基于粒子群算法的移动机器人全局最优路径规划*

以栅格法和粒子群算法为基础,提出了一种新的机器人实时全局最优路径规划方法.该方法包括采用栅格法对环境进行建模和直接运用粒子群算法在环境模型中搜索全局最优路径.在计算机上进行了仿真,仿真结果证明了该方法的可行性和有效性.     

基于鲁棒学习算法的水下机器人神经网络控制

针对水下机器人神经网络控制系统响应速度慢及对噪声较敏感的问题,依据变结构控制理论,结合误差反向传播学习算法,推导出一种新颖的强鲁棒性学习算法,并详细讨论其全局稳定性条件,最后在水下综合探测机器人仿真平台上进行了试验研究.结果表明,控制器对学习率的改变和外界扰动有很强的鲁棒性,大大降低了机器人机械传动系统的磨损,且能够保证神经网络快速、稳定地学习,从而满足实时性控制的要求,具有较高的理论和实用价值.     

一种评价二尖瓣偏心返流严重程度的修正PISA算法

基于彩色多普勒成像的近测等速面(PISA)算法是临床评价二尖瓣中心返流严重程度的一种常用方法,但对于偏心返流却存在极大低估。针对这一现状,从返流角度和湍流强度两个方面,对传统PISA算法的有效返流瓣口面积(EROA)进行修正。为比较首先用传统PISA算法的EROA对具有不同程度偏心返流的20例患者进行分级,结果误差较大;用改进PISA算法的EROA分级效果良好。对比实时三维超声测得的数据表明修改后的PISA算法相关性更好。     

重力坝弹性参数反演的灵敏度分析及一种新的反演算法

依据结构灵敏度分析理论,采用基于有限单元法的解析灵敏度分析方法,对影响重力坝材料参数反演质量的位移观测点位置进行了研究,得到了坝顶位移最适合于反演大坝弹性模量的结论。同时引入一种新的群集智能优化方法—人工鱼群算法（AFSA）,根据大坝坝顶的增量位移进行混凝土大坝和坝基岩石材料参数的反演。算例分析表明：AFSA能够稳定快速地收敛到所求参数的全局最优值;同时加入不同水平的噪音对该算法的数值稳定性进行了研究,结果表明算法稳定性良好。     

基于操纵平稳性的液压挖掘机轨迹规划方法

以既能达到良好的轨迹规划精度,又有优良的操纵平稳性为目标,提出了一种挖掘机器人的智能轨迹规划方法.以挖掘姿态角为优化变量;油缸进程和加速度梯度为双目标;位置盲角和最佳切削范围为约束建立优化数学模型,采用遗传算法寻找最优值.对3种规划策略：被动修正法、主动调整法和智能规划法进行了行程和速度梯度对比,结果表明,采用优化规划方法可以大幅减少液压系统冲击和振动,使挖掘机操纵更加平稳.     

CBR技术在自动配色系统中的应用研究

为提高复杂多变条件下的配色准确率,提出了基于案例推理（case-based reasoning,CBR）的新型自动配色技术,并给出了原型--基于案例推理的配色系统(CBRCMS). CBRCMS对配方库组织结构、配方检索、配方复用、学习调整等关键技术进行了探讨.CBRCMS基于大量的历史优良配方,以色度迭代逼近技术作为配色精度的基本保证,并将其作为CBR配方复用的主要方法.实验数据显示,CBR的引入可明显提高配色准确率,CBR技术的自适应、自学习特点对传统配色技术是很好的补充.     

基于内容与协同过滤的GitHub学习资料库推荐

随着互联网信息资源的快速发展,信息过载已成为用户面临的严峻问题.用户在使用互联网搜索学习资料时,海量信息导致用户不能快速选择自己需要的学习资料,故迫切需要推荐引擎来提高搜索效率.基于内容与协同过滤算法对GitHub学习资料库进行整合,取长补短,以实现个性化的学习资料库推荐.     

不平衡数据下基于PSO-BP算法的输电线路弧垂预测

针对架空输电线路弧垂在计算过程中易受测量数据(温度、风速、档距等参数)影响的问题,提出了基于数据预处理的PSO-BP神经网络弧垂预测模型.对收集数据中部分样本缺失的情况,使用合成少数过采样技术(SMOTE)对不平衡样本进行合成;构建PSO-BP神经网络用于弧垂预测,使用不同工况条件的数据训练网络,实现弧垂预测的目的,并将网络的性能与传统的BP神经网络性能进行对比.实验结果表明,与传统BP神经网络模型相比,本文提出的模型进行弧垂值预测后所得的误差绝对值显著降低.本文提出的模型可以加快训练速度、提高预测精度.     

Conwep算法和压力时程曲线荷载施加法在爆炸毁伤分析中的适用性

为给大型结构毁伤研究提供技术支撑,应用显示动力学有限元软件ANSYS/LS-DYNA,以加筋板毁伤实验为依据,分别采用Conwep算法和压力时程曲线荷载施加法将爆炸荷载施加到加筋板模型上,将两种方法的数值模拟结果与实验结果进行对比,并从受爆结构单元、荷载施加范围以及结构位移与速度3个角度分析两种方法的适用范围和局限性.结果 表明:应用Conwep算法得出的数值模拟结果与实验结果的相对误差不大于5.15％;应用压力时程曲线荷载施加法得出的数值模拟结果与实验结果的相对误差不大于5.46％,均满足工程要求.因此两种方法均可作为爆炸荷载施加方法.     

基于卷积神经网络的目标检测

为了完成视频图像中人体检测,将卷积神经网络和梯度算法结合.将YOLO网络模型结构以及算法函数进行了优化调整.为了保留视频时间信息,引入了卷积神经网络反馈时间维度.采用长短记忆卷积神经网络(LSTM)进行训练,通过将迭代过程的最优解保留,加快了梯度算法中的搜索速度,并且保证收敛于全局最优解.