCI的深入分析, 明确了主导损坏代表性不足的路段, 以现行预防性养护决策方法为基础, 补充了一种考虑损坏构成特征、更具针对性的决策方法. 以上海城市道路近5年的检测、养护数据为分析基础, 首先利用有序聚类算法将路段按PCI水平分组, 分析了不同阶段路面损坏构成和差异水平; 然后, 针对多种损坏并存且损坏差异不显著的路段, 根据预防性养护的实施效果筛选了能够反映正确预防性养护经验的有效养护路段; 最后, 基于有效养护路段建立并对比分析了2个基于BP(back propagation)神经网络的养护决策模型. 结果表明: 当PCI水平介于优良(84.4~93.0分)时, 不同损坏程度接近, 主导损坏代表性不足; 考虑多种损坏构成特征的BP神经网络模型表现出更高的决策精度, 测试集决策正确率达86.20%, 优于仅考虑主导损坏的模型(58.50%). BP神经网络与传统决策树法结合能够优化沥青路面决策过程, 提高养护对策选取的针对性.     

基于小波变换和概率神经网络的焊接接头类型识别

为了实现机器人自动焊接过程中快速、精确地提取焊缝特征信息,提出了一种基于小波变换和概率神经网络的焊接接头类型识别方法。先采用小波变换对由激光视觉传感器采集的焊接接头图像进行降噪和增强,对重构后的图像进行二值化,然后提取图像的特征信息,组成图像特征向量,最后构建概率神经网络分类器并进行测试。结合视觉传感器中激光器与摄像机的位置关系,最终识别出4种焊接接头。实验结果表明,所提出的方法特征提取简单,识别率高,并具有较好的实时性。     

基于模糊形式背景的变精度模糊信息粒

在模糊形式背景下研究变精度的模糊信息粒,给出精度为δ的必要模糊信息粒,充分模糊信息粒以及充分必要模糊信息粒的定义.在此基础上,进一步给出对任意给定的模糊信息粒转化为精度为δ的必要模糊信息粒,充分模糊信息粒及充分必要模糊信息粒的方法.     

基于神经网络的医疗诊断研究

主要工作集中在医疗数据的预处理和神经网络模型的训练.首先结合数据挖掘和自然语言处理技术,在保留医疗数据语义基础上对分词工具语料库进行补充,将中文数据分词,同时对其中大量冗余信息进行清洗,将中文数据转换成计算机可识别的编码,其次利用多种经典热门的神经网络模型来训练医疗数据,同时对比基于传统决策树模型的GBDT模型的训练结果,最后实验结果证明,对于多种疾病诊断,神经网络模型的效果要优于其他模型,诊断准确率接近90%.     

基于有限状态机的售卖机控制器的设计与仿真

自动售卖机是商业模式下自动化实现的典型应用之一,随着嵌入式系统和自动化技术的不断发展,其应用也越来越广泛。有限状态机作为一种反映状态间转移的数学模型,可以被用在嵌入式系统控制器的设计开发中。利用有限状态机技术对自动售卖机的控制器进行设计,利用Verilog HDL语言将控制器编程实现,并在Model Sim中进行了仿真,实验结果证明了该方法的可行性。     

盾构机刀盘回转系统恒功率自适应控制

为提高盾构机刀盘回转系统的工作效率和系统稳定性,采用简化刀盘回转液压系统模型,建立刀盘回转液压系统数学模型.分析了刀盘回转载荷,确定了液压系统负载扭矩计算模型.采用变论域方法建立基于变论域模糊PID的刀盘回转液压系统自适应控制算法.对刀盘扭矩施加线性变载荷和随机载荷进行控制系统的仿真实例研究.研究结果表明:在掘进系统刀盘扭矩增加时,所提出的控制系统可随时调整刀盘旋转速度以实现系统总功率的平衡,并可降低刀盘转速调整过程的超调量和调整时间.研究结论为盾构机刀盘回转液压系统的设计和改进提供了理论依据.     

基于重抽样分布的一类模糊累积和控制图

过程变量在代表产品或服务过程信息时并非完美，而使用模糊数可能是另一较好途径。文章进一步完善模糊累积和控制图，其中使用中心和扩展具有重抽样分布的模糊随机变量，并给出模拟例证。