基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

输入饱和约束下自适应RBF神经网络非线性反馈船舶航向控制

针对输入饱和约束下外界扰动和模型不确定情况下的船舶航向跟踪控制问题,提出一种自适应径向基函数(radial basis function,RBF)神经网络非线性反馈航向跟踪控制方法。利用自适应RBF神经网络对外界扰动和模型不确定项进行估计,并利用最小学习参数法减少计算量;将一个具有误差增益反相关特征的非线性函数嵌入控制律中,设计一种非线性反馈控制方法;利用李雅普诺夫理论证明所有信号在考虑外界扰动和模型不确定的船舶航向跟踪控制系统中都是一致有界的。通过仿真和比较,验证了所设计控制方法的有效性。所做研究可为输入饱和约束下船舶航向跟踪控制提供参考,具有工程实际意义。

基于实时反馈强化学习神经网络的船舶艏摇智能控制研究

文章提出了一种基于实时反馈强化学习神经网络控制的船舶艏摇智能控制方法。该方法将神经网络的非线性建模和强化学习的自适应控制技术相结合,能够实现对船舶航行过程中舵角的精确控制。并将PID控制算法、模型预测控制算法和实时反馈强化学习神经网络控制算法进行对比分析,仿真实验结果表明,后者在控制效果和稳定性方面均优于前两种方法,能够有效地提高船舶航行过程中舵角的控制精度和鲁棒性。

一个基于相关反馈的神经网络音乐情感分类器构建算法

目的构造音乐情感分类器,为计算机理解情感提供途径。方法首先分析现有音乐情感模型,然后提取音乐情感特征并采用神经网络构造音乐情感分类器,最后采用相关反馈对分类结果进行标注并进一步训练分类器,直至训练样本的错误分类率在一定误差范围内。结果对测试样本进行情感分类,达到了最高89%的分类准确率,实现了音乐情感分类器的构建和音乐片断的情感标注。结论研究成果是音乐情感检索的基础工作,也可用于其他音频的情感识别和分类。

BTT导弹的神经网络自适应反馈线性化控制

提出基于反馈线性化理论的BTT导弹自动驾驶仪设计方法。并提出由俯仰过载命令产生攻角命令的方法。应用CMAC神经网络构成一种自适应反馈线性化方案,使具有不确定性的实际系统获得要求的跟踪性能。闭环系统的稳定性由李雅普诺夫稳定性理论得到保证。该方法适合于控制导弹作全空域飞行。

模糊CMAC神经网络用于MIMO非线性系统的反馈线性化

针对一类多输入多输出(MIMO)连续时间非线性系统,应用模糊CMAC神经网络,给出一种状态反馈控制器,用于使状态反馈可线性化的未知的非线性动态系统获得要求的跟踪性能.在很弱的假设条件下,应用李雅普诺夫稳定性理论严格地证明了闭环系统内的所有信号为一致最终有界(UUB).

基于反馈机制的卷积神经网络绝缘子状态检测方法

绝缘子是输电线路上的重要设备,其运行状况直接影响到电网的安全运行,因此对绝缘子状态自动、准确地检测是十分重要且必要的。针对已有检测模型处理不同样本时采用固定特征空间的不足及现有绝缘子检测算法特征提取复杂的缺陷,模仿人类由简到细反复推敲比对的认知过程,探索一种基于反馈机制的卷积神经网络绝缘子状态检测方法。首先,针对绝缘子样本的特点,改进LeNet_5网络结构,引入随机配置网络分类器,添加反馈机制调节卷积核的大小和个数,采用交替优化的策略以优化卷积神经网络的参数。其次,基于熵理论,建立语义误差信息熵测度评价指标,实时评价绝缘子不确定检测结果,克服状态后验评测的缺陷。最后,依据语义误差信息熵测度指标评价结果,通过构建的反馈机制调节卷积核的大小和个数细化提取特征,从而实现由简到细反复推敲比对优化检测结果。实验结果表明,改进型卷积神经网络模型在绝缘子状态检测上具有较高的检测正确率。

