基于栅格法的机器人路径规划蚁群算法

描述了一种静态环境下的机器人路径规划仿生算法.该算法用栅格法对场景进行建模,模拟蚂蚁的觅食行为,由多只蚂蚁协作完成最优路径的搜索.搜索过程采用了概率搜索策略、最近邻居策略和目标导引函数,使得搜索过程极为迅速高效.仿真实验结果表明,即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出最优路径,且能进行实时规划,效果十分令人满意.

基于变异和动态信息素更新的蚁群优化算法

尽管蚁群优化算法在优化计算中已得到了很多应用,但在进行大规模优化时,其收敛时间过长仍是应用该算法的一个瓶颈.为此,提出了一种高速收敛算法.该算法采用一种新颖的动态信息素更新策略,以保证在每次搜索中,每只蚂蚁都对搜索做出贡献;同时,还采取了一种独特的变异策略,以对每次搜索的结果进行优化.计算机实验结果表明,该算法与最新的改进蚁群优化算法相比,其收敛速度提高了数十倍乃至数百倍以上.

神经网络与回归相结合实现传感器特性线性化

本文提出了一种用多个改进的 BP神经网络与回归相结合的技术去实现传感器非线性误差校正的方法。该方法将传感器的特性曲线分为一个直线段和两个非线性段 ,并自适应的确定线性段的区间 ,在线性段 ,用回归方法拟合出直线方程。在非线性段则用两个改进的 BP神经网络分别映射其反函数作为校正环节 ,从而实现非线性误差校正。仿真和试用表明 ,这种方法可使传感器的非线性误差减小近十倍。最后 。

动态复杂环境下的机器人路径规划蚂蚁预测算法

研究了一种新颖的动态复杂不确定环境下的机器人路径规划方法和动态避障码蚁预测算法.该方法模拟蚂蚁的觅食行为,由多组蚂蚁采用最近邻居搜索策略和趋近导向函数相互协作完成全局最优路径的搜索.在此基础上用虚拟蚂蚁完成与动态障碍物碰撞的预测,并用蚁群算法进行避障局部规划.理论和仿真实验结果均表明,即使在障碍物非常复杂的地理环境,用文中算法也能迅速规划出优化路径,且能安全避碰.

全局未知环境下多机器人运动蚂蚁导航算法

研究了全局未知静态复杂环境下多机器人运动的导航问题,提出了一种新颖的蚂蚁导航算法.该方法将全局目标点映射到机器人视野域边界附近作为局部导航子目标,再由两组蚂蚁相互协作完成机器人视野域内局部最优路径的搜索,在此基础上进行与其他机器人的碰撞预测与避碰规划.机器人每前进一步都重复上述过程.因此,机器人前进路径不断地动态修改,从而在每条局部优化路径引导下,使机器人沿一条全局优化的路径到达目标点.仿真实验结果表明,即使在障碍物非常复杂的地理环境下,算法也能沿一条全局优化路径导航,且能安全避碰,效果十分令人满意.

复杂环境下的机器人路径规划蚂蚁算法

研究了全局静态环境未知时机器人的路径规划问题,提出了一种新颖的滚动规划蚂蚁算法．该方法将目标点映射到机器人视野域附近,再由两组蚂蚁采用最近邻居搜索策略相互协作完成机器人局部最优路径的搜索,机器人每前进一步,都由蚂蚁对局部路径重新搜索,因此,机器人前进路径不断动态修改,从而能使机器人沿一条全局优化的路径到达终点．仿真实验结果表明,即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出一条优化路径,且能安全避碰,效果十分令人满意．

蚁群优化算法的收敛性分析

有关蚁群优化算法收敛性分析的研究还很少,不利于进一步改进其算法.为此,较详细地分析了用蚁群优化算法求解TSP问题的收敛性,证明了当0<q0<1时,算法能够收敛到最优解.分析了封闭路径性质、启发函数、信息素和q0对收敛性的影响,据此给出了提高算法收敛速度的几点结论.

提高小脑模型神经网络精度的算法及仿真应用

CMAC(cerebella model articulation controller)神经网络的局部结构使得学习非线性函数更快 .然而 ,在许多应用领域 ,CMAC的学习精度不能满足应用要求 .该文提出了一种改进 CMAC学习精度的联想插补算法 ,同时给出了一个仿真实验 .其结果表明 ,使用此算法 ,改进的 CMAC的学习精度比改进前提高了 10倍 ,学习收敛也更快 .

