关节臂式坐标测量机的虚拟样机模型及仿真

基于虚拟样机技术对六自由度关节臂式坐标测量机的测量空间进行研究和仿真,建立了六自由度关节臂式坐标测量机的测量运动学数学模型和虚拟样机模型。在建立起虚拟样机模型之后用图解法对其进行了检验,并将得到的虚拟样机模型与运动学数学模型进行比较验证,结果表明虚拟样机模型能够准确地反映测头位姿,方便有效地进行整个测量空间的运动仿真。正确的虚拟样机模型与测量运动学模型是研究测量机的误差空间分布的必要环节,为下一步工作奠定了研究基础。     

关节臂测量机的机械结构和空间误差补偿分析

研究关节测量机优化测量精度问题,目前关节臂测量机在测量技术上还不成熟,对关节臂补偿目前尚难.关节臂测量误差补偿传统的方法是采用最小二乘法求解多个误差项目的最优解、求解角度、杆长、偏置、偏摆微分误差系数矩阵,在工程实践中这样做很难取得理想的效果.为解决上述问题,提出采用D-H方法设计关节臂坐标测量机的机械结构进行运动学建立模型并进行仿真,分析了各种运动学参数对关节臂测量精度的影响,并对误差进行分离处理,使得测量精度达到0.05mm以内.结果表明满足了关节臂设计的要求.     

改进PSO-BP神经网络对储层参数的动态预测研究

为提高BP神经网络的收敛速度和泛化能力,防止其陷入局部最优值,在前人工作基础上对传统粒子群算法进行了改进,具体包括：设定最大限制速度、改变惯性权重因子和改进适应度函数,并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测,具体步骤为：确定神经网络的输入、输出神经元,定量化时间参数[T],利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析,结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。     

基于布谷鸟算法优化BP神经网络的锂电池健康状态预测

锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;传统的误差逆向传播(BP)神经网络容易使权值和阈值陷入局部最优,从而导致预测结果不精确;结合布谷鸟搜索算法(CS)的全局优化能力,提出一种基于CS算法优化BP神经网络的锂电池SOH预测方法,该方法的核心在于优化BP神经网络的初始权值和阈值,从而减小算法对初始值的依赖;为了验证算法的泛化性,利用美国国家航空航天局开源锂电池数据集6号电池和7号电池进行仿真实验,仿真得到该算法预测SOH的均方根误差(RMSE)分别为0.2658和0.2620,平均绝对百分比误差(MAPE)分别为0.3319%和0.2605%;通过与BP神经网络、粒子群优化的BP神经网络(PSO-BP)、遗传算法优化的BP神经网络(GA-BP)对比,布谷鸟算法优化的BP神经网络(CS-BP)具有更小的预测误差。     

基于PSO-BP神经网络的湿度传感器温度补偿

针对自动气象站采用的HMP45D型温湿一体化传感器在实际应用过程中易受温度影响的问题,提出了基于粒子群优化算法(PSO)的BP神经网络温度补偿模型,利用粒子群优化算法对BP神经网络的初始权值阈值进行全局寻优,将粒子群优化算法优化好的权值阈值赋给BP神经网络,对BP神经网络进行训练。根据不同温度条件下测得的多组湿度传感器数据,通过建立模型,实现温度补偿,与传统BP神经网络补偿结果进行比较。实验表明,与传统BP神经网络模型相比,利用PSO-BP神经网络模型进行温度补偿后所得的误差绝对值之和降低了10.3887%RH,PSO-BP神经网络可以克服传统BP神经网络易陷入局部极值的局限,补偿精度更高,能更加有效地补偿温度对湿度传感器的影响。     

基于粒子群优化BP神经网络的养肠胃菜谱判定

提出了一种基于粒子群优化BP神经网络的养肠胃菜谱判定的方法。粒子群算法通过自身良好的搜寻能力,对BP神经网络的权值和阈值进行了优化,弥补了BP神经网络中收敛性慢、存在多个局部极值点的缺陷。并分别通过误差曲线图、线性回归图等,对BP神经网络模型与PSO-BP神经网络模型进行比较分析。实验结果表明,PSO-BP模型判定较准确,在调养肠胃的饮食食谱选择中起到了指导作用。     

基于蒙特卡洛法的关节臂坐标测量机工作空间分析

传统的求解关节臂式坐标测量机工作空间的方法需要借助繁琐的数学公式、计算量大,针对这一问题选用蒙特卡洛法对工作空间进行分析;首先运用D-H方法建立关节臂式坐标测量机的数学模型得出运动学方程;然后采用蒙特卡洛法分析该测量机的工作空间,得出工作空间点云图;最后,采用局部象限分布的方法对关节臂式坐标测量机工作空间点云图的边界点进行提取;仿真实验结果表明用蒙特卡洛法对工作空间分析更简单易于实现,采用基于局部象限分布法提取到的边界点轮廓也更准确避免了虚假边界点的提取。     

