贝叶斯正则化的LMBP神经网络在电气检测系统中的应用

针对现役某型火箭布雷车上装电气系统存在较多的故障,提出了基于贝叶斯正则化的LMBP(levenberg marquardt back propagation)神经网络故障诊断算法。用基于贝叶斯正则化的LM算法来优化BP神经网络,分别结合小数据和大数据对该神经网络进行分析验证。实验结果表明,该方法收敛速度快,且预测精度高,可以用于电气系统的故障诊断和识别。     

无线传感网贝叶斯目标跟踪定位算法

提出一种贝叶斯目标跟踪定位算法。针对问题模型,进行网络拓扑结构建立,采用贝叶斯方法对目标下一位置区域进行预测,从而对目标进行跟踪优化,实现选取合适的定位参与节点。通过实验仿真表明,该算法能够有效实现目标节点的跟踪定位。     

仿生跳跃机器人气动串联弹性关节的位置/刚度控制

设计了一种气动人工肌肉驱动的串联弹性关节,基于气动人工肌肉Chou模型,建立了串联弹性关节的动力学模型,推导出关节刚度,获得了关节刚度与肌肉内部气压、弹性体刚度的关系。设计反向传播（back propagation,BP）神经网络整定PID参数的BP-PID控制算法,开展了气动串联弹性关节的位置与刚度控制研究。仿真结果表明BP-PID控制优于PID控制,关节位置跟踪精度由0.58°变为0.10°,关节刚度跟踪精度从0.026 N·m/rad变为0.005 N·m/rad。实验结果表明关节位置跟踪平均误差由0.347°减小到0.117°,关节刚度跟踪平均误差从0.024 N·m/rad减小到0.019 N·m/rad。     

基于改进BP神经网络的结构可靠度计算方法

针对传统BP神经网络代理模型拟合精度不足和计算效率较低的问题,采用思维进化算法(MEA)优化BP神经网络,提出一种基于改进BP神经网络代理模型的可靠度计算方法.首先采用MEA对BP神经网络的权值和阈值进行优化,获取最优的初始值,然后利用贝叶斯正则化(BR)算法对优化过后的网络进行训练,建立MEA-BR-BP神经网络代理模型,并采用测试函数验证改进代理模型的有效性,最后结合Monte Carlo法计算转向架构架的可靠度.研究结果表明:所提方法在提高拟合精度的同时兼顾了计算效率,验证了所提方法的优越性和可行性.     

基于磁传感器阵列的消化道微型诊疗装置定位跟踪方法

实时定位与跟踪是消化道微型诊疗装置实际应用中必须解决的关键问题。提出了一种基于三轴磁感传感器阵列的实时定位跟踪方法，使用磁偶极子模型作为永磁体的磁场分布模型，用4×4的三轴磁感传感器阵列检测永磁体的空间磁场，通过控制电路和USB接口适配器将检测出的信号传入计算机，最后由定位程序使用非线性最优化方法由磁场信号解出永磁体的位置和姿态信息。设计了磁定位系统，建立了三维实验平台，并开展了定位，模拟肠道轨迹跟踪和介质材料影响等实验。实验结果表明该系统能够对内置小型永磁体的电子胶囊的位置和姿态进行非接触测量，对于距离传感器阵列平面150mm的电子胶囊，平均定位精度小于7mm，平均定向精度小于6度，该系统能够对在距离传感器阵列平面80mm至250mm的模拟肠道内运动的电子胶囊实现轨迹跟踪，并且定位精度对人体、织物、塑料等非磁性介质不敏感。该系统基本能够满足消化道微型诊疗装置在体内的实时定位与连续跟踪的要求。     

胶囊内窥系统的像质提升方法

针对目前胶囊内窥镜存在分辨率低,视场角有限,受噪声影响大等问题,提出了系统解决方案。通过引入Q-type非球面校正像差,得到一款全视场角为160°,相对孔径为F#3.0,系统总长为4.3 mm的内窥镜成像镜头,在140 lp/mm处各视场调制传递函数（MTF）值均大于0.3。光学系统成像质量的好坏不仅取决于镜头的性能,还与图像传感器有关,尤其在低照度环境下。通过分析传感器工作时各个阶段噪声的特性得到噪声模型。利用建立的噪声模型,合成了胶囊内窥镜图像数据集,并训练神经网络模型。对算法模型的测试结果表明,本文提出的综合解决方案可以有效地提高胶囊内窥镜系统的成像质量。     

