基于迭代学习和模糊模型的机器人故障估计

针对柔性机器人执行器故障问题,提出了基于迭代学习和模糊模型的机器人故障估计策略。首先,为了处理机器人系统的非线性,将机器人系统转化成Takagi-Sugeno(T-S)模糊系统。其次,基于T-S模糊系统和机器人重复运动特性,设计模糊观测器和模糊迭代学习故障估计算法,实现同时精准估计机器人状态和执行器故障。再次,提出可解条件,保证模糊迭代学习故障估计算法的鲁棒单调收敛性,使迭代估计算法具有良好的暂态行为。最后,利用一个单连杆柔性关节机器人来验证所提方法的有效性。

动态模糊机器学习模型及验证

根据学习系统中存在的动态模糊性,提出了动态模糊机器学习模型,给出了动态模糊机器学习算法和它的几何模型描述,并进行了算法的稳定性分析,最后给出了实例验证。实例结果与BP算法产生结果相比较,优于BP算法的结果。

基于模糊控制和机器学习的水泥磨机专家控制系统的开发与应用

水泥粉磨工艺具有非线性、大时滞和时变特征,建立精确的水泥磨模型比较困难,水泥磨机智能专家控制系统可使水泥生产过程实现智能化控制,是实现水泥生产智能制造的一个核心控制环节,可以降低粉磨工艺的能源消耗,稳定生产过程的台时产量,保证设备的平稳安全运行,对产品的质量指标也起到重要的保障作用。

动态系统模糊模型辨识及其自学习算法

提出一种规则模型辨识的自学习算法，并进行了实例验证，结果表明该算法具有较高的辨识精度，可用于模糊自适应控制系统中．

机器学习下的动态体感手势识别系统

如今,计算机人机交互技术已经取得一定成就,而体感识别技术也渐渐在人机界面中发挥着非常关键的作用及价值。体感手势识别技术是体感识别技术的主要技术,其操作方式非常灵活,并且和人类思维更加契合,和人类的使用习惯更加贴近,是现今相关领域的研究重点。鉴于此,本文针对机器学习下动态体感手势识别系统进行研究,以期为相关研究提供借鉴与参考。

基于神经元的动态系统模糊关系模型及其学习算法

本文直接针对模糊集，提出了三种基于模糊集运算的逻辑神经元，即ＡＮＤ．ＯＲ和ＡＮＤ／ＤＲ．基于上述神经元，提出了一种应用于动态系统建模的实用的模糊关系网络模型，通过一个简单实例，证实了上述模型建模算法的学习能力和快速计算能力。

智能RLED动态目标中机器手的模糊鲁棒控制系统(英文)

给出了一种电机驱动机器手中非线性机电模型的模糊鲁棒闭环控制系统 ,此控制系统可处理非结构环境下的三个主要的智能机器人导航问题 :自动化规划、快速连续导航中的避障、处理结构和 (或 )

基于二型模糊系统的强化学习及其在机器人行为学习中的应用

针对复杂的移动机器人导航问题,提出一种基于二型模糊系统的强化学习算法。它既可以利用二型模糊系统解决大规模强化学习中状态空间到动作空间的映射问题,也可以利用强化学习算法完善二型模糊系统中模糊规则,解决了二型模糊系统主观定义模糊规则的局限性,提高了算法的学习效率。最后,将该算法应用到移动机器人导航的行为学习问题中,通过实验证明了研究算法的有效性和精确性,利用该算法可以使机器人在复杂环境下完成导航任务。

面向6G无线通信系统的动态频谱管理技术研究

随着通信技术的快速发展,6G无线通信系统将面临更为严峻的频谱资源调配难题。文章通过深入研究6G无线通信系统的动态频谱管理技术,阐述动态频谱管理的基础理念,包括其种类、追求的目标、运作的原理以及优势。重点分析6G无线通信技术对无线电频谱资源的需求,包括提升频谱使用效率、在多元用户和多样化业务情境下的频谱分配与调度等。同时,深入探索针对无线电频谱的先进管理策略,如无线电频谱的感知与预测、借助机器学习和人工智能的智能管理技术以及面向6G通信技术的动态频谱分配技巧等。最后,剖析无线频道的共用与买卖规则,展望未来研究的趋势与方向。

基于动态系统的机器人模仿学习方法研究

针对当前机器人模仿学习过程中,运动模仿存在无法收敛到目标点以及泛化能力差的问题,引入一种基于动态系统(dynamical system,DS)的模仿学习方法。该方法通过高斯混合模型(gaussian mixture model,GMM)将示教运动数据建模为一非线性动态系统;将DS全局稳定的充分条件作为约束,以保证DS所生成的所有轨迹收敛到目标点;将动态系统模型的参数学习问题转化为求解一个约束优化问题,从而得到模型参数。以7bot机械臂为实验对象,进行仿真实验和机器人实验,实验结果表明:该方法学习的DS模型从不同起点生成的所有轨迹都收敛到目标点,轨迹平滑,泛化能力好。

一类动态模糊机器学习算法研究

现有的各种机器学习方法在面对数据的动态模糊性问题时,面临严峻挑战.本文主要针对数据的动态模糊性,给出了一类动态模糊机器学习模型,及其局部线性嵌入算法和改进的局部线性嵌入算法,并对算法的稳定性进行分析,通过实例验证说明算法是有效的.