基于粒子群神经网络的期货价格预测

目前在对中国期货市场进行价格预测时,采用神经网络预测时多用的是BP神经网络,但是BP神经网络存在对初始权阁值敏感、易陷入局部极值和收敛速度慢的问题.因此,为了提高模型效率,提出采用PSO-BP模型预测期货价格.首先运用粒子群算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权闽值进一步精确优化,随后建立了基于粒子群算法的BP神经网络预测模型,并将其应用到中国期货市场的期货价格预测研究中.仿真结果表明,新模型结合了粒子群算法的全局寻优能力和BP神经网络算法的局部搜索优势,有效的防止了网络陷入局部极小值的可能,提高了神经网络模型预测的速度和准确性.     

关节臂式坐标测量机运动学建模与误差分析

针对一种关节臂式坐标测量机,建立了测量机的四参数D-H运动学模型,并利用AutoCAD2008模拟画出测量机在某一位姿的姿态,同时由运动学模型数值计算出该位姿下测头的坐标值,与AutoCAD 2008作图时末端显示坐标值作比较,所得结果一样,验证了所建运动学模型的正确性.最后通过建立测量机运动学误差模型,以测头误差模量为考量基准,在MATLAB软件中建立了误差仿真系统,根据仿真结果绘制了关节空间的误差分布图,分析出关节转角小角度误差对测量机精度有较大的影响,这为测量机参数标定提供了理论基础.     

柔性三坐标测量臂几何误差修正

柔性三坐标测量臂用于大尺寸工件的高精度检测及逆向工程,是现代制造业产品精度检测的重要设备。如何做好和完善测量臂误差的分析、检测和补偿,成为提高测量臂测量精度的重要问题。提出了用高精度正交三坐标测量机校准柔性三坐标测量臂关节误差的新方法。通过分析测量臂某一关节的所有几何误差,建立其数学模型;利用正交三坐标测量机和测量臂分别对30个标准球(均匀分布在一个圆上)进行点位测量,测出球心的标称值和实测值,建立了该关节几何误差补偿模型;对工件进行点位测量并进行误差补偿。实验结果表明,通过该误差补偿方法,其最大测量误差从0.04 mm降到了0.003mm,提高了柔性三坐标测量臂的测量精度,同时验证了该误差补偿方法的正确性和有效性。     

基于MPSO-BP算法的四电极电化学气体传感器温度补偿研究

针对四电极电化学气体传感器的测量精度极易受环境温度影响的问题,提出一种基于粒子群优化-BP神经网络算法（PSO-BP）的温度补偿方法。利用改进的PSO算法（MPSO）对BP神经网络的权值和阈值进行优化,构造四电极电化学气体传感器的温度补偿模型,并设计了气体传感器测试系统。实验结果表明,MPSO-BP算法可有效提高BP神经网络的收敛速度和泛化能力;基于MPSO-BP算法的四电极气体传感器温度补偿模型,可将其温度补偿误差控制在0.1%以内。     

基于粒子群优化神经网络的无线定位算法

对于传统的对移动台的定位,提出了一种基于粒子群(PSO)优化神经网络的算法。这一PSO-BP算法首先利用PSO对神经网络传统的目标函数及参数进行优化,再利用改进后的BP神经网络对非视距误差(NLOS)进行修正,最后利用算法LS进行移动台的定位。仿真结果表明,该基于PSO的神经网络定位算法寻优效果稳定,预测误差小,具有可行性。     

改进PSO-BP算法在飞机剩余油量测量中的应用

针对飞机在飞行时油箱因受震动引起油面起伏不平,导致原有静止状态时的计算模型产生较大测量误差,提出采用BP神经网络的预测飞机剩余油量;但由于BP神经网络存在学习效率低、收敛速度慢和易陷入局部极小等局限,采用改进粒子群算法优化BP神经网络的训练;将改进PSO-BP算法用于飞机剩余油量的测量,实验结果表明,与传统BP学习算法比较,改进PSO-BP算法具有训练时间短,相对误差小,控制精度高等优点,有效地提高了油量测量的精度。     

基于PSO-BP神经网络的股市预测模型

为解决股市短期预测中BP神经网络法对初始权值敏感、易陷入局部极小值和收敛速度慢等问题,基于全局随机优化思想的粒子群优化(PSO)算法,对BP神经网络的初始权值进行了优化,建立了PSO-BP神经网络股市预测模型.并通过实例分析与传统BP神经网络预测法进行对比,结果表明该方法收敛速度明显提高,有效降低了训练误差,避免了陷入局部极小值,达到了较高的预测精度,在股市短期预测中具一定的实用价值.     

