基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

基于权重自适应更新径向基函数神经网络的水下游动机械臂镇定控制

水下游动机械臂(underwater swimming manipulator,USM)是一种由水下蛇形机器人和矢量推进器组成的新型水下机器人。USM系统具有高度非线性、强耦合以及不确定性等特点,其动力学模型难以精确建立。因此,实现USM的高精度镇定控制存在挑战。针对这一问题,本文基于反馈线性化和自适应径向基函数神经网络(radial basis function neural network,RBFNN),设计了一种动力学控制方案以实现USM的镇定控制。首先,介绍了USM平台结构,基于Lagrange方程给出了USM的动力学模型,并推导了USM的矢量推力系统模型。然后,设计了基于反馈线性化和RBFNN的动力学控制器,并通过反步法自适应更新RBFNN的权重。其中,权重自适应更新RBFNN用于实时估计系统未建模部分、参数误差以及外部扰动,从而对动力学控制器进行补偿。此外,为了将动力学控制器提供的广义力和力矩转换成各个执行器的控制输入,给出了推力分配策略。最后,进行了湖泊实验,分别对USM的I构型和C构型镇定控制,文章所提出的控制方案在两种构型下的稳态误差均小于0.08 m和10°,验证了所提出的USM六自由度镇定控制器的有效性。

涡轴发动机非线性模型预测控制

对涡轴发动机进行了非线性模型预测控制(NMPC)研究,设计了非线性模型预测,该控制器主要包括3个方面:预测模型、滚动优化和反馈校正。利用神经元网络模型预测涡轴发动机动态响应过程,得到预测模型;运用序列二次规划(SQP)优化算法进行发动机的在线滚动优化,得到发动机的燃油控制量;根据神经元网络模型与实际发动机对象的输出误差,对控制器的指令信号进行了反馈校正。最后进行了仿真实验,与常规串级PID控制相比较,非线性模型预测控制器的超调量从2.2%降低到0.8%,响应时间从6 s降低到2 s,具有很好的控制品质。

基于多神经网络的污水氨氮预测模型

针对污水生化处理过程的非线性、大滞后等特点,建立了一种基于多神经网络的出水水质预测模型.通过减聚类方法将输入空间划分为一些小的局部空间,在每个局部空间中用神经网络建立子模型;各个子模型的预测输出通过主元递归(PCR)方法连接以解决子模型相互之间的严重相关问题,从而提高了模型的精度和鲁棒性;同时,应用改进目标函数以提高对偏高值的建模精度,采用加权反馈校正以提高模型的泛化能力.将该方法应用于某污水处理厂出水氨氮指标的预测,结果验证了模型的有效性.

航空发动机模型参考自适应控制

针对航空发动机数学模型的复杂、多变,建立了以Elman反馈神经网络为基础的模型参考自适应控制系统。为提高控制系统的响应性能,神经网络控制器和辨识器同时采用动态Elman网络,利用动态反向传播(DBP)算法实现参数的在线调整和辨识,并利用李雅普诺夫函数对算法的收敛性进行了证明。采用某涡喷发动机的地面模型和高空模型作为控制对象进行了大量的仿真研究;结果表明:此控制系统具有自适应能力强、响应速度快、稳态误差小等优点;理论分析与仿真结果一致,证明算法和结果是正确有效的,对复杂动态系统控制具有参考价值。

基于反馈神经网络的电压暂降特征量实时检测方法

动态电压恢复器(DVR)主要用于补偿电压暂降,而实现电压暂降特征量快速、准确地检测是电压暂降补偿的前提。本文提出了一种基于反馈型神经网络的电压暂降快速、实时检测方法,探讨了该方法的建模问题和仿真技术。该方法利用反馈神经网络实现了在误差最小条件下的电压暂降检测,检测精度高、响应速度快、实时性好,为实现快速、准确电压暂降检测提供了一种新方法。仿真结果证明了该方法的有效性和优良性能。