反馈神经网络进展

对反馈神经网络的发展进行综述 。

多层反馈神经网络的FP学习和综合算法

本文给出多层反馈神经网络的ＦＰ学习和综合算法，并讨论此类网络的性质，指出将它应用于聚类分析能给出不粒度的聚类，且具有收敛速度快（是样本个数的线性函数）、算法计算量少（是样本个数和输入、输出维数的双线性函数）、网络元件个数少、权系数简单（只取３个值）、网络容易硬件实现等优点．

一类不确定非线性MIMO系统的神经网络输出反馈跟踪控制

针对一类具有外部干扰的不确定仿射非线性MIMO系统提出了一种神经网络输出反馈跟踪控制方法.在仅输出可测的情况下,控制律和神经网络权值更新律中仅用到输出误差,无需设计状态观测器或加入低通滤波器使得估计误差动态满足严格正实条件.为抑制外部干扰和子系统间的交叉耦合及神经网络逼近误差,在控制律中加入鲁棒控制项.基于Lyapunov稳定性定理证明了系统的稳定性及信号的有界性.仿真例子证实了所提方法的可行性.

基于神经网络的机械臂自适应输出反馈控制设计

研究了机械臂的位置跟踪问题,提出了基于神经网络的自适应输出反馈控制方法.该方法无需系统精确的数学模型,适用于具有非线性不确定性和外界干扰的机械臂控制系统.设计的控制器由三部分组成:基于动态补偿器的输出反馈控制项、神经网络自适应控制项和鲁棒控制项.神经网络的权值自适应学习率由Lyapunov稳定性理论得出.仿真结果表明设计的控制器能驱动机械臂精确跟踪期望的位置,验证了该控制方法的有效性.

基于反馈型神经网络的光伏系统发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了反馈型神经网络光伏系统发电功率预测模型。该模型采用Elman神经网络结构,利用其强大计算能力、映射能力和稳定性,将光伏发电的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测。仿真结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径。

一种通过反馈提高神经网络学习性能的新算法

为了有效提高前向神经网络的学习性能 ,需要从一个新的角度考虑神经网络的学习训练 基于此 ,提出了一种基于结果反馈的新算法———FBBP算法 将神经网络输入调整与通常的权值调整的反向传播算法结合起来 ,通过调整权值和输入矢量值的双重作用来最小化神经网络的误差函数 并通过几个函数逼近和模式分类问题的实例仿真 ,将FBBP算法与加动量项BP算法、最新的一种加快收敛的权值更新的算法进行了比较 ,来验证所提出的算法的有效性 实验结果表明 ,所提出的算法具有训练速度快和泛化能力高的双重优点 。

利用神经网络的反馈分析方法及其在地下厂房中的应用

将反馈分析问题归结为约束最优化问题,采取最为直接的正演反分析的求解方案,即对结构进行正向数值分析以实现约束条件,利用人工神经网络进行参数反演以满足目标函数,从而建立基于神经网络的反馈分析方法,并给出详细实现步骤。该方法分析过程简单,通用性强。以溪洛渡水电站左岸地下厂房洞室群开挖过程的反馈分析为例,根据工程施工期位移监测资料,以三维连续介质快速Lagrange分析程序FLAC3D作为数值分析软件,建立神经网络数值反馈分析系统。围岩位移反馈分析成果与实测数据吻合,后期开挖的围岩变形、应力以及支护结构受力等的预测成果合理,这可作为溪洛渡厂房洞室群的围岩稳定性评价的可靠基础,也证明该方法是解决大型复杂工程监测反馈分析问题的有效途径,可能得到进一步的推广和应用。