基于模糊Q学习的多机器人系统研究

多机器人系统的行为学习是提高机器人适应能力的一种途径.在机器人行为学习过程中,难于得到比较理想的监督学习的教师信号,因此该文尝试采用强化学习方法来解决多机器人的行为学习问题.考虑到强化学习的学习过程较长,文章引入能体现人的经验的模糊推理规则来提高机器人的学习速度.针对机器人编队行为学习问题,首先对每一个行为建立一个较完备的模糊规则库,然后利用Q学习来调整行为融合的参数.最后以柱形、线形和菱形队形为研究背景,通过仿真实验可以看出经过一段时间学习后机器人在充满障碍物的环境中运动自如,各种队形总体上都保持良好,机器人具有一定的自适应性.

适用于模糊综合评判系统的一种机器学习方法

在分析模糊综合评判的实际意义及其具体算法的基础上,指出了模糊综合评判系统在获取相关专家知识方面所存在的困难,进而提出了一种适合于模糊综合评判的新的机器学习方法———反馈示教学习法,并且对于在模糊综合评判中使用这种学习方法的具体思路进行了论述,并在模糊综合评判系统中得以实现。

基于动态模糊测试和机器学习的智能合约漏洞检测方法

智能合约的出现和发展拓宽了区块链的应用场景和现实意义,但频繁的安全事故给区块链的发展带来了障碍。但是,智能合约漏洞进行完备性和安全性分析的方法仍未被提出。当前对于智能合约的安全保障主要依靠专家审计和人工复查,该方式不能保证代码的绝对安全。针对智能合约漏洞挖掘的误报率、低效能等问题,在动态模糊测试和机器学习方法的基础上,提出一种适用于智能合约漏洞的检测方法与模型。该方法提高了智能合约漏洞挖掘的自动化程度和准确性。

欧勇盛研究团队提出一种机器人动态系统快速稳定的学习方法

中国科学院深圳先进技术研究院智能仿生研究中心欧勇盛研究团队在机器人动态系统示教学习方面的研究取得进展。相应成果为"Duan JH,Ou YS,Hu JB,et al.Fast and stable learning of dynamical systems based on extreme learning machine [J].IEEE Transactions on Systems,Man,and Cybernetics:Systems,2019,49(6):1175-1185 (基于超限学习机的动态系统快速稳定学习)"。机器人操作的应用场景广泛、潜力巨大,但无论是在常规环境中。

动态模糊神经网络及其快速自调整学习算法

针对非线性动态系统辨识和控制的特点,对4层模糊神经网络进行了优化和改进.形成了动态模糊神经网络,提高了网络的稳定性和对动态系统的辨识能力,同时给出了基于Lyapunov函数稳定收敛定理的各权向量以及权矩阵学习速率的自适应调整算法.应用于非线性动态系统的辨识和控制仿真试验表明,改进后的动态模糊神经网络与模糊神经网络相比,可取得更好的辨识精度和跟踪控制效果.

柔性机器人基于自适应模糊动态面的实用稳定控制

针对单连杆柔性机器人系统,提出了一种基于自适应模糊动态面的实用稳定控制方法。对于未知或时变函数,采用自适应模糊逼近,进而予以补偿。通过动态面控制避免了Backstepping设计带来的计算膨胀问题,简化了控制器的结构。所设计的控制器保证了闭环系统的实用稳定性。仿真结果验证了所提出控制器的有效性。

基于模糊神经网络的动态非线性系统辨识研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在5层静态模糊神经网络基础上进行了优化和改进,形成了可将暂态信息记忆于网络的动态回归层的动态模糊神经网络,来提高对动态系统的辨识能力。同时给出了参数的动态自适应学习算法。通过仿真实验,证明提出的动态模糊神经网络对动态非线性系统的辨识,可以取得较好的辨识精度,较快的网络收敛速度,为动态非线性系统的辨识提供新的思路。

动态模糊神经网络控制器在伺服系统中的应用

通过在 ANFIS的归一化层与输出层之间加入递归层 ,提出一种新型的动态模糊神经网络(DFNN) ,将模糊推理系统、神经网络和 型控制有机地结合起来。给出了 DFNN的网络结构 ,为基于收缩间距隶属函数和 BP算法提供了参数调整方法。系统实验表明 ,DFNN控制器比 PID+前馈控制具有更好的动、静态响应 ,尤其在前馈信号难以取得的情况下具有更明显的优势。

轮式移动机器人的双强化学习自适应模糊控制

针对包含执行器动力学模型的三阶不确定非完整轮式移动机器人系统,提出了一种基于反演设计和双强化学习自适应模糊系统的轨迹跟踪控制方法。该控制方法对运动学控制器采用分流控制技术,防止系统运行初期的速度跳变。对本体动力学和执行器动力学分别使用强化学习自适应模糊控制,优化补偿常规方法难以解决的系统未知参数和非参数不确定性,并利用鲁棒项来消除未知外部扰动和模糊控制逼近误差对系统的影响,提高了系统的控制性能。Lyapunov理论证明:控制系统是稳定且最终有界收敛的,仿真结果表明了该方法的有效性。