基于评价主体多元化理念和卷积神经网络的线上教学质量评价方法

受政策因素和技术环境影响,线上教学已成常态化。为改进已有线上教学质量评价体系的不足,提升线上教学质量,文中以高校线上教学为研究对象,利用人工智能技术提出一种线上教学质量评价方法。首先,基于科学的教学评价理念和原则,充分考虑已有的评价指标和线上教学特点,建立包含多元化评价主体的评价指标体系;然后,利用随机森林方法对评价指标进行重要性评估,达到数据降维和教学反馈的目的;再采用卷积神经网络构建以学生评价、教师自评、同行评价、平台数据为输入,以专家评结果为输出的评价模型;最后,将所提出的线上教学质量评价体系和模型应用于教学实践。实践结果表明,所提方法能够有效评价高校线上教学质量并降低评价成本,具有较高的准确性和应用价值。

高速列车速度跟踪神经网络PID控制器的设计

高速列车速度跟踪控制系统是一个复杂的非线性系统,难以取得高精度的跟踪性能。为了减少速度跟踪误差,设计了高速列车神经网络PID控制器。首先建立了描述列车运行过程的单位移多质点模型,该模型考虑了列车的基本阻力和附加阻力以及车厢之间的相互作用力。然后阐述了BP神经网络PID控制,并设计了列车速度跟踪控制器,根据速度误差用神经网络PID控制决定牵引力和制动力。最后与模糊控制和常规PID控制进行了仿真对比,结果表明,神经网络PID控制具有很小的速度跟踪误差和优越的速度跟踪性能,可以满足列车正点运行的需求。

基于改进组合神经网络的水资源预测研究

我国作为水资源大国,在日益加速的城镇化进程中正面临人口膨胀、环境污染、水质变差等一系列重大的挑战,而科学合理地对水资源需求进行预测成为保护环境、保持可持续发展的关键任务。首先将神经网络应用于水资源需求预测问题背景并比较其算法,同时引入模糊反馈法来改进熵值法以确定组合模型的加权系数,建立组合神经网络预测模型。该算法不仅可以根据历史数据自动推演今后水资源需求的变化趋势,还引入反馈和演化机制,用户可以调整求解精度以控制算法的收敛速度。实验表明,在数据精度不高以及水文数据不全等不利应用背景中,提出的基于组合模型的神经网络在水资源预测中具有较好的性能。

基于神经网络的注塑机注射速度的迭代学习控制

对具有不确定性和干扰项的重复非线性注塑机控制系统,尤其是注射速度的控制,提出基于神经网络的迭代学习控制器,其中迭代学习控制器设计为神经网络控制器,它以前馈方式作用于对象。PD反馈控制器用于使系统达到稳定,同时和前馈的神经网络学习控制器一起使系统达到理想的控制效果。仿真结果表明,该控制器可以随着迭代次数的增加有效减小跟踪误差。

基于深度神经网络的嵌入式向量及话题模型

在对文档集合进行话题分析的过程中,为描述文档中单词间的依赖关系,提高话题分析的效果,提出一种基于反馈递归神经网络的嵌入式向量生成及话题模型。在将单词表示为One-hot向量后,采用递归神经网络将文档嵌入在低维的向量空间。在文档的嵌入式向量计算过程中,采用LSTM(long short-term memory)描述单词间的前向依赖关系,提出一种反馈神经网络用于描述单词间的后向依赖关系。在话题分析模型中,采用原文档和变异文档对作为正样本,采用原文档和随机文档对作为负样本进行模型的训练。实验结果表明,该方法时间和空间复杂度低,具有更好的话题分析效果。

具时滞回归神经反馈模型的稳定性及分支分析

对一类具有时滞的神经反馈模型,利用超越函数的零点分布定理和规范型理论,研究系统平衡点的稳定性和局部Hopf分支的存在性,得到了确定分支方向及分支周期解稳定性的计算公式,并给出了Hopf分支全局存在性的数值结果.数值模拟实验验证了理论结果.

