一种构建灰色预测模型的新算法

针对传统的GM(1,1)建模方法,对于历史数据采取等权处理的局限性,提出了GM(1,1)建模的新算法,不同的历史数据在预测值中具有不同的权重,并且解决了确定权值的学习算法。仿真结果表明了该算法的有效性。

一种前馈神经网络算法

神经网络由于其非线性处理能力强,性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号 处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习 算法中影响最大的就是误差反向传播算法(back-propagation简称BP算法)。BP算法存在局部极小点,收敛速度慢等缺点。 基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S(W)不能忽略 时的Hesse矩阵的近似计算,进而训练网络。

直接驱动机器人的函数链神经网络-PD复合控制

为了实现直接驱动机器人精密控制,研究了直接驱动机器人的函数链神经网络-PD(FLNN-PD)控制问题。首先,对机器人动力学模型及FLNN的函数逼近特性进行分析;然后为机器人构建双闭环控制系统,推导出系统的误差动力学方程及不确定性动力学函数;引入FLNN逼近不确定性函数并为系统规划出FLNN-PD控制律;最后进行了仿真控制实验。结果显示,该控制器可使系统转角误差和角速度误差控制在±0.002rad和±0.1rad/s之内,且其对系统的参数变化及外部扰动具有较强的自适应性和鲁棒性。