一种迷宫机器人的人工脑系统

提出一种迷宫机器人的人工脑系统,包括迷宫路标感知单元与行为决策单元。其中,感知单元基于ART1神经网络,用于识别迷宫导向路标;决策单元基于行为概率实现矩阵,并以强化学习更新行动策略。机器人所在迷宫的特征为每个路口设有导向路标,路标为含噪声的符号图像。在仿真实验中,令机器人在迷宫中随机行走,通过调节人工脑系统的试验参数,经过一段时间的自主探索学习过程机器人能最终穿越迷宫。仿真实验结果表明,该人工脑系统能够自组织地理解迷宫中导向路标的含义,并引导机器人成功穿越迷宫。同时,该人工脑系统对于基于路标导航的城市巡逻机器人、高危复杂环境下的抢险机器人的研究发展有一定的推动作用。

两轮机器人的舞步运动规划和仿真研究

提出了基于有限状态自动机的动作描述方法并给出两轮机器人的舞步运动规划,推导出了两轮机器人的运动学模型,给出两轮机器人分解运动速度控制算法。用MATLAB仿真得出机器人模拟华尔兹基本舞步的动作规划,验证了该算法的准确性。

一种桌面机器人及其自主地图绘制算法

利用嵌入式技术设计了一种桌面机器人系统,机器人体积不到200 cm3,系统利用全局摄像机采集图像,通过无线通信组件对机器人定位导航,从而进行面向地图绘制的智能行为研究;从桌面机器人系统采集到地图信息,并生成神经网络训练样本,利用可增长自组织特征映射图GSOM(Growing Self-organizing Map)的地图绘制算法,通过不断增加新的神经元实现网络规模的增长,从而生成以少数SOM图神经元分布描述环境特征信息的拓扑地图;在机器人系统上进行了基于GSOM模型的自主地图的绘制实验,并利用所得拓扑地图进行了准确的机器人导航实验。实验结果表明基于GSOM的自主地图绘制方法可行,机器人系统表现出类似生物的自主智能行为。该方法可以应用于大环境下机器人的自主地图测绘与导航。

两轮机器人在坡面上的运动平衡控制

两轮机器人在坡面上运动时,由于受到重力作用的影响,其姿态平衡控制变得更加复杂。为实现机器人在坡面上的平衡控制,首先建立了两轮机器人在坡面上的动力学模型,然后针对两轮机器人设计一种非线性PD控制器。与传统的线性PD控制器进行仿真实验对比,实验结果说明:在响应速度、稳定性、鲁棒性方面,非线性PD控制有着更好的效果。最后,在姿态平衡控制中加入速度控制,构成双环的PD控制,实现了两轮机器人在坡面上的静态平衡。

嵌入式移动机器人控制器设计

提出了一种基于数字信号处理器和嵌入式实时操作系统的移动机器人控制器设计方案。本方案通过在TMS320F2812型DSP上移植一个uC/OS-Ⅱ实时内核的方式,在增强系统的实时性和提高性价比的基础上提高了控制器的开放性,简化了应用程序的开发。

双轮自平衡机器人行走伺服控制算法

为解决双轮自平衡机器人行走伺服控制问题,针对其动力学特性,提出使用分层模糊控制的方法对双轮自平衡机器人运动进行控制,并且设计一种基于mamdani型模糊推理规则的模糊控制器。使用这种模糊控制器在双轮自平衡机器人硬件平台上完成了2个实验。一是以恒定倾斜角行走为控制目标的行走伺服控制;二是以恒定速率行走为控制目标的行走伺服控制。实验结果表明,设计的模糊控制器模糊规则简洁,可以很好地解决双轮自平衡机器人行走伺服控制问题。

双足行走机器人发展现状及展望

文中介绍了双足行走机器人的概念和特点,简要地阐述了国内外双足机器人的发展,结合图文详述了双足机器人的最新研究领域和现状,并对双足机器人的发展趋势作了详细的展望。

一种欠驱动柔性机器人模型的建立及控制

采用Lagrange建模方法建立了欠驱动柔性自平衡机器人的数学模型,对柔性关节部分考虑了其弹性势能,仿真验证了模型的正确性,刚度越大,机器人上半身角度跟踪越快.采用线性二次型最优控制有效地控制了柔性机器人的平衡问题,通过实验,验证了在状态不完全可观测情况下系统的可控性,实验表明,只需机器人上半身部分安装传感器即可控制机器人达到平衡状态.对机器人结构的设计提供了参考.

