基于图像处理的机器人目标识别与定位系统

为实现移动机器人对目标的导引,提出了一种简单有效的方法。机器人视觉系统的关键技术是对目标实时、准确的提取,而目标提取的实质是图像分割。该文介绍了一种基于色彩空间参照表的适用于机器人视觉系统目标提取的图像分割算法,通过图像处理计算出主动目标图像特征的质点来实现对目标的定位,利用神经网络建立了目标从图像空间到摄像机空间的坐标对应关系,从而对空间运动目标进行了定位。仿真结果也验证了该方法的有效性和可行性。     

不确定性X-Y定位平台PID控制方法研究

X-Y定位平台属于强耦合非线性系统,且由于结构复杂性及外界干扰,当前测量水平难以获得其精确的数学模型,提出基于自适应神经网络的PID控制策略。考虑到X-Y定位平台系统精确的数学模型难以获得,利用神经网络良好的学习能力来逼近系统未知非线性模型,设计神经网络控制器;为了保证神经网络在学习的初期阶段的控制精度,设计PID控制器来进行辅助补偿控制;为加快学习速度,提高运动控制的实时性,设计变学习率的优化算法来实现神经网络权值的在线调整。试验结果验证了所提控制方法的有效性。     

移动机器人过程神经网络RTK-GPS定位研究

在中国自主研发北斗三号系统已经全面运行,实现全球定位的背景下。为了进一步提高移动机器人地面终端卫星导航定位功能,针对移动机器人数据接收解析的高频振荡随机干扰信号和系统高阶动态非线性对定位导航精度的影响,提出一种利用过程神经网络的时变特性,构建动态自适应RTK-GPS(Real Time Kinematic-Global Position System)定位算法。通过现有的卫星定位终端的输入输出数据构造出神经网络模型,再利用动态误差数据为样本对这个神经网络模型进行训练校正,在卫星信号受到干扰或失锁时利用训练好的过程神经网络预测输出来抑制位置和速度误差发散,从而提高定位和导航精度。实验表明本方法在定位干扰噪声为非定常量的条件下,仍然对定位精度的提高适用有效,能显著降低定位结果误差,尤其在可观察卫星数量变化时表现出较强的鲁棒性。     

基于有限元法和神经网络技术的汽车碰撞事故再现

为充分利用事故变形信息,提出采用有限元法和神经网络技术进行事故再现的方法.在该方法中,首先采用数字测量技术得到事故车辆变形关键点的测量值,采用有限元仿真技术得到此关键点的计算值.将事故发生前的车辆运动参数作为神经网络的输入数据,关键点变形量测量值与仿真计算值的偏差作为神经网络的输出数据,将汽车碰撞仿真结果作为网络训练样本,对训练完成的神经网络进行优化求解得到事故发生瞬间的车辆运动参数.应用此方法对一起车-障碍物碰撞事故案例进行再现分析,建立整车、障碍物及地面有限元模型,选取前纵梁及挡泥板上的11个定位孔与螺栓孔作为变形量测量的关键点,再现分析结果验证了该方法的有效性,为事故责任鉴定提供了科学依据.     

基于级联卷积神经网络的荧光免疫层析 图像峰值点定位方法研究

针对目前荧光免疫层析定量图像峰值点定位易受多种因素影响,导致物质定量准确度低的问题,提出了一种融合目标检测的级联卷积神经网络(CNN)算法。第一层级联算法首先使用经改进的AlexNet算法对荧光免疫层析定量图像中包含质控(C)峰和检测(T)峰的区域进行检测和提取。之后将提取到的图像区域送入第二层级联卷积神经网络中,对C峰和T峰的位置进行快速定位。随后将定位结果输入到第三层级联卷积神经网络中,对上一层输出的C峰和T峰的定位结果进行精准微调。最后输出C峰和T峰的准确定位信息。实验结果表明,提出的级联卷积神经网络算法,对荧光免疫层析图像峰值点的平均定位准确度达到了96%以上,提高了峰值点的定位准确度。     

GPS/INS组合导航系统的研究

讨论了飞机惯性导航系统(INS)与全球卫星导航系统(GPS)的利与弊以及卡尔曼滤波方法在组合定位中的应用情况,进一步提出了基于神经网络数据融合方法的GPS/INS组合导航系统.系统神经网络结构采用单隐层的三层神经网络,输入输出神经元数目是4个,基于256个训练样本由经验公式求得隐层神经元数目为8个,同时还建立了惯导系统的数学模型和数据融合的数学模型.给出了利用MATLAB编制的神经网络训练程序并对这一神经网络进行了训练和仿真.实验表明,组合导航系统经度误差可达9m,纬度误差可达8m,与单独GPS定位和INS定位相比精度得到了提高.     

运用神经网络对捅风眼机定位

本文介绍了一种运用神经网络对捅风眼机定位控制系统的设计和实现方法，该系统能有效地对捅风眼机进行定位。     

基于神经网络-牛顿混合算法的盾构机掘进位姿求解研究

为了解决盾构机推进系统运动学建模及正解求解困难等问题,采用简化等效模型法,构建了盾构机推进系统简化模型,将n-SPS的盾构并联推进系统简化为4-SPS的等效并联推进机构,并构建其运动学模型.根据建立的等效机构运动学模型,采用神经网络-牛顿混合算法求解盾构掘进位姿;利用神经网络的解域搜索功能,对初值进行预测并把预测结果代入牛顿迭代法进行计算求解,分析比较了单一神经网络预测值与BP神经网络-牛顿迭代混合算法计算结果的优劣性.研究发现,盾构机推进系统等效模型的建立可以大大简化运动学建模复杂度,而且利用混合算法求解运动学正解的求解精度更高,可以提高盾构机掘进位姿控制精度,从而提高掘进隧洞质量.     

基于神经网络与自调节卡尔曼滤波的超宽带定位算法研究

提出了一种基于神经网络与自调节卡尔曼滤波的超宽带(UWB)定位算法，以改善目前某三线自动驾驶轨道交通系统车辆定位精度不够高的现状。使用UWB标签和基站采集大量标签与各个基站的距离信息及对应标签的实际位置训练神经网络。在实时定位阶段，标签与各个基站的距离信息经网络发送至集中控制中心的服务器，通过优化后的神经网络得出实时的UWB定位标签的位置，对实时得到的标签位置使用自调节卡尔曼滤波以进一步提高精度。根据实车运行情况设计了一组包含斜道、直道和弯道的UWB标签移动轨迹进行仿真，并搭建UWB定位系统，设计标签的行驶轨迹，对神经网络与自调节卡尔曼滤波结合的UWB定位算法进行实验验证。结果表明：神经网络与自调节卡尔曼滤波结合的定位算法最大定位误差为223.58 mm,平均定位误差为43.16 mm,定位误差均方根值为42.06 mm。提出的神经网络与自调节卡尔曼滤波结合的定位算法相较于三点定位算法、卡尔曼滤波算法和神经网络算法，具有精度高、实时性好及稳定性高的优点，能够满足目前该三线轨道交通的定位要求。     

基于小波神经网络柱塞泵液压系统的故障诊断研究

为了能够有效地对柱塞泵液压系统进行故障诊断,该文深入研究了小波神经网络在其中的应用.首先,分析了小波神经网络的基本原理,确定了小波神经网络的结构;然后,研究了小波神经网络的算法,选取了具有全局最优的粒子群优化算法.接着,设计了小波神经网络训练的流程;最后,对柱塞泵液压系统进行了故障诊断研究,经过仿真计算,最终得出小波神经网络具有故障诊断正确率高和诊断速度快的优点.