应用鲸鱼智能优化算法的钻锚机器人控制定位

为了解决钻锚机器人控制定位误差大的问题,提出了应用鲸鱼智能优化的钻锚机器人精确控制定位方法。根据钻锚机器人的运动结构,对各个关节运动范围标定,建立钻锚机器人运动数学模型。分析钻锚机器人前移控制和后移控制误差产生原因,计算前移控制和后移控制的距离差值。基于分数阶微积分控制器控制定位误差,利用鲸鱼智能优化方法寻找最佳控制参数,搜索个体和最优解向量,通过空间维度映射迭代优化获得最优控制定位结果,实现精准控制定位。测试结果证明所提方法能够保证钻锚机器人控制误差迭代速度较快,误差较小,可以进一步提升钻锚和挖掘精度。

一种基于Beta分布的风电功率预测误差最小概率区间的模型和算法

针对用正态分布计算风电功率预测误差区间时出现的问题,提出一种基于Beta分布的风电功率预测误差区间的估计方法。该方法根据发电调度对系统备用容量安全性和经济性的要求,建立一个能够计算任意概率水平、Beta分布最小概率区间的优化模型,通过引入Beta分布函数的反函数形式,把等式约束的优化问题简化成一个无约束的优化问题,并根据Beta分布特点给出了一个快速的算法。仿真结果证明了所提模型、算法的正确性,和Beta分布的合理性。

基于CAD模型引导测量的自由曲面定位及轮廓度误差评定

提出将粒子群优化算法与拟随机序列法相结合对基于CAD模型引导测量的自由曲面进行高精度检测和轮廓度误差评定的方法。为解决用三坐标测量仪检测自由曲面时存在的设计坐标系与测量坐标系不重合问题,提出用拟粒子群优化算法来实现被测曲面与设计曲面精确定位;针对自由曲面特点,采用轮廓峰谷误差和轮廓均方根误差综合评定自由曲面的形状误差。最后,阐述了用拟粒子群优化算法实现曲面匹配时目标函数值的计算方法,确立了用拟粒子群优化算法优化求解参数向量的具体步骤。对仿真实例和大量实测零件自由曲面轮廓度误差的计算表明:采用本文方法能够实现自由曲面精确定位,其轮廓度误差评定精度比由三坐标测量仪内置软件计算的结果高8%～15%,适用于对高精度自由曲面零件形状误差的评定。

基于支持向量回归模型的机器人误差补偿算法

较低的定位精度已然成为了工业机器人在高精度作业领域推广应用的重要阻碍之一。对机器人定位误差的补偿是解决此类问题的首要途径。本文通过研究支持向量回归模型,提出了基于支持向量回归模型的机器人误差补偿方法。同时,在模型训练过程中,采用粒子群算法对每一轮迭代中的参数进行适应度评估,从而优化了模型参数。最后根据本文所提出的预测方法进行了相关实验。实验结果表明,根据该方法所进行的机器人定位误差补偿,能够有效降低机器人定位误差,且该方法还具有快速性、便捷性等优势。

角向尺寸定位误差数学建模分析与优化

目前许多文献对线性尺寸定位误差的计算方法进行了研究 ,并对典型夹具定位方案建立了相应的计算分析模型。但对定位误差通用计算模型的研究涉及甚少 ,而对角向尺寸定位误差通用建模的研究则更少。本文建立了计算角向尺寸定位误差的通用数学模型 ,并提出了面向角向尺寸的夹具定位方案稳健优化设计方法。文中给出的应用实例详细说明了定位方案的优化设计过程 ,同时比较了稳健优化设计与常规经验设计方法的设计结果。结论表明 :采用稳健设计方法可以有效而稳定地保证工件的加工精度。

基于扩散模型和粒子群优化的无线网节点定位

节点定位是无线网应用的重要基础,针对传统定位方法容易忽略节点测距误差,导致定位效果不佳的问题,提出基于扩散模型和粒子群优化的无线网节点定位方法。将节点设定为信息扩散的种子节点,利用链接在信息扩散时的表现评价链接的重要程度,获取无线网关键节点,并提取无线网关键节点的特征。以特征信息为基础,采用极大似然估计方法计算网络中候选节点的估计值大小,选取最大估计值进行节点定位描述,实现节点的初步定位。引入粒子群优化算法对节点测距误差进行修正,构建目标函数完成无线网节点优化定位。实验结果表明,所提方法在不同密度、节点数量和占参考节点比例条件下,定位误差和方差均低于其他方法,且召回率始终在95%以上,平均耗时仅为13.8 s,显著优于其他方法。

最小概率DWO带宽选择及激光陀螺温度误差模型辨识

在原有研究的基础上,针对实验数据观测点疏密分布均匀或不均匀的工程实际情况,分别运用全局准则和局部准则,研究最小概率DWO非线性辨识方法中的带宽选择关键问题,提出了校正AIC准则和LCV准则两种不同的带宽选择方法,并将这些方法应用于四频差动激光陀螺的温度误差模型辨识中,比较和验证了这些方法的正确性和适应性。研究结果表明:①对于"分布均匀"的情况,宜采用校正AIC准则;②对于"分布不均匀"的情况,宜采用LCV准则;③形成了自动带宽选择算法。总之,这些方法为解决"带宽选择"问题提供了有效途径,从而进一步提高了最小概率DWO方法的工程应用价值。

用网络分离法优化评定空间任意方向直线度误差的数学模型

本文应用“最小二乘法”的理论 ,以网络分离法优化按最小条件评定空间任意方向直线度误差的数学模型 ,为确定作为评定基准的理想轴线的位置提供了一种优化的依据 。

动态性状功能定位模型的优化(英文)