想象左右手运动的脑电特征提取及分类研究

针对想象运动的脑机接口(BCI)系统存在分类准确率低、抗干扰能力差等不足,提出一种将离散小波变换(DWT)和BP神经网络相结合的脑电识别方法(DWT-BP法)。通过计算想象左、右手运动的C3、C4的平均功率,合理确定时间窗设置,对时间窗内的平均功率信号进行离散小波变换,并选取尺度6上的逼近系数A6的组合信号作为脑电信号特征,以BP神经网络为分类器实现对脑电观测数据的分析。实验结果表明,DWT-BP方法能够较准确地提取脑电信号的本质特征,具有较好的抗干扰能力和分类性能,以及识别运动想象脑电信号的有效性,同时为实现运动想象在线BCI系统打下基础。

一种基于非线性滤波的倒立摆控制方法研究

对于倒立摆这样的强非线性系统,采用传统的BP算法存在着收敛速度慢、易陷入局部极小值的缺陷,而采用卡尔曼滤波方法则会带来很大的模型误差。为了解决上述问题,提出了基于粒子滤波优化神经网络的方法。首先建立了倒立摆神经网络控制器的物理模型并将模型粒子化,而后用粒子滤波算法对粒子进行优化估计,将估计结果作为网络的权值应用到倒立摆控制中,采用离线训练方式,仿真比较了卡尔曼滤波和粒子滤波两种方法控制效果,结果表明,新算法较卡尔曼滤波方法在控制性能上有明显提高。

一种基于行为控制的两自由度机械臂智能控制器

基于行为的控制方法相对于传统的控制方法在解决未知环境中的机器人中有着更好的鲁棒性和实时性.本文提出了一种基于反应式行为控制的智能控制器,以强化学习作为智能控制器的学习算法.通过采用评价-控制模型,该智能控制器能够不依赖于系统模型,通过连续地在线学习得到机器人的行为.将该智能控制器应用到两自由度仿真机械臂的控制中,仿真结果表明该智能控制器可以实现对两自由度机械臂的连续控制,使其能够迅速达到目标位置.

基于改进CSP算法的运动想象脑电信号识别方法

针对想象运动的脑机接口(BCI)系统中,在电极导联数少的情况下存在脑电信号分类准确率降低的问题,提出一种改进共同空间模式(CSP)算法。通过对事件相关去同步(ERD)/事件相关同步(ERS)生理现象较明显的频段进行滤波,选取最大特征值对应的表征运动想象脑电信号状态的最优特征向量,进而提出特征向量新的定义方法,同时与支持向量机(SVM)相结合,实现运动想象脑电数据的分类。对于GRAZ大学提供的运动想象脑电数据(DataⅢ),想象左手运动脑电信号的识别准确率为98.57%。想象右手运动的脑电识别率为100%。实验结果表明,改进的CSP算法更准确地反映脑电信号的任务状态,有效避免了特征模式的重复选取问题,具有更优的分类性能。

模糊神经网络的结构自组织算法及应用

提出了一种新的模糊神经网络自组织算法,该算法能够基于输入输出数据自动进行结构辨识和参数辨识.首先采用一种自组织聚类方法建立起网络的结构和各参数的初值,然后采用监督学习来优化网络参数.通过对非线性函数逼近的分析,证明了该自组织算法的有效性,并与其他算法作了比较.最后,以某污水处理厂的实际运行数据为对象,应用该模糊神经网络建立了活性污泥系统出水水质预测模型,仿真结果表明,该模型能够对污水处理系统出水水质进行较好的预测.

