采用神经网络方法研究柔性机械臂逆运动学问题

本文以柔性机械臂为例,进行简单的逆运动学分析.并采用小脑模型神经网络方法对机械臂的逆运动学进行了数值仿真分析,可以看出,小脑模型神经网络可在较短的学习次数中有效地控制机械臂的振动.     

基于 ANN 的 FMS 故障诊断模型及其学习算法

讨论了基于前馈型神经网络的ＦＭＳ故障诊断模型，并提出一种用于前馈型神经网络训练的改进ＢＰ算法和基于遗传算法的网络初始点获取策略，给出一种通用前馈型神经网络结构和学习参数自整定学习算法，最后应用上述方法建立了基于前馈型神经网络的ＦＭＳ机器人故障诊断模型，并用所提出的新的学习算法对网络进行了学习，与传统ＢＰ算法比较，学习速度较快，且不易陷入局部极小点     

二自由度平面手臂的小脑控制模型与仿真

针对小脑在运动中学习控制的角色问题,提出了一种为到达指定目标可以学会产生运动信号的肢体运动控制小脑学习模型,该模型由一个小脑学习模块以及硬连线外小脑系统构成,用以控制一个模拟的、由6块肌肉所驱动的双关节手臂。其中,小脑学习模块由1组可调式模式产生器的独立子模块构成;外小脑系统负责在小脑模块不能引导手臂到达指定目标的情况下产生精度较低的矫正运动,通过本体输入,模型的下橄榄通过观察由外小脑系统产生的矫正运动来推断小脑产生的运动误差,以期达到对手臂运动的调节和控制,仿真结果表明,该小脑模型具有较好的理想轨迹跟踪性能。     

改进的小脑模型神经网络及其在时间序列预测中的应用

针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.     

基于神经网络的建筑工程造价估计

提出了建筑工程造价估计的神经网络方法，应用ＢＰ模型，讨论了网络结构的设计、学习算法等问题，计算实例表明，应用神经网络估计工程造价具有方便、准确等特点。     

基于BP神经网络的时延水温控制系统设计

神经网络具有自组织、自学习、自适应的特点,近年来随着计算机技术的发展,为其网络优异的函数逼近性能和分类性能应用于工程提供了硬件基础,神经网络由于其大多结构简单,算法易于理解和使用,有利于工程人员应用解决实际问题。本文介绍了BP神经网络在时延控制对象中的建模,建立了一个基于BP神经网络的预测模型,在Matlab中对几种使用神经网络模型的控制方案进行了研究和比较。     

基于神经网络控制的有源滤波器的研究

随着电力系统中负荷的多样化，使得电网的谐波干扰和无功冲击越来越严重．对电力系统的安全可靠运行和用电设备的正常稳定工作构成了威胁，因此谐波的实时检测和补偿也就变得越来越重要．基于此背景，提出了一种基于神经网络控制器的新型有源滤波器，通过神经网络控制器对电网谐波进行分析预测，并通过开关决策来控制补偿电流发生电路从而实现滤除谐波的功能．其中。神经网络的训练是采用遗传算法和小脑模型来实现的．仿真结果证实了神经网络控制器的有效性．     

基于单层感知器的辨识方法及其应用

单层感知器神经网络模型是多层感知器神经网络－－ＢＰ网络的基础,对单层感知器学习算法的改进是进行ＢＰ网络学习算法改进的基础。把带遗忘因子的递推最小二乘辨识算法的原理应用到单层感知器的学习算法,提出了单层感知器的改进学习算法。这一改进算法克服了常规学习算法不适于在线学习的缺点。 结果证实。基于改进学习算法的层感知器完全可以满足线性系统在线辨识的要求。最后分析了这种改进算法的优点及其具有这些优点的原因。     

基于神经网络控制的有源滤波器的研究

随着电力系统中负荷的多样化，使得电网的谐波干扰和无功冲击越来越严重，对电力系统的安全可靠运行和用电设备的正常稳定工作构成了威胁，因此谐波的实时检测和补偿也就变得越来越重要.基于此背景，提出了一种基于神经网络控制器的新型有源滤波器，通过神经网络控制器对电网谐波进行分析预测，并通过开关决策来控制补偿电流发生电路从而实现滤除谐波的功能.其中，神经网络的训练是采用遗传算法和小脑模型来实现的.仿真结果证实了神经网络控制器的有效性.     

基于遗传神经网络优化模型的交通量预测

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础.为了更准确地对其进行预测,本文建立了遗传神经网络优化模型,该模型既利用遗传算法全局搜索、快速收敛的优点,又利用神经网络非线性描述、自学习自适应的优点.并以实际道路为例,给出了具体的应用方法,计算机仿真结果表明该模型精度较高、具有可行性.     

