共查询到19条相似文献,搜索用时 80 毫秒
1.
2.
针对高压输电线除冰机器人工作环境的特殊性以及工作任务的复杂性,建立了机器人的运动学与动力学模型。在此基础上,通过采用粒子群算法对PID控制器三个参数进行在线寻优,实现了除冰机器人的运动控制。最后针对除冰机器人在斜坡爬行的情况进行仿真实验,证明了所设计的模型与运动控制方法的可行性。 相似文献
3.
基于神经网络的进化机器人组合行为方法研究 总被引:2,自引:0,他引:2
为了克服传统机器人设计方法存在的局限性,提高机器人的自适应能力,采用神经网络方法实现了进化机器人避碰、趋近及其组合行为学习,首先,提出了新的机器人模拟环境和机器人模型,结合了采用神经网络实现进化学习系统的方法。其次,对具有进化学习机制的机器人基本行为和组合行为学习系统进行了仿真,并通过仿真证明了新模型不要求环境知识的完备性,机器人具有环境自适应学习能力,还具有结构简洁、易扩展等特点,最后,对仿真结果进行分析与讨论,并提出了进一步研究方向。 相似文献
4.
在弱通信条件下,传统的机械流水线任务分配方法采用任务的随机分配,无法根据流水线的实际负载能力,将应有的任务量分配到相应的流水线上。提出一种基于简化粒子群优化算法(Simplified particle swarm optimization algorithm,SPSO)的高效机械流水线任务分配方法,首先对每个流水线的实际负载能力进行动态评估。然后采用粒子群优化算法对所有流水线负载分配相应的计算任务。由于每个负载的任务量是根据实际的流水线性能来分配的,所以可以使得全局的效率最优化。最后通过实验对算法的性能进行验证。结果显示,改进方法在基于粒子群优化的机械流水线任务分配下,任务根据流水线性能,呈现很好的聚类,算法收敛性好,分配任务速度快,具有很好的应用价值。 相似文献
5.
6.
特征选择和分类器参数优化是提高人体行为识别率的关键技术,针对当前模型没有考虑两者之间的联系不足,为了提高人体行为的识别率,提出了一种特征选择和分类器参数优化联合进行的人体行为识别模型。首先,分析当前人体行为识别研究的现状,并建立人体行为识别特征和分类器参数优化的数学模型;然后,利用改进粒子群算法对数学模型进行求解,建立最优的人体行为识别模型;最后,通过仿真实验测试其性能。结果表明,其模型克服了人体行为识别模型的缺陷,提高了人体行为识别率,识别速度也要快于对比模型。 相似文献
7.
8.
9.
面对稀缺的医疗资源,心血管疾病的上升趋势,自动化诊断日趋迫切。为实现心电自动化诊断,提出了一种使用简化粒子群算法来自动搜寻集成稀疏核主分量分析的参数,并以此获得的集成稀疏核主分量分析模型来对用心电数据绘制的RdR散点图进行识别分类的方法,以期实现心电自动化诊断。算法通过计算样本数据与使用核主分量分析映射数据之间的距离差值来研究数据之间的最大相似性,并以此来判断样本数据类别,在对正常窦性心律、非偶联早搏、二联律早搏、三联律早搏以及混合早搏这五种心律进行的分类实验结果显示,可以准确识别不同的心律,分类的正确率较高,有助于心电自动化诊断的实现。 相似文献
10.
11.
基于混合的GA-PSO神经网络算法 总被引:1,自引:1,他引:1
粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。 相似文献
12.
为了减少机器人运动轨迹误差,实现对机器人的精准控制,提高机器人的运动效率,设计了基于LabVIEW的机器人的运动控制系统;采用了NI公司的控制板卡,选用了Odriver驱动器作为主控制器,选用大力矩伺服电机作为驱动电机,实现运动控制系统的硬件架构的设计;通过脉冲信号驱动电机运动,获取机器人的运动轨迹数据,通过进行对控制... 相似文献
13.
14.
基于粒子群优化算法的测试选择优化方法研究 总被引:1,自引:3,他引:1
测试选择优化问题作为复杂电子装备的诊断设计优化过程中的一个关键问题,是一个典型的集合覆盖问题,属于经典的N—P难题;针对现有优化方法存在的不足,通过对测试选择问题的分析,提出一种基于二进制粒子群优化算法的测试选择优化方法,将备选测试集合采用二进制粒子编码,构造粒子适应度函数,通过粒子群搜索实现了快速求解;与传统方法相比较,该方法搜索速度快,优化效果明显,该方法已在工程实践中得到应用。 相似文献
15.
针对工业生产中电阻炉温度控制系统所存在的大惯性、大滞后等问题,提出一种应用于电阻炉炉温的基于改进粒子群(PSO,particle swarm optimization)算法的模糊RBF-PID控制策略.在该控制系统中,采用引入惯性权重因子和遗传变异算子的改进粒子群算法对模糊RBF(径向基函数)隶属度函数的初始值进行优化,再用BP(误差反向传播)算法进行细调,并结合模糊推理和RBF学习能力在线调整PID控制参数,从而达到最优的PID控制效果.仿真结果表明,该算法跟踪快、超调小、不易陷入局部极小值,同时鲁棒性和抗干扰性优于传统PID控制. 相似文献
16.
针对传统的解耦方法对实际工业生产过程中的多变量、非线性、强耦合系统解耦效果不理想的问题,提出了改进的简化粒子群(isPSO)算法与PID神经网络(PIDNN)相结合的方法。PIDNN训练用于消除回路间的耦合,其连接权值由简化粒子群算法学习优化。该isPSO算法能克服PIDNN易陷入局部收敛的缺点,而且与基本PSO算法相比,搜索到最优值的概率更高。采用的小步长线性递减惯性权重和增加的极值扰动算子,则加速了对PIDNN权值的优化。通过对强耦合对象火电厂锅炉燃烧系统的仿真表明,该方法具有更好的控制品质:鲁棒性强、跟踪快、解耦效果好,为实际应用中强耦合系统的改进提供了理论依据。 相似文献
17.
在高维的基因表达谱数据中,只有少量基因对分类诊断其作用,而且还存在大量冗余的与癌症分类诊断无关的噪声基因,这些都会导致分类性能的下降。通过基因选择选取与分类紧密关联的基因,不仅能够剔除与疾病无关的基因,减少机器学习算法的时间复杂度和空间复杂度,提高分类的正确率,而且选出的特征基因可以作为肿瘤基因诊断和肿瘤药物治疗靶标确定的依据,降低后期生物学分析成本。本文提出一种基于聚类和粒子群算法(Particle swarm optimization,PSO)的基因选择方法,在PSO算法进行搜索之前,先对基因进行聚类,并对聚类结果进行选择,将被选中的簇的中心作为PSO的初始值,每个被选中的簇作为一个搜索空间,并利用极限学习机(Extreme learning machine,ELM)的分类精度作为特征选择的适应评价标准。该算法不仅有效地利用了聚类算法对基因进行初步归并的能力,也利用了PSO算法的全局优化能力,克服了传统PSO算法早熟、局部收敛速度慢的缺点,因此它能够高效地完成最优基因子集的确定,同时提高癌症分类正确率。 相似文献
18.