带反馈输入BP神经网络的应用研究

为了有效解决具有非线性特征的水文预报精准度的问题,通过对反向传播BP神经网络的学习和研究,分析了变量间的相互信息,提出了系统间相关信息熵的概念,并建立了适合水文预测的自迭代反向传播神经网络模型。该模型通过对迭代因子的及时修正,在反向传播中不断调整网络的权值和阈值,从而在很大程度上改善了传统BP算法所带来的不足,提高了预测的精度。实际的应用研究表明,自迭代反向传播模型的预测效果优于传统预测模型。

基于反馈神经网络的电压暂降特征量实时检测方法

动态电压恢复器(DVR)主要用于补偿电压暂降,而实现电压暂降特征量快速、准确地检测是电压暂降补偿的前提。本文提出了一种基于反馈型神经网络的电压暂降快速、实时检测方法,探讨了该方法的建模问题和仿真技术。该方法利用反馈神经网络实现了在误差最小条件下的电压暂降检测,检测精度高、响应速度快、实时性好,为实现快速、准确电压暂降检测提供了一种新方法。仿真结果证明了该方法的有效性和优良性能。

无刷直流电机免疫反馈自适应学习人工神经网络控制

针对BP神经网络收敛速度较慢、学习时间较长的缺陷,提出了基于免疫反馈规则的神经网络控制器用于无刷直流电机的转速控制中.该规则根据免疫系统中的T细胞的生物免疫反馈机理而总结出来,包括决定应答速度的激活环节和决定稳定效果的抑制环节.将免疫反馈规则应用于BP神经网络训练中学习速率的自适应调节,加快了神经网络的收敛速度,缩短了学习时间.无刷直流电机控制系统采用双闭环控制,内环为电流环,外环为速度环.MATLAB仿真和实验表明,采用该方法的系统超调量小、速度响应快,而且速度响应受电机参数变化影响小,各种外界干扰也得到了很好的抑制,具有较高的控制精度和较好的动、静态性能.

基于神经网络的自主水下机器人动态反馈控制

针对自主水下机器人数学模型的强非线性及所受海流干扰无法确定等特点,设计了基于神经网络补偿器的动态反馈控制算法。通过对自主水下机器人系统数学模型研究,将系统分解为近似线性部分与非线性不确定部分。通过动态反馈控制实现对分解出的近似线性部分进行初步控制,利用神经网络所具有的自适应控制实现对不确定模型与干扰项进行补偿控制,提高自主水下机器人运动控制的鲁棒性。通过Lyapunov稳定判据证明了此控制算法的收敛性,通过Matlab数字仿真平台验证了此算法的抗干扰能力,在自主水下机器人半物理仿真平台上分别采用所提出的控制算法与PID控制算法对自主水下机器人系统定深运动进行了控制。研究结果表明所提出的算法具有更好的动态性能与强鲁棒性。

一种用于动态化工过程建模的反馈神经网络新结构

提出了一种新的用于非线性动态化工过程的状态集成反馈神经网络结构 (SIRNN) ,并将静态BP网络的训练算法引入到该网络的训练中 .状态反馈、时间序列延迟与集成节点的概念结合在SIRNN结构中 ,使得在用SIRNN建模过程中既可以考虑系统过去更多时刻的状态信息又可以相对降低网络的复杂程度 ,使得网络结构更趋于合理 .将SIRNN对一单输入单输出二阶非线性动态系统建模 ,并与其他反馈神经网络建模效果进行了比较 ,同时对该网络结构进行了抗干扰性检验 ,并对其在多输入单输出系统的应用中进行了尝试 ,结果表明SIRNN结构对非线性动态系统建模具有快速。

随机非线性严格反馈系统的自适应神经网络输出反馈镇定

针对具有严格反馈形式的随机非线性系统,首次引入神经网络控制技术,设计了适当形式的随机控制Lyapunov函数,并运用反推(Backstepping)技术和非线性观测器设计技术,构造出一类自适应神经网络输出反馈控制器.在一定条件下,证明了闭环系统平衡点依概率稳定.仿真算例验证了所给控制方案的有效性.