点云重构三角网格的生长型神经气算法

为克服点云噪声、不均匀分布和复杂拓扑结构对三角网格重构的限制,改进了生长型神经气重构算法.以样本在网格局部投影作为神经元插入判据,自适应调节网格增长速度,保持几何变换与拓扑变换的协调.利用非流形边检测机制删除冗余连接,保持网格的拓扑有效性.网络学习过程中动态更新三角片结构,且在孔洞修复阶段扩大近邻查找范围,连接近邻节点中的边界点,直到网格收敛,最终得到正确的欧拉示性数.算例表明,改进的算法对带噪声点云具有鲁棒性,可根据非均匀点云的分布自动调整网格密度,且能重构具有复杂拓扑结构的曲面.重构的三角网格对曲面逼近精度较高,网格出度均匀,三角形近似等边.

基于聚类与改进最小二乘法支持向量机算法的汽车总装输送装备故障预警方法

汽车总装工艺复杂、生产节拍快、产量大,百分之六十以上的时间都在进行主辅物料输送,因此输送装备由于故障引起的停机会造成巨大的经济损失。为了对生产物料输送装备的健康状态作出评估,并在可能发生故障时作出预警,提出一种基于生长型神经气聚类算法与改进最小二乘法支持向量机(LS-SVM)回归模型的汽车总装输送装备故障预警方法。首先根据传感器的历史信号数据进行特征提取和降维处理,获得特征向量;运用生长型神经气聚类算法,将正常状态数据划分为多种工况,得到若干聚类中心,并计算当前运行数据的特征向量与聚类中心的欧式距离从而得到相似度趋势;同时构建了历史记忆矩阵,并通过改进粒子群算法优化LS-SVM回归模型参数,计算残差值,并结合残差值与相似度趋势,得出风险系数,对装备状态进行评估和预警。将所提方法应用于汽车总装物料输送设备,将减速器与轴承的振动值的均方根输入模型,得出设备的风险因子,证明了该方法的有效性。

一类连续状态与动作空间下的加权Q学习

针对连续状态与动作空间下的控制问题,提出了一类连续状态与动作空间下的加权Q学习算法,应用改进的增长神经气算法动态构建径向基网络的隐含层,实现状态空间的自适应构建。在基于径向基网络实现的标准Q学习基础上,利用加权Q学习算法用以解决具有连续动作输出的控制问题。仿真实例验证了所提算法的有效性。