具时滞神经反馈模型的动力学性质

以滞量τ为分支参数,研究了具有时滞项的神经反馈模型的动力学行为,这些行为包括:系统在平衡点附近的稳定性、局部Hopf分支的存在性、发生条件、Hopf分支的方向、分支周期解的稳定性以及分支随参数变化其周期解的周期变化.最后通过数值模拟验证了理论分析结果,给出了Hopf分支全局存在性的数值结果.

具时滞神经反馈模型的Hopf分支

研究了一类具时滞神经反馈模型的动力学性质.利用超越函数的零点分布定理和规范型理论,讨论了系统平衡点的稳定性和局部Hopf分支的存在性,给出了确定分支方向及分支周期解稳定性的计算公式.在此基础上,证明了全局Hopf分支的存在性,最后给出了一个数值仿真的例子,仿真结果表明,分支周期解的存在性可以由局部延拓至全局,从而验证了理论结果的正确性.

基于Elman神经网络的面板堆石坝沉降预测模型

分析了某面板堆石坝运行初期坝体的监测资料,选择水压分量与时效分量为影响因子构建逐步回归分析模型,应用反馈神经网络理论建立Elman神经网络模型,并与逐步回归模型预测精度做了对比分析。结果表明,Elman神经网络模型预测精度高、可靠,有助于分析大坝的安全性态。

电液伺服加载的神经网络内部反馈控制

针对电液伺服加载系统多余力问题,提出了一种反馈加载系统内部力差信号减少多余力的控制方法。为了消除液压非线性及参数变化等影响,进一步提出基于神经网络内部参考模型调节方法。该参考模型为无舵机扰动时的液压油缸负载压力方程,在加载过程中,将油缸的负载压力与参考模型输出比较,利用神经网络自适应调节能力,消除加载中舵机运动的速度和加速度干扰,同时也克服液压系统非线性,时变参数和扰动的影响,该方法有较好的适用性。

基于AVQ聚类和OIF-Elman神经网络的机床热误差建模

针对数控机床热误差补偿技术中温度布点选取的问题,提出了基于前馈神经网络的自适应矢量量化(AVQ)网络聚类的方法,将AVQ网络聚类法应用于一台加工中心并将18个测点减少到3个,基于输出-输入反馈Elman(OIF-Elman)神经网络模型建立了机床热误差与关键测点温度之间的关系.结果表明,采用基于AVQ网络聚类法和OIF-Elman神经网络预测模型,能够降低机床温度测点之间耦合作用的影响,提高热误差建模的准确性与鲁棒性.

多层前向神经网络建模及其在火电厂系统辨识中的应用

本文采用前向反馈型神经网络 ,建立了一个火力发电厂双输入双输出系统的辨识模型。利用MATLAB5 .3神经网络工具箱编程 ,以湖南湘潭电厂一台 30万千瓦机组的输入输出参数的实测数据作为学习样本训练网络模型 ,并在训练好的模型基础上给出了系统多步步长的预测结果及调门开度的单位阶跃响应曲线。结果表明这种方法收敛速度快、误差小、精度高 。

不稳定时滞过程的神经网络内模控制方法

不稳定时滞过程在过程工业中较为常见,常规方法难以控制。提出了一种双反馈环控制方法,首先采用内部反馈镇定,然后采用神经网络构造内模控制系统,解决了模型与实际过程存在偏差、不稳定性等问题。仿真结果调节时间短,控制精度高,表明了神经网络内模控制方法的有效性和优越性。

新一代歼击机超机动飞行的动态逆控制

根据反馈线性化理论 ,讨论了神经网络自适应非线性动态逆控制设计。首先根据时标分离原则 ,采用动态逆方法设计快回路和慢回路控制器 ;其次提出基于模型逆的神经网络非线性直接自适应控制方案 ,设计一种在线神经网络用于补偿模型逆误差。仿真表明 。