改进蚁群算法的机器人焊接路径规划

利用改进蚁群算法,引入最大最小蚂蚁系统和局部搜索策略,避免蚁群算法出现早熟、停滞问题,并提高了算法的求解速度和精度,实现了合理规划白车身机器人焊接路径和提高焊接机器人的工作效率的目的.设计了白车身机器人焊点规划程序,并将其应用到白车身底板某工位,从仿真结果表明:将改进蚁群算法应用到白车身机器人焊接路径规划中,验证了算法的有效性和可行性.     

全铝白车身机器人弧焊系统解决方案技术应用

本文介绍一种通过智能控制实现全铝白车身自动弧焊系统解决方案.机器人焊接全铝白车身主要采用弧焊工艺,辅助点焊、铆接、胶结等工艺方法;采用挤压铝型材以及铝板冲压件,进一步降低原材料制造成本.     

矿渣微晶玻璃专家系统数据库的构建

专家系统有效运行的基础是可靠的信息，而信息的主要来源是数据的积累和提炼。为了有效解决矿渣微晶玻璃数据的积累与利用，建立高效的数据库管理系统(DBMS)是必不可少的。本文讨论了矿渣微晶玻璃专家系统数据库的构建过程，包括数据的采集、整理和筛选。通过改进传统的产生式规则建立了矿渣微晶玻璃规则库，而玻璃实例库则是通过多表组合的形成构成。系统运行的结果证明高速有效的管理系统是矿渣微晶玻璃专家系统进行数据处理和系统推理的重要基础。     

智能空间环境下基于本体的机器人服务自主认知及规划

为了提高机器人服务的自主性,针对动态家庭环境提出基于本体的机器人服务自主认知及规划方法.首先,利用本体技术为智能空间系统建立本体模型,并通过构建语义规则的方法,建立以用户为中心自适应调整的数据-概念转换机制,实现智能空间信息的整合.在此基础上,建立服务任务推理规则库对本体模型进行扩展,通过匹配实时更新的智能空间本体与规则库中的知识,推理出机器人需要执行的服务序列,实现机器人对用户所需服务的自主认知.最后,利用分层任务网络的思想,在JSHOP2规划器上实现服务任务的具体规划.智能空间环境下的任务执行实验结果表明,利用该方法服务机器人能够根据环境信息和用户信息实现对任务的自主认知,进而主动地为用户提供个性化的服务,其服务的智能化水平得以显著提高.     

高压输电线路巡检机器人的专家控制系统

传统高压输电线路巡检机器人智能化程度低、作业不稳定。为此,提出一种基于规则的专家控制系统。给出系统的基本结构和知识库,利用VC++及CLIPS语言的混合编程方法设计推理机,对机器人进行运动规划,并建立规则库,将机器人运行过程中产生的事实与规则库中的规则匹配,以触发相应的动作。实验结果验证了该系统的有效性。     

基于属性拓展的数据挖掘预处理技术研究

目前的数据挖掘技术基本上依据的是原始数据库中的信息,数据预处理技术要维护原始数据库的信息基本不变,只是进行简单的数据标准化、数据平整、异常点发现、缺失数据修补、数据离散等基本预处理工作,不能从根本上拓展原始数据库中的信息。同时,为保密起见,兴起的隐私保护数据挖掘技术对原始数据库中的敏感数据进行处理,隐藏了一些基本信息,进一步弱化了原始数据库中的信息含量。基于属性拓展的数据挖掘预处理技术,从原始数据库出发,通过属性拓展,拓展基础数据库所蕴含的信息,使数据挖掘能产生更深的隐藏关联规则。     

基于DTC-MOPSO算法的焊接机器人路径规划

点焊机器人在汽车白车身焊接中的应用大大提高了企业的生产效率,本文从焊接路径长度和能量两方面进行焊接机器人多目标路径规划．为了很好地解决这个问题,本文对一种新型多目标粒子群算法（三态协调搜索多目标粒子群优化算法）进行改进,得到适合于求解离散多目标优化问题的离散化三态协调搜索多目标粒子群算法（DTC-MOPSO）．通过和两个经典的优化算法比较,DTC-MOPSO算法在分散性和收敛性方面都有很好的优化性能．最后运用Matlab机器人工具箱对机器人的运动学、逆运动学以及逆动力学进行分析以求解机器人的路径长度和能耗,并将改进的算法应用于焊接机器人路径规划中,结果显示规划后的路径明显优于另外两种算法.     