柔性关节式坐标测量机多参数建模

柔性关节式坐标测量机是一种近30年发展起来的典型非正交坐标测量仪器。为提高测量精度,本文对柔性关节式坐标测量机的关节晃动进行分析,结合DH模型对测量机建立包含关节晃动的多参数模型。该建模方法为进一步研究柔性关节式坐标测量机提供了理论基础。     

基于鸟群算法优化BP神经网络的热舒适度预测

热舒适度是室内环境舒适性的评价指标,由于热舒适度的计算是一个复杂的非线性迭代过程,不便应用于空调实时控制系统中,为解决这一问题,可利用BP神经网络算法对热舒适度进行预测.但为了改善传统BP神经网络收敛速度慢的问题,将采用鸟群算法（BSA）来优化BP神经网络初始的权值与阈值.最后,将BSA算法与相近的粒子群算法（PSO）进行对比分析,并利用MATLAB软件进行仿真,使BSA-BP预测模型的仿真结果与基本的BP神经网络预测模型、PSO-BP预测模型的仿真结果进行对比分析.结果表明,BSA-BP预测模型具有较快的收敛速度和较高的预测精度.     

基于PSO—BP神经网络的混凝土抗压强度预测

为了有效提高混凝土抗压强度的预测精准度,利用粒子群算法优化BP神经网络初始权值和阈值,建立了混凝土抗压强多因子PSO-BP预测模型。模型以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为输入参数,混凝土抗压强度值作为输出参数,不仅可以克服BP算法收敛速度慢和易陷入局部极值的缺陷,而且模型的学习能力、泛化能力和预测精度都有了很大的提高。以UCI数据库中的Concrete CompressiveStrength数据集为例进行仿真测试,结果表明：PSO-BP模型预测精度较BP、GA—BP模型分别提高了8．26％和2．05％,验证了PSO—BP模型在混凝土抗压强度预测中的有效性。     

基于PSO-BP神经网络的临时支架支撑力自适应控制

为了使临时支架的支撑力更好地与矿压相适应,提高支架的支护能力,以双联自移式临时支架为研究对象,提出了基于粒子群优化（PSO）-BP神经网络的临时支架支撑力自适应控制方法。利用PSO算法的全局搜索能力及快速收敛特性对BP神经网络的初始权值进行优化,提高BP神经网络的收敛速度;再通过优化后的BP神经网络实现PID参数在线自调整,构建PSO-BP神经网络优化PID控制器,使临时支架的支撑力更快速、准确地达到预定值,实现临时支架支撑力自适应控制,避免因支护力和顶板压力不匹配而对顶板造成破坏。用单位阶跃信号模拟临时支护支架的期望初撑力进行实验验证,结果表明,与BP神经网络优化PID控制器及传统PID控制器相比,PSO-BP神经网络优化PID控制器可以更快、更准确地达到预期的初撑力,调整时间仅为0.5s且基本不存在超调。根据实际地质条件仿真模拟开挖支护过程中支架受到的顶板压力,研究3种控制器的支撑力自适应控制效果,结果表明,在PSO-BP神经网络优化PID控制器的控制下,系统误差仅为0.02 MPa,误差最小,控制效果最好。     

基于改进PSO-BP神经网络算法在一般盗窃犯罪预测中的应用

针对BP神经网络对初始权重敏感,容易陷入局部最优解的问题,引入粒子群优化算法(PSO),对网络权重进行全局搜索,同时采用BP神经网络权重更新方法对PSO搜索到的权重和阈值进行进一步的更新,构建改进后的PSO-BP神经网络模型,对一般盗窃犯罪数量进行预测。应用美国芝加哥市2015年-2017年盗窃犯罪数据以及总人口数、房价中位数、本科率等11个影响因子数据,对改进前后的模型进行了预测对比实验。结果表明,改进后的PSO-BP神经网络模型成功克服了BP模型的缺陷,相对误差由4.68%降低到1.635%。     

基于BP神经网络的智能认知频谱预测技术研究

为了使通信用户频谱接入更为有效,增强在时域和空间域的频谱利用灵活性,首先介绍采用最速下降法进行学习的BP神经网络过程,并对BP神经网络的频谱预测算法进行数学建模。通过对一段时期内的电磁频谱状态的学习训练,调节参数使算法模型建立输入数据与输出结果之间的认知关系,进而改变BP神经网络算法自身的结构,优化权值与阈值,最终使得频谱预测数据准确性更接近于实际值,预测误差变小。