一种改进的B样条CMAC网络概念映射方法

针对CMAC网络在输入维数高、量化间距小、样本数量多的情况下导致虚拟存储空间过大的问题,提出一种改进的基于多维存储结构的B样条CMAC网络概念映射方法,无需增加虚拟空间到物理空间的hash映射,避免了地址碰撞问题,与其他映射方法相比,由于该方法只映射量化空间中少量的有规律的地址单元,使得该映射方法实际所需虚拟地址空间远小于其他方法,从而在存储空间受限情况下,可以显著提高网络的学习精度和泛化能力.仿真试验结果表明,在新的映射方法下,B样条CMAC比常规CMAC学习精度高,学习速度快,泛化能力强,对相同结构的B样条CMAC网络,新的映射方法在存储空间大小、学习能力和泛化能力等方面明显优于现有的其他方法.     

基于CMAC网络的异常入侵检测技术

针对入侵检测系统对异常入侵检测的不足,采用CMAC神经网络,将其应用于对异常入侵行为的检测,并给出了基于CMAC的入侵检测模型.由于CMAC网络是一种联想网络,所以它对未知类型的入侵行为有很好的识别能力.同时,它的学习与修正只涉及很少的神经元,所以其速度很快.最后通过试验证明,应用CMAC神经网络的入侵检测系统相对于传统检测技术,在检测率及误判率上都有所提高.     

一种基于CMAC神经网络的板形模式识别新方法

针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。     

广义CMAC神经网络及在空燃比控制中的应用

将广义CMAC神经网络及快速学习算法应用于发动机瞬态空然比控制中，并考虑喷油过程的非线性特性，与采用基本CMAC控制的文献[7]相比较，在相同条件下的仿真表明瞬态空然比的控制精度明显提高。     

基于广义小脑模型神经网络的钻机自动送钻系统控制与仿真

考虑钻机送钻过程的非线性特性，采用了一种广义CMAC神经网络及一种快速学习算法对钻机自动送钻系统进行控制研究，并对不同泛化参数下的网络性能进行比较，以荻取控制的最佳参数。在SIMULINK下对送钻系统及神经网络进行了仿真，并与传统控制方法进行比较。仿真结果证明该方法取得了较好的控制性能，对其可行性和有效性进行了验证。     

基于改进CMAC网络的注塑模温度控制

精密注塑机模具温度控制的效果直接影响注塑制品的质量,为提高模具温度控制的实时性、精确性,采用改进的CMAC控制算法,以89C51单片机为控制器,利用高温导热油的循环实现模具温度的控制。改进的CMAC神经网络利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的负k次方成比例,当k为一适当数值时,改进CMAC具有较快的学习速度和较高的精度。通过对PP(聚丙烯)塑料件注射模温度的实际控制表明,模具温度控制精度优于±0.1℃。     

基于高斯基函数的小脑模型学习算法的改进

讨论了基于高斯基函数的小脑模型原理和学习算法,在文献［２］的算法基础上,定义了包含待学习样本点的一个超立方体子空间,提出了基于该超立方体子空间的快速学习算法。仿真表明学习算法速度较文献［２］的算法有明显提高。     

一种具有自适应量化层的CMAC神经网络

首先阐述了ＣＭＡＣ神经网络的原理，结构和学习算法，提出了一种新有采用竞争学习原理的非等距自适应量化算法，理论分析和仿真结果表明，在保持量化总级数不变的前提下，该方法能有效的利用ＣＭＡＣ神经网络的内存，提高逼近精度。文中进行了理论分析，仿真实验证明了所提方法的有效性。     

用CMAC预测红外图像的目标轨迹

为了有效地提高目标的捕获概率,进行红外图像目标跟踪时,必须预测目标的质心和姿态.采用CMAC估计器可以有效地解决常用预测算法运算量与预测精度之间的矛盾.CMAC估计器先用线性模型进行训练,然后预测目标的质心和姿态.CMAC每帧用实际误差训练一次,以减少其预测误差.CMAC具有很高的预测精度,且运算量少,适应目标跟踪的实时处理.实验表明:CMAC能精确预测目标的质心和姿态,适应模型变化,具有鲁棒性.     

样本重叠映射的柔合算法

在小脑模型关节控制器CMAC的ALbus算法中，可由批量学习的输入产生各个权在更新时的柔合因数。这样能改善样本逐一学习法的遗忘现象，又能有较快的收敛速度，对非线性函数的仿真结果，表明了改进算法的特点。