基于变分贝叶斯的自适应 PF-SLAM 方法研究

针对移动机器人即时定位与地图构建中时变观测噪声及粒子位置分布对SLAM精度的影响,本文提出基于变分贝叶斯的自适应PF-SLAM算法,采用高斯混合模型对时变的观测噪声建模,并通过变分贝叶斯方法,迭代估算出混合模型中的未知参数;同时根据粒子权值将粒子划分为固定粒子和优化粒子,通过粒子间的近邻拓扑位置关系调整粒子分布,处理时变观测噪声与优化粒子的位置分布,使得优化的粒子集可以更好地表示机器人位置概率分布,实现观测噪声及粒子位置分布自适应。仿真实验表明本算法对比传统PF-SLAM算法定位与地图构建误差降低了76.45%。实际实验表明本算法处理下的环境轮廓误差对比传统PF-SLAM算法的环境轮廓误差减小了61.87%。该算法有效提高了移动机器人的状态估计精度,为移动机器人即时定位与地图构建提供了新的参考。     

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。     

一种新型的内窥镜三维形状重构与定位算法

本文在研究智能内窥镜显示系统前提下,提出了一种新的内窥镜形状重构算法以及内窥镜前端的定位方法.在不改变内窥镜结构的情况下,将FBG(fiber bragg grating)传感器阵列内置于内窥镜钳道中,通过测得内窥镜中FBG传感器波长的变化来推导内窥镜任一点相对于内窥镜末端点的位姿,从而利用曲线拟合的方法重构出整个内窥镜的形状以及对前端的定位.受安装条件的限制,FBG传感器检测单元封装在SMA (shape memory alloy)合金丝上的真实位置与理论位置有较大的误差.为了减少安装精度对整个形状重建的影响,对传感器安装误差进行了分析以及对形状重构算法进行了修正.实验结果表明内窥镜前端的位置精度提高到了4.5 mm.     

基于贝叶斯统计模型的金属缺陷电磁成像方法研究

提出了一种基于贝叶斯理论的电磁层析成像(EMT)图像重建算法。传统的正则化方法仅仅能获得单一电导率的近似估计值,提供的模型信息量有限。统计概率方法可以获得大量合理的模型参数估计值,根据缺陷分布的稀疏性,将求解电导率划分为一系列块状结构,使用稀疏贝叶斯学习框架,将电导率分布的稀疏先验信息和噪声信息等统计信息引入到EMT图像重建中,可以得到电导率分布全面的统计描述。为验证该算法的有效性,将新方法与共轭梯度算法、总变差正则化算法进行比较,并基于EMT实验系统进行了缺陷成像实验。仿真和实验结果表明,含有统计信息的稀疏贝叶斯算法与传统算法相比,图像误差降低20%,有效提高了重建图像质量与精度。     

复眼位标器的标定与探测

介绍了一种新型大视场、高灵敏度的复眼位标器,用于探测低空飞行目标并快速获取目标物体的运动参数。叙述了复眼模型的结构和制作方法,并利用Zemax对子眼成像通道光线追迹考察其成像特性。介绍了复眼标定与探测方法。采用基于LM算法的神经网络训练,建立各个通道精确的物像对应关系。为了检验神经网络标定算法的效果,采用传统的基于二次多项式拟合的算法进行校正对比。仿真结果表明,神经网络算法可以提供更好的精度,从像点可以准确地预测主光线的方向角(10-3～10-4rad),而且具有易于集成,方便快捷的特点。此外,进行了目标定位检测的仿真实验,计算了若干目标点的坐标,结果表明各个坐标相对误差均在3%以内,对于牺牲空间横向分辨率来提升视场角的复眼光学系统,该结果符合目标探测的要求。     

采用改进遗传算法优化神经网络的双目相机标定

针对传统BP神经网络在双目相机标定过程中存在的迭代时间长、精度低等问题,提出了基于改进遗传算法优化BP神经网络的方法来完成双目相机标定。使用融合多格算法的Trajkovic算子进行角点检测,利用点对点空间映射和网格运动统计相结合的方法完成同名角点匹配,在此基础上,提取同名角点的像素值并计算其实际的三维坐标值。对遗传算法的交叉和变异概率及选择算子进行改进,利用改进后的遗传算法对BP神经网络进行优化,将像素值和三维坐标值分别作为BP神经网络的输入和输出,进而完成双目相机的标定。实验结果表明：优化前后的平均标定预测精度分别为0.66 mm和0.08 mm,其平均标定预测精度提高了88%。优化前后的标定测试迭代次数分别为736和169,优化后迭代速度提高了3.4倍。改进遗传算法优化BP网络在双目相机标定过程中取得较好的效果,满足了双目相机标定的要求。     