CAPP环境下关联规则挖掘技术的应用研究

CAPP系统的数据库中存储了大量的工艺设计资料，如何充分利用这些宝贵的数据和信息是一项非常有意义的研究工作。通过对数据挖掘技术的深入分析，提出了将数据挖掘技术应用于CAPP数据库中，采用关联规则挖掘方法发现基本工艺单元。详细讨论了关联规则的定义和挖掘算法，并给出了具体的挖掘实例，以期为提高CAPP系统的应用效率提供有力的技术支持。     

基于PLC的车门焊接生产线系统的设计

介绍了白车身机器人焊接生产线系统的组成,设计了白车身车门加工的工艺流程;以西门子S7-200为核心控制器设计了生产线的控制系统,并详细地对PLC的选型,硬件的设计和软件编制的流程进行了说明;给出了PLC的I/O接口图和详细的接线图,编制了PLC与机器人的通讯协议,对夹具体的自动识别技术原理进行了深入探讨;以模块化编程为基础进行编程,实现了系统的稳定性和可扩展性。     

数据挖掘在建立入侵检规则库中的应用

本文将数据挖掘中的聚类挖掘和关联规则挖掘应用于建立入侵检测系统规则库中,提出了一种不同于传统入侵检测规则库建立的动态更新的方法。     

基于粗糙集的焊接类型关联规则提取

为了从大量工艺数据中获得潜在的、有价值的工艺知识,提出了基于粗糙集的焊接类型关联规则提取方法。分析与焊接类型相关的属性,建立焊接类型选择的决策表,应用粗糙集属性约简删除对焊接类型选择没有影响的属性。应用Apriori算法获取频繁项集,为了减少冗余项集产生,采用不同属性的项集进行联接;应用较低的支持度和较高的置信度提取强规则。以具体的实例验证了该方法,提取的规则对焊接类型的选择有很好的参考价值。     

基于分面导航理论的RDF数据的持久化研究

分面导航是一种广泛使用的信息空间导航技术,但导航属性只是根据经验选取,缺乏评价体系。考虑 RDF元数据的语义限制,利用统计学的方法从RDF实例中挖掘出适合作为面的谓词,对统计过程丢失的适合作为导航能力的其他属性,利用层次聚类方法进行分析和获取,从而提出一种RDF数据到关系数据库模式的转换方法。实验结果表明此转换方法可以挖掘出语义限制条件下适合作为导航属性的RDF属性,提高了RDF数据的导航效率,保持了转换前的语义限制关系。     

中药特性信息数据挖掘系统中的预处理设计

中药数据的不规范,使预处理成为数据挖掘系统中的一个重要过程。该文开发中药特性信息数据挖掘系统,介绍系统结构与挖掘流程,分析中药数据的特征,对数据进行预处理,包括过滤噪声数据、中医药术语规范化、缺损数据处理、剂量单位规范化、作用度规一化、功效量化等。     

地理信息系统与数据库结合研究

鉴于地理信息系统需要对外提供灵活高效的地理信息访问途径,因此采用数据库管理地理信息是发展趋势,目前存在关系型,对象-关系型,面向对象型3类数据库产品,在讨论它们与地理信息系统结合可行性的基础上,重点介绍了纯关系模型,空间扩展模型,包装模型3种结合方案,还通过对这3种方案实现原理的分析及其优缺点的比较,指出了各方面的应用前景,并由此归纳出,在GIS与数据库结合中需要注意的问题及解决这些问题的关键技术。     