随机森林针对小样本数据类权重设置

随机森林已经被证明是一种高效的分类与特征选择方法。尽管参数的设置对结果影响较小,但合适的参数可以使分类器得到理想的效果。主要针对癌症研究中小样本不均衡数据的分类和特征选择问题,研究了随机森林中类权重的设置。为了比较在不同的类权重下特征选择的效果,同时使用支持向量机(Support Vector Machine,SVM)方法。最终结果显示最优的类权重是不确定的。最后总结出几条规律指导研究者选择合适的权重使分类和特征选择效果得到改善。

基于神经网络集成技术的运动想像脑电识别方法

针对运动想像脑电信号,提出一种基于神经网络集成技术的识别方法.该方法通过离散小波变换(DWT)抽取想像左、右手运动的主要特征,采用Bagging算法构建神经网络集成(NNE)模型,并选取相对多数投票法获得网络集成的输出结果.在'BCI Competition 2003'竞赛数据集上的实验结果表明,该方法得到了比基于单个神经网络的脑电信号识别方法更高的识别率,同时,降低了个体神经网络的配置难度,提高了系统的泛化能力.

基于B样条小波变换的视觉诱发电位的识别方法

针对已知的视觉诱发电位信号处理及特征提取存在的抗干扰能力差及识别率低的问题,提出一种基于B样条小波变换与BP神经网络的视觉诱发电位(VEP)的特征提取及识别方法。首先,对VEP进行少次平均预处理,以增强信号的信噪比;其次,基于B样条小波变换对VEP进行特征选取,并通过BP神经网络分类器对特征进行分类。与现有方法相比,所提出的方法能够较好地提取视觉诱发电位特征,对于含噪声的信号具有较好的抗干扰能力和识别能力。实验结果表明,采用B样条小波变换结合BP神经网络的方法,对视觉诱发电位的平均识别率为90.4%,优于其他方法,验证了所提出方法的正确性和有效性。

时序基因表达缺失值的加权双向回归估计算法

由于受实验条件等客观因素制约,实验所得到的基因表达谱数据存在数据缺失的现象,不利于数据的后续使用。如何在不丢失数据信息、不影响数据整体使用的情况下,对实验数据进行估计、填充已成为目前生物信息学研究的热点。本文通过利用核加权函数提取与缺失值所在的行列具有最大相似性的行列信息,提出了基于双向核加权回归估计的算法。在回归过程中同时考虑基因表达的空间相关性和时间相关性信息,使回归算法使用的信息更加充分。通过与其他缺失值估计算法相比较,加权双向回归算法的估计结果较好。

机械手轨迹规划的神经网络逆模控制

针对二自由度机械手动力学模型的非线性和参数的不确定性,提出了一种神经网络与逆模控制相结合的控制策略。针对传统BP算法在神经网络训练后期收敛速度慢且容易陷入局部极小的缺点,提出一种快速启发式学习算法。采用所提出的快速启发式网络学习算法训练多层前馈神经网络,建立机械手的逆动力学模型,实现对机械手的非线性控制。仿真结果表明了所提出控制策略的有效性和快速启发式网络学习算法的快速收敛性。

基于双基因分析的结肠癌标志基因选择

针对结肠癌标志基因选择问题,引入一种最高得分对(TSP)方法,处理一组包含40个肿瘤和22个正常样本的结肠癌微阵列数据,得到标志基因对(VIP,DARS)并构建双基因分类器。结果显示,该分类器对62例样本的分类准确率可达93.55%。进一步,利用荧光实时定量PCR在10个独立样本上检验所选基因对的分类效果,正确率为100%,表明该方法能有效地选择结肠癌标志基因,对临床诊断有积极的意义。

基于飞轮的单级倒立摆系统的建模与仿真

针对目前独轮机器人的侧向平衡控制问题,设计了一种基于飞轮的单级倒立摆系统。简单地介绍了目前有关倒立摆系统的研究现状,然后利用拉格朗日方法建立了基于飞轮的单级倒立摆系统的数学模型,同时,对所建立的数学模型(精确模型和线性化模型)在Matlab/Simulink中进行了仿真验证,仿真结果证实了所建立的模型是可信的,并用现代控制理论中的二次型最优调节器(LQR)实现对倒立摆的最优控制,仿真结果表明该方法对基于飞轮的单级倒立摆系统的平衡控制是有效的。