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
为设计和优化面粉输送设备,应用离散元法对面粉进行准确地工程建模和分析,需要对其接触参数进行必要的标定。该研究依据颗粒缩放理论,用“Hertz-Mindlin with Johnson-Kendall-Roberts”接触模型表征面粉颗粒间黏性的影响,提出了一种基...为设计和优化面粉输送设备,应用离散元法对面粉进行准确地工程建模和分析,需要对其接触参数进行必要的标定。该研究依据颗粒缩放理论,用“Hertz-Mindlin with Johnson-Kendall-Roberts”接触模型表征面粉颗粒间黏性的影响,提出了一种基于静/动态休止角的接触参数标定方法。运用正交试验方法,对接触参数的敏感性和方差分析,表明面粉颗粒间的滚动摩擦系数、面粉颗粒与不锈钢表面间的静摩擦系数、表面能对静态休止角的影响极显著(P<0.01),并且多组接触参数都可以模拟出与试验相同的静态休止角。进一步研究表明,面粉颗粒与不锈钢表面间的静摩擦系数的合理取值范围为0.2~0.4。通过2种填充率、4种转速下基于动态休止角的参数标定,将其中与试验最为吻合的一组参数作为标定结果,其值如下:面粉颗粒之间恢复系数为0.6、面粉颗粒之间静摩擦系数为0.2、面粉颗粒之间滚动摩擦系数为0.1、面粉颗粒与不锈钢容器表面之间恢复系数为0.6、面粉颗粒与不锈钢容器表面之间静摩擦系数为0.6、面粉颗粒与不锈钢容器表面之间滚动摩擦系数为0.5、表面能为0.12 J/m^(2)。使用该组参数对矩形容器中物料自由坍塌试验进行仿真,其结果与试验结果相符,验证了该标定方法的有效性。该研究提出的标定方法简单、易执行,对粉料输送设备的设计及优化具有一定的工程应用价值。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。
文摘为设计和优化面粉输送设备,应用离散元法对面粉进行准确地工程建模和分析,需要对其接触参数进行必要的标定。该研究依据颗粒缩放理论,用“Hertz-Mindlin with Johnson-Kendall-Roberts”接触模型表征面粉颗粒间黏性的影响,提出了一种基于静/动态休止角的接触参数标定方法。运用正交试验方法,对接触参数的敏感性和方差分析,表明面粉颗粒间的滚动摩擦系数、面粉颗粒与不锈钢表面间的静摩擦系数、表面能对静态休止角的影响极显著(P<0.01),并且多组接触参数都可以模拟出与试验相同的静态休止角。进一步研究表明,面粉颗粒与不锈钢表面间的静摩擦系数的合理取值范围为0.2~0.4。通过2种填充率、4种转速下基于动态休止角的参数标定,将其中与试验最为吻合的一组参数作为标定结果,其值如下:面粉颗粒之间恢复系数为0.6、面粉颗粒之间静摩擦系数为0.2、面粉颗粒之间滚动摩擦系数为0.1、面粉颗粒与不锈钢容器表面之间恢复系数为0.6、面粉颗粒与不锈钢容器表面之间静摩擦系数为0.6、面粉颗粒与不锈钢容器表面之间滚动摩擦系数为0.5、表面能为0.12 J/m^(2)。使用该组参数对矩形容器中物料自由坍塌试验进行仿真,其结果与试验结果相符,验证了该标定方法的有效性。该研究提出的标定方法简单、易执行,对粉料输送设备的设计及优化具有一定的工程应用价值。
