一种基于递归神经网络的自适应控制方法研究

本文针对快速、多变量、强非线性的复杂系统的控制问题,在强化学习方式的基础上,提出一种新的自适应控制方法。该方法在没有先验知识的条件下,基于递归神经网络并结合强化学习的自调节能力,通过自身神经网络的在线学习,有效控制不稳定的非线性系统。本文以一级倒立摆系统为实验对象,仿真实验结果表明:所提出的控制方法具有非常好的控制效果和稳定精度,抗干扰能力强。     

基于连续Hopf ield 网络的多变量时变系统最优控制

针对多变量时变系统提出了一种基于连续Hop fie ld网络的最优控制系统设计方法.该方法不仅从理论上建立了移动时域上的LQ性能指标与连续Hop fie ld网络能量函数间的等价关系,并在此基础上设计出可求解LQ最优控制问题的连续Hop fie ld网络,而且将滚动优化控制策略引入控制系统,形成了包括连续Hop fie ld网络在内的闭环控制结构,实现了多变量时变系统无限域上的动态最优控制.仿真结果验证了该设计方法的有效性.     

基于基因表达谱的结肠癌特征基因选取

在分析肿瘤基因表达谱的基础上,运用模式识别方法选取结肠癌特征基因.利用浮动顺序搜索算法在结肠癌基因表达谱数据中生成若干个候选特征基因子集,再以RBF支持向量机作分类器,以其在训练集和测试集中的错误分类率为依据,从候选特征基因子集中选取结肠癌特征基因集合.实验结果表明了该方法的可行性和有效性.     

基于一种生长型神经网络的倒立摆控制

针对倒立摆这样的典型控制问题,提出了一种在结构与规模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的生长机制,在工作域中实现对刺激信号的自组织模式分类,并可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。最后进行了倒立摆的自学习控制的仿真实验,表明在自治地与环境的交互作用中,通过神经网络自身的发育,该方案有效地控制了倒立摆系统。     

肿瘤基因表达谱分类特征基因选取问题及分析方法研究

对肿瘤分类特征基因选取问题的研究是发现肿瘤特异表达基因、研究肿瘤基因表达模式的重要手段，文中基于多类别肿瘤基因表达谱数据集，从研究肿瘤与正常组织的分类入手，对肿瘤分类特征基因选取问题进行分析和研究，首先对基于Relief算法的特征选取策略加以改进生成候选特征集合；然后以支持向量机作为分类器对其分类性能进行检验以选取分类特征基因；最后结合分类模型。利用灵敏度分析方法进行特征基因的精确搜索以滤除冗余，基于该方法文中选出了52个具有良好分类性能的特征基因作为肿瘤的基因特征，并对其表达行为进行了简要分析。     

用细胞自动机实现Logistic模型

对应用于模拟肿瘤生长的Logistic模型进行了分析和研究,设计了基于一维细胞自动机的肿瘤动态生长模型. 以连续Logistic模型为基础,导出模型的离散差分形式;在前人工作的基础上,设计出基于细胞自动机的离散动态计算机生长模型,并设计出人工细胞自动机状态随机演化规则;对基于一维人工细胞自动机的肿瘤动态生长模型进行了数值仿真实验. 理论分析和结果表明细胞自动机模型仿真曲线与连续Logistic模型两者相互吻合.     

航天器非线性神经元控制方法研究

针对航天器控制问题,提出了一种非线性动态逆与状态反馈控制相结合的神经元控制系统设计方案,并成功的将其应用于登月舱软着陆过程的控制问题.该方案包含两部分:①应用神经元网络通过学习建立被控系统的非线性动态逆模型,实现被控非线性系统的线性化;②在线性化模型的基础上构造系统的神经元最优状态反馈控制器.本文给出的仿真结果显示出神经计算学在航天器控制问题中所具有的潜在能力.     

动态FOCPA学习系统设计及在机器人运动平衡控制中的应用

针对仿生自主学习系统的自组织和泛化能力问题,基于Skinner操作条件反射原理和模糊聚类算法设计了动态FOCPA（fuzzy operant conditioning probabilistic automaton）仿生自主学习系统。动态FOCPA学习系统不仅具有仿生的自学习和自组织能力,而且提高了学习的精度和速度。其在仅能获得环境微弱反馈信息的前提下,首先采用在线聚类的方法实现对输入空间的灵活划分,以确保映射规则的数目是最经济的;然后以取向值为评价信号,采用OC学习算法,在线自主学习输入状态到输出操作行为的最佳映射,并加入一个高斯噪声项对映射结果进行实时优化。此外,动态FOCPA学习系统还利用信息熵的评价能力,来验证自身的自学习和自组织能力。理论上分析了设计的OC学习算法的收敛性;通过对两轮柔性直立式机器人姿态平衡控制和速度控