基于数据挖掘技术的CIMS系统信息集成方法

对CIMS工程的现状进行了分析，明确了形成CIMS系统信息孤岛的原因，提出一种基于数据挖掘技术进行CIMS系统信息集成的方法，以原有的数据库为基础，利用网络技术和数据挖掘技术，建立数据挖掘系统，通过数据挖掘的下钻处理、上卷递交与数据信息的析取和融合，建立了相关的模糊理论模型和实现的算法，较好地解决了CIMS系统的资金流、物流与信息流的集成问题。     

动态数据挖掘研究

提出了一种新的数据挖掘形式--动态数据挖掘(DDM),寻求在不断更替产生的动态数据信息中找出能被应用的知识.给出动态数据挖掘的体系结构,并分析了动态数据挖掘实现过程,运用滑动窗口与动态数据窗口动态采集与处理动态新增数据,同时运用后续数据进行挖掘结果评价,用K标号法平滑地使用动态目标数据集进行数据挖掘,得出了一个动态数据挖掘测试算法.     

Database Translation Mechanism: Generating Data Dictionary for Relational Database

In order to optimize workflow and improve efficiency, modern enterprises usually entrust software providers to build the Enterprise Information System (EIS). However, the software providers generally do not provide the data dictionary for the EIS relational database, which brings great difficulties for enterprises to use the data stored in the EIS database. This paper proposes a method named database translation mechanism for generating the data dictionary of the EIS relational database which only utilizes the data collected from the interfaces of EIS. Inspired by the great success that Graph Neural Networks (GNNs) have achieved, the study builds a graph structure for the EIS relational database by mining the relationships between columns and then train a GNN-based classifier to predict to which column the value belongs. In addition, a table-based sampling method is designed to construct graph datasets for mini-batch training on the large-scale graph structure. Furthermore, a uniform encoding method and a hybrid aggregator function are proposed to improve the performance of the GNN-based classifier. The trained GNN-based classifier can be used to predict the matching relationships between the columns of the EIS database and the tables extracted from the EIS interfaces given the fact that the data in the database is entered at the interfaces. In this way, the detailed information at the interface to translate the database can be used. Experimental results on a real-world ERP relational database demonstrate the superior performance of the proposed method, which efficiently exploits and utilizes the graph structure information in the relational database.     

从偏好数据库中挖掘Ceteris Paribus偏好

针对传统的推荐系统需要用户给出明确的偏好矩阵（U-I矩阵）,进而使用自动化技术来获取用户偏好的问题,提出了一种从偏好数据库中挖掘出Agent的偏好信息的方法。从知识发现的角度,通过Ceteris Paribus规则（CP规则）,提出了k阶偏好挖掘算法（kPreM）。在算法中,利用k阶CP规则对偏好数据库中的信息进行剪枝处理,减少了数据库扫描次数,从而提高了偏好信息的挖掘效率。随后以一种通用的图模型——条件偏好网（CP-nets）为工具,揭示了用户的偏好可近似表达为CP-nets的定性条件偏好网。实验结果表明,用户的偏好都是带有条件的偏好。另外,通过挖掘得出的CP-nets偏好模型,为设计个性化的推荐系统提供了理论基础。     

Efficiently mining erasable stream patterns for intelligent systems over uncertain data

Data mining is a method for extracting useful information that is necessary for a system from a database. As the types of data processed by the system are diversified, the transformed pattern mining techniques for processing these type of data have been proposed. Unlike the traditional pattern mining methods, erasable pattern mining is a technique for finding the patterns that can be removed by coming with a small profit. Erasable pattern mining should be able to process data by considering both the environment that the data are generated from and the characteristics of the data. An uncertain database is a database that is composed of uncertain data. Since erasable patterns discovered from uncertain data contain significant information, these patterns need to be extracted. In addition, databases gradually increase, because the data from various fields is generated and accumulated over data streams. Data streams should be processed as intelligently as possible to provide the useful data to the system in real time. In this paper, we propose an efficient erasable pattern mining algorithm that processes uncertain data that is generated over data streams. The uncertain erasable patterns discovered through the suggested technique are more meaningful information by considering the probability of the item and the profit. Moreover, the proposed method can perform efficient mining operations by using both tree and list structures. The performance of the suggested algorithm is verified through the performance tests compared with state-of-the-art algorithms using real data sets and synthetic data sets.