功能定位的实质是将动态性状变化过程的基本规律镶嵌在QTL定位框架内。拟合与时间相关的QTL基因型的期望均值向量和剩余误差的协方差矩阵是动态性状功能定位的核心内容。根据QTL的统计检测效率,通过比较关于QTL基因型的期望均值向量和剩余误差的协方差矩阵的子模型的不同组合,来筛选优化的功能定位模型。以水稻一个DH群体的叶龄性状为例,我们分别用3个具有生物学意义的子模型和2阶Legendre多项式去拟合QTL基因型的均方向量,用13个平稳和非平稳模型去描述剩余协方差的变化。其结果GM2和“衰减”指数模型组合被确定为用来检测水稻第3个连锁群控制叶龄动态变化QTL的优化模型。

“最小条件”平面度误差的最优化评定方法

简述了“最小条件”平面度误差的数字模型,采用了无约束二维最优化理论,对平面度误差进行计算,其结果满足“最小条件”。

基于方差分量估计的视觉定位方法

针对视觉导航中存在成像特征点的非均匀误差会影响位姿计算准确度的问题,提出一种基于方差-协方差分量估计的视觉定位方法。首先,从理论角度出发分析相机测量过程中随机误差存在形式及影响因素;其次,向双目相机视觉及视觉/惯性融合模型添加随机模型优化模块,构建非线性优化系统;最后,使用KITTI数据集、EuRoC数据集进行测试,对数据进行基于划分的聚类处理,验证得到该方法能够更加有效精准地估计飞行目标的位姿信息,对随机误差具有良好的优化效果。

三角形定位算法的误差分析

为了研究三角形内定位误差,首先对三角形定位进行建模;其次在对该模型分析证明的基础上得出三角形内最小定位误差出现的条件;最后基于该条件抽象出了三角形内定位误差的变化规律,并通过实际测试验证该规律的正确性.得出的结论均来自于推导计算,为定位算法研究提供了有力理论依据与支持.

平面度误差最小区域评定结果不确定度估计

在平面度误差的实际测量中,给出测量结果时往往不给测量结果的不确定度。按照国际标准化组织发布的《测量不确定度表示指南》(简称GUM)的要求,根据平面度误差最小区域评定的几何判别准则,推导了有关的不确定度传递公式。分别用蒙特卡罗方法及本文推导的公式对实际的测量结果进行了不确定度估计,实验结果表明,推导出的公式计算的不确定度要比用蒙特卡罗方法估计的效果要好。

镗床夹具定位元件优化设计

通过对六点定位原理的数学建模,分析了镗床夹具定位误差的来源,提出了镗床夹具定位元件设计的优化目标,并对机架类零件镗孔时的定位元件进行了优化设计。

基于模型的立体视觉的优化方法

针对 3D视觉检测中最典型的误差源图像中像素的量化误差 ,在已知模型的条件下 ,对双目立体视觉提出一种模型。利用该优化模型及改进的约束最小二乘法对未知模型的立体视觉解法做一些改进 ,可以明显减小系统的误差。仿真结果表明 ,与未知模型的立体视觉方法相比 ,在同样的量化误差条件下 ,该方法可将系统误差减小 50 %以上。

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法。BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化。为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能。试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目。实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m。

基于PSO优化的直接灰色模型在年用电量预测中的应用

将直接灰色预测模型引入城市电网年用电量预测中,避开了灰微分方程参数辨识时选取的背景值问题,以模型的还原值与实际值的平均相对误差最小化为优化目标,设计了求解该模型的粒子群优化算法,并与多种预测方法比较。结果表明,该方法合理、有效,预测精度较高。

基于正弦变换和背景值优化的灰色GM(1,1)模型研究

对传统GM(1,1)模型进行误差分析,基于正弦变换和误差最小化原理对初始条件和背景值进行改进,建立了优化GM(1,1)模型。为了比较与传统GM(1,1)模型的优劣,选取2005—2015年我国水产品总产量数据,基于传统GM(1,1)模型和优化GM(1,1)模型分别对水产品总产量进行预测。实证研究表明:优化GM(1,1)模型在预测相对误差方面有明显改善,极大地提高了灰色模型的预测精度。

带结构风险最小化的最优区间回归模型辨识

针对来自模型结构、参数以及测量数据的不确定性等因素,传统的辨识方法获取的是确定性数学模型的点输出,其鲁棒性差,易受外界干扰.因此,采用区间输出比点输出更易于实际问题的研究.基于复杂系统的不确定性测量数据以及系统参数的不确定性,提出了最优区间回归模型辨识的一种新方法,该方法将逼近误差的L∞范数思想与结构风险最小化理论相结合,建立求解区间模型的最优化问题,应用线性规划独立求解区间模型的上界和下界模型.该方法在保证模型辨识精度的同时,其泛化性能得到进一步提高.实验分析表明,提出的方法对来自噪声以及参数不确定性的数据,可以从区间模型的辨识精度和泛化性能之间取其平衡.

基于改进粒子群算法在WSN节点定位中的研究

针对无线传感网中的节点定位问题,采用RSSI测距技术测量未知节点与信标节点间的距离,并采用粒子群算法进行优化。针对粒子群算法的不足,首先通过改进粒子群算法中的惯性权重和学习因子来提高算法的性能,并引入自适应罚函数解决粒子收敛过快的问题;其次采用计算测量距离误差修正和定位约束模型来优化节点定位的效果。通过仿真实验将所提定位算法与其他算法进行比较,结果表明所提算法在算法的收敛性能和定位精度上取得了比较好的效果,改善了节点的定位效果。