针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使...针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。展开更多
针对工业机器人在高度制造领域精度不高的问题,本文提出了一种基于POE模型的工业机器人运动学参数二次辨识方法。阐述了基于指数积(Product of exponential, POE)模型的运动学误差模型构建方法,并建立基于POE误差模型的适应度函数;为实...针对工业机器人在高度制造领域精度不高的问题,本文提出了一种基于POE模型的工业机器人运动学参数二次辨识方法。阐述了基于指数积(Product of exponential, POE)模型的运动学误差模型构建方法,并建立基于POE误差模型的适应度函数;为实现高精度的参数辨识,提出了一种二次辨识方法,先利用改进灰狼优化算法(Improved grey wolf optimizer, IGWO)实现运动学参数误差的粗辨识,初步将Staubli TX60型机器人的平均位置误差和平均姿态误差分别从(0.648 mm, 0.212°)降低为(0.457 mm, 0.166°);为进一步提高机器人的精度性能,再通过LM(Levenberg-Marquard)算法进行参数误差的精辨识,最终将Staubli TX60型机器人平均位置误差和平均姿态误差进一步降低为(0.237 mm, 0.063°),机器人平均位置误差和平均姿态误差分别降低63.4%和70.2%。为了验证上述二次辨识方法的稳定性,随机选取5组辨识数据集和验证数据集进行POE误差模型的参数误差辨识,结果表明提出的二次辨识方法能够稳定、精确地辨识工业机器人运动学参数误差。展开更多
为能准确建立潮湿甘蔗复合肥的离散元模型,合理设置仿真参数,提高肥料颗粒动力学仿真结果的准确性,以休止角为响应值,对不同含水率的甘蔗复合肥进行试验研究。通过卸料仓法建立含水率与休止角的三元回归方程,决定系数为0.99;基于Hertz-M...为能准确建立潮湿甘蔗复合肥的离散元模型,合理设置仿真参数,提高肥料颗粒动力学仿真结果的准确性,以休止角为响应值,对不同含水率的甘蔗复合肥进行试验研究。通过卸料仓法建立含水率与休止角的三元回归方程,决定系数为0.99;基于Hertz-Mindlin with JKR粘结模型,通过Plackett-Burman试验、爬坡试验和Box-Behnken试验从9个初始参数筛选出JKR表面能、甘蔗复合肥剪切模量、甘蔗复合肥与不锈钢静摩擦系数、甘蔗复合肥间静摩擦系数、甘蔗复合肥间恢复系数5项显著性参数,并建立休止角—离散元参数模型,模型P值小于0.01,变异系数为6.35%;最后,通过对不同含水率下的最佳参数组合进行仿真休止角试验,仿真结果与物理休止角试验的相对误差小于7.66%,验证不同含水率的甘蔗复合肥参数标定结果和研究方法是合理可靠的。研究结果可为基于离散元法的甘蔗施肥机械动力学仿真研究提供参考。展开更多
文摘针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。
文摘针对工业机器人在高度制造领域精度不高的问题,本文提出了一种基于POE模型的工业机器人运动学参数二次辨识方法。阐述了基于指数积(Product of exponential, POE)模型的运动学误差模型构建方法,并建立基于POE误差模型的适应度函数;为实现高精度的参数辨识,提出了一种二次辨识方法,先利用改进灰狼优化算法(Improved grey wolf optimizer, IGWO)实现运动学参数误差的粗辨识,初步将Staubli TX60型机器人的平均位置误差和平均姿态误差分别从(0.648 mm, 0.212°)降低为(0.457 mm, 0.166°);为进一步提高机器人的精度性能,再通过LM(Levenberg-Marquard)算法进行参数误差的精辨识,最终将Staubli TX60型机器人平均位置误差和平均姿态误差进一步降低为(0.237 mm, 0.063°),机器人平均位置误差和平均姿态误差分别降低63.4%和70.2%。为了验证上述二次辨识方法的稳定性,随机选取5组辨识数据集和验证数据集进行POE误差模型的参数误差辨识,结果表明提出的二次辨识方法能够稳定、精确地辨识工业机器人运动学参数误差。
文摘为能准确建立潮湿甘蔗复合肥的离散元模型,合理设置仿真参数,提高肥料颗粒动力学仿真结果的准确性,以休止角为响应值,对不同含水率的甘蔗复合肥进行试验研究。通过卸料仓法建立含水率与休止角的三元回归方程,决定系数为0.99;基于Hertz-Mindlin with JKR粘结模型,通过Plackett-Burman试验、爬坡试验和Box-Behnken试验从9个初始参数筛选出JKR表面能、甘蔗复合肥剪切模量、甘蔗复合肥与不锈钢静摩擦系数、甘蔗复合肥间静摩擦系数、甘蔗复合肥间恢复系数5项显著性参数,并建立休止角—离散元参数模型,模型P值小于0.01,变异系数为6.35%;最后,通过对不同含水率下的最佳参数组合进行仿真休止角试验,仿真结果与物理休止角试验的相对误差小于7.66%,验证不同含水率的甘蔗复合肥参数标定结果和研究方法是合理可靠的。研究结果可为基于离散元法的甘蔗施肥机械动力学仿真研究提供参考。