基于FBG和BP神经网络的声发射定位方法

针对传统基于神经网络的声发射定位选择的样本不具有广泛代表性的问题,提出了基于光纤布拉格光栅(fiber Bragg grating,简称FBG)传感和反向传播(back propagation,简称BP)神经网络的声发射定位技术。该方法使用提取的窄带信号间时差作为样本,无需考虑损伤特性及波速对定位的影响,同时使用Levenberg-Marquardt(简称LM)算法训练样本,提高了BP神经网络的训练速度。在500mm×500mm的铝合金板上进行实验,声发射定位的平均误差为6.65mm,验证了该方法的有效性和准确性。     

纸浆浓度传感器非线性估计和动态标定的一种新方法

本文提出了一种基于人工神经网络的纸浆浓度传感器非线性估计和动态标定新方法。该方法用４次幂级数多项式拟合浓度传感器的非线性模型，多项式的系数可由神经网络学习算法得到。当环境条件发生变化时，只要给出几组测量数据对，该方法可自动重新训练网络，获得新的多项式系数，实现传感器的在线动态标定     

Real-Time Prediction of Workpiece Errors for a CNC Turning Centre, Part 4. Cutting-Force-Induced Errors

A neural network method is presented for predicting cutting-force-induced errors in real-time during turning operations based on the estimated cutting forces. Workpiece errors can be considerably affected by the deflections of the machine–workpiece–tool system. A model of the elastic deflections of the machine–workpiece–tool system due to the cutting force in turning developed. A novel radial basis function (RBF) neural network is used to map the relationship between the cutting-force components (radial, axial and tangential) and the consequent dimensional deviation of the finished parts caused by the combined deflections of the machine–workpiece–tool system. Cutting tests were performed on a two-axis CNC turning centre and the experimental results showed that the prediction accuracy of the maximum diameter error of the workpiece was within 15%. The trained RBF neural network was able to predict the cutting force induced error in real-time during turning.     

机器人逆标定方法研究

在分析传统机器人位姿标定方法的基础上,提出了一种新的机器人标定方法:基于神经网络的逆标定方法。这种标定方法把机器人关节角和相应的误差分别作为前馈神经网络的输入和输出来训练网络,从而实时获得机器人任意关节角的误差值,通过修改关节值来提高机器人的位姿精度。仿真和试验结果均证明了这种方法的有效性。。     

水下机械臂运动空间分析与轨迹跟踪算法优化

针对水下机械臂动力学模型不确定和未知外界干扰问题，采用基于HJI理论的径向基函数神经网络自适应控制算法对水下机械臂进行控制。首先，以水下六自由度机械臂为例，基于D-H法则对水下机械臂的运动学进行分析，通过仿真验证该方法的正确性；接着，基于蒙特卡洛法构建水下六自由度机械臂的运动空间云图，真实反映水下机械臂的运动空间；然后，以二自由度水下机械臂为例，设计基于HJI理论的RBF神经网络自适应控制器，利用神经网络的万能逼近原理逼近不确定干扰项，考虑到神经网络逼近存在误差，将逼近误差看作外界干扰项并通过HJI理论对逼近误差在线评价，评价系统对干扰项的抑制能力，并采用自适应算法在线估计网络权值，加快系统收敛；最后，通过仿真可知，该机械臂能较好地完成轨迹跟踪。     

模糊神经网络和遗传算法结合的船舶火灾探测

本文提出了一种模糊推理系统、神经网络和遗传霜结合的船舶火灾探测算法。该方法用神经网络来构造模糊推理系统,通过遗传算法对神经网络进行训练来实现船舶火灾的分级报警。仿真结果表明了算法的有效性。     

基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,     

结构光三维双视觉检测方法研究

介绍了结构光三维双视觉检测的基本原理，提出了标定点的空间坐标和图像坐标的获取方法，设计了用于获取标定点的双向光电瞄准装置，并建立了双向光电瞄准装置安装误差的补偿方法，在此基础上实现了双视觉传感器标定点数据的全局统一。最后，利用标定点样本数据建立了结构光三维双视觉RBF神经网络模型，最佳RBF模型的训练精度为0.078mm，测试精度为0.084mm。