一种生长型神经网络的倒立摆控制方案

针对倒立摆系统,提出了在结构上可生长的神经网络控制方案。网络利用细胞生长结构算法,在工作域中实现对状态变量的模式分类,并通过新神经元的插入实现网络规模的生长演化。在输出域中针对倒立摆控制任务采用强化Hebb学习机制,实现不同的神经元以最佳方式响应不同性质的信号刺激。仿真表明,通过神经网络自身的发育,该方案有效控制了倒立摆系统。     

基于模糊Hopfield网络的神经元模糊识别系统

本文基于模糊Hopfield网络研究提出了一种神经元模糊识别系统(Neuro-Fuzzy Recognition System,简称NFR系统,或NFRs).其核心是(N+1)阶模糊Hopfield网络和NFR聚类核.通过(N+1)阶模糊Hopfield网络中的N阶子网络,对样本模式进行模糊聚类,学习样本模式中隐含的模糊聚类结构知识,形成NFR聚类核.基于NFR聚类核形成的知识结构,(N+1)阶模糊Hopfield网络对由待识别模式和样本模式构成的模式集合进行模糊聚类运算.NFRs可对模式空间的模式进行分类和识别,并依样本模式将其划分为等价类.论文对NFRs的性能进行了理论分析和示例研究,结果显示,NFRs具有良好的特性.     

用多模神经网络预测蛋白质二级结构

提出了一个由7个BP神经网络组合成的多模神经网络的预测模型,同时给多模神经网络引进了较多的生物进化信息(Evolutionary information),即一方面引入了“profile”编码,这种编码被认为携带了较多的生物信息;另一方面引入了氨基酸之间的“距离”概念．它体现了输入层临近氨基酸的相互联系和影响．对从36个蛋白质提取的4000个氨基酸的进行了预测研究．结果表明,与文献[1]的预测结果相比,本文的多模神经网络把蛋白质二级结构预测的平均精度从66．1502％提高到68．8903％．     

基于目标导向行为和空间拓扑记忆的视觉导航方法

针对在具有动态因素且视觉丰富环境中的导航问题,受路标机制空间记忆方式启发,提出一种可同步学习目标导向行为和记忆空间结构的视觉导航方法.首先,为直接从原始输入中学习控制策略,以深度强化学习为基本导航框架,同时添加碰撞预测作为模型辅助任务;然后,在智能体学习导航过程中,利用时间相关性网络祛除冗余观测及寻找导航节点,实现通过情景记忆递增描述环境结构;最后,将空间拓扑地图作为路径规划模块集成到模型中,并结合动作网络用于获取更加通用的导航方法.实验在3D仿真环境DMlab中进行,实验结果表明,本文方法可从视觉输入中学习目标导向行为,在所有测试环境中均展现出更高效的学习方法和导航策略,同时减少构建地图所需数据量;而在包含动态堵塞的环境中,该模型可使用拓扑地图动态规划路径,从而引导绕路行为完成导航任务,展现出良好的环境适应性.     

基于复合协方差函数的多任务模仿学习算法的研究与实现

针对多任务下机器人模仿学习控制策略的获取问题,构建复合协方差函数,采用高斯过程回归方法对示教机器人的示教行为样本点建立高斯过程回归模型,并对其中的超参数进行优化,从而得出模仿学习控制策略,模仿机器人应用控制策略完成模仿任务。以Braitenberg车为仿真实验研究对象,对其趋光、避障多任务的模仿学习进行研究。仿真实验研究结果表明：与基于单一协方差函数的模仿学习算法相比,基于复合协方差函数的模仿学习算法不仅能够实现单任务环境下的机器人模仿学习,而且能够实现多任务环境下的机器人模仿学习,且精度更高。任务环境改变实验研究结果表明该方法有很好的适应性。     

在书写任务中的基于轨迹匹配的模仿学习

针对书写任务中运动轨迹较复杂的问题,引入基于轨迹匹配的模仿学习算法对书写轨迹进行表征和泛化,进而实现机器人书写技能的获取。机器人从示教者处获取示教数据,利用高斯混合模型( Gaussian mixture model, GMM)进行编码,学习示教行为的本质特征,通过高斯混合回归进行泛化处理,实现行为再现。实验结果表明：该方法具有良好的行为编码能力和抗干扰性,能够实现轨迹可连续的汉字书写,通过对GMM的扩展能够进行多任务学习,进而实现轨迹不可连续汉字的书写,泛化效果较好。     

一种基于混合学习策略的移动机器人路径规划方法

针对未知环境下移动机器人路径规划问题,以操作条件反射学习机制为基础,根据模糊推理系统和学习自动机的原理,提出一种应用于移动机器人导航的混合学习策略.运用仿生的自组织学习方法,通过不断与外界未知环境交互从而使机器人具有自学习和自适应的功能.仿真结果表明,该方法能使机器人学会避障和目标导航任务,与传统的人工势场法相比,能有效地克服局部极小和振荡情况.     

基于单神经元控制器的独轮自平衡机器人双闭环自适应控制

针对竖直飞轮的独轮自平衡机器人系统,提出了一种基于自适应单神经元控制的双闭环(DLSN)控制方法.根据对独轮自平衡机器人动力学模型的分析,将独轮自平衡机器人分成两个子系统,提出了一种具有俯仰倾角和横滚倾角内环、前向位移外环的双闭环自适应控制结构,其中每个控制环均由单神经元自适应控制器构成.仿真实验结果表明:所设计的基于双闭环单神经元自适应独轮自控制方法是有效的.     

基于非线性PID的柔性两轮机器人运动控制

柔性两轮机器人是一种不稳定、非线性、强耦合系统。该系统的突出特点是在机器人的腰部装有柔性的机体结构,能够更好地模拟人和动物的生物动力学特性,具有更好的仿生性质,同时,系统的控制难度显著增大,为使机器人能够平衡直立运动,且具有较强的鲁棒性,提出了非线性PD的姿态平衡控制方法,实现了机器人的姿态平衡,并同时设计了PID航向差动控制结构驱动左右轮电机,使机器人能够完成直线行进、自旋、环绕等多种运动平衡模式。实验结果表明,机器人具有优良的平衡能力和机动性能,从而验证了方法的有效性。     

旋翼飞行机器人的动力学建模与容错自适应控制

针对目前无人飞行器在受限环境执行作业时操控性和安全性不足的问题,设计了一种基于旋翼动力的碟式自主旋翼飞行机器人(rotor aerial robot,RAR),采用内置桨叶和冗余执行机构以增强飞行器的安全性和容错能力,采用内、外双旋翼系统和碟式机体构架以提高空气动力特性和操控性能.运用牛顿-欧拉方法建立了系统的6自由度(six-degrees-of-freedom,6-DOF)动力学模型,根据模型执行环节易受气动干扰或故障等因素影响而出现参数不稳定的问题,设计了容错自适应控制方法,在Matlab/SIMULINK环境下以飞行器的侧向通道控制为例进行了仿真实验,验证了旋翼飞行机器人具有良好的操控性和鲁棒性.