用于传感器非线性误差校正的新颖神经网络

该文阐述了用神经网络校正传感系统非线性误差的原理和方法 ,提出了一种新颖的简化小脑模型神经网络 (SCMAC)及其模型、算法与实现技术 .模型、算法采用直接权地址映射技术 ,以训练样本的输入为地址 ,建立起输入与权重的关系 .任意输入作为相近的权地址 ,即可找到对应的权 ,经过联想插补后可获得高精度输出 .此外 ,采用磁盘文件存储、寻址权重等方法 ,避免了微机内存溢出 ,使得实现容易 .最后给出了一个仿真实验 .实验结果表明 ,用 SCMAC校正后 。

一种新型智能气动测微仪的研究

本文介绍一种新型智能气动测微仪 ,它集微机技术、气动测量技术、气电转换技术于一体 ,通过微机进行分段线性计算 ,可实现大量程、高精度多参数测量。文中介绍了气动测量原理 ,重点阐述了微机进行分段计算的原理方法 。

非线性传感特性的神经网络学习校正方法及应用

非线性误差是传感器的主要误差之一 ,用硬件补偿或用查表、曲线拟合等方法复杂且精度低。研究了一种神经网络校正方法 ,并提出了一种改进的小脑模型神经网络 ,仿真和应用表明 ,可使非线性误差减小到近似为零。

传感器特性曲线的自适应分段最佳拟合及应用

为了减小传感器的非线性误差问题 ,提出了一种传感器的非线性传输曲线的自适应分段最佳逼近拟合方法 ,介绍了该方法的数学模型和应用实例 ,实验结果表明 ,应用本方法 。

最佳拟合与神经网络相结合实现传感器特性线性化

提出了一种传感器特性线性化的方法 .该方法把传感器特性分为线性和非线性段 ,用一种改进的BP神经网络映射传感器特性非线性段的反函数作为校正环节 ,用最佳拟合方法得到线性段的直线方程 ,从而实现传感器特性的线性化 .经过仿真试用表明 ,这种方法可使传感器的非线性误差减小近十倍 .最后 。

一种智能光纤位移传感器

介绍一种用神经网络实现无级查表功能的光纤位移传感器。其非线性误差小于 0 3%FS。

微机测控系统实用抗干扰研究

抗干扰技术是微机测控系统研制中的重要内容。本文从干扰术源入手，分析了干扰的耦合方式，有针对性地提出了若干实用抗干扰措施，并对软件抗干扰方法作了介绍。

基于粗粒度模型的蚁群优化并行算法

为了改进蚁群优化算法的收敛速度,研究了一种基于粗粒度模型的并行蚁群优化算法,该算法将搜索任务划分给q个子群,由这些子群并行地完成搜索,可使搜索速度大幅度提高。实验结果表明,用该算法求解TSP问题,收敛速度比最新的改进算法快百倍以上。

智能检测仪器非线性误差神经网络校正研究

本文描述了一种智能检测仪器非线性误差的神经网络校正方法 ,阐述了校正原理 ,提出了一种 CMAC神经网络的改进算法 ,最后 ,给出了一个应用实例 ,其结果表明 ,经过神经网络非线性校正后 ,检测仪器的非线性误差减小十倍以上。

直接映射低维小脑模型神经网络及在机器人传感器中的应用

提出了一种能高速度、高精度学习的低维小脑模型神经网络 .模型算法采用直接权地址映射技术 ,将训练样本的输入量化后直接作为联想存储器中C个权的首地址 ,建立起输入与权的关系 .经样本训练后 ,任意输入作为相近的两个样本间的权首地址 ,经过输出映射算法即可得到较精确的输出 .实验表明 ,它学习非线性函数的精度比最新改进的CMAC高十倍以上 ,收敛速度则快五十倍以上 ,且算法简单 ,不会发散 ,学习过程要求的存储器很小 ,实现容易 .此算法已用于机器人传感器的信号细分 。

用神经网络技术实现的高精度光栅测量装置

描述了一种用神经网络技术实现的高精度光栅测量装置。该装置采用BP神经网络对光栅信号进行细分 ,在仅用 7个训练样本的情况下 ,细分精度可达 0 .18μm ,使装置的分辨率得到很大提高 ,同时 ,简化了硬件设计 。

用神经网络技术实现的光纤位移传感器

描述了一种智能型位移光纤位移传感器,它用差动比值法减小漂移和不同的反射介质的影响,用人工神经网络技术减小非线性误差。实验结果表明,使用这些技术后,各方面指标都远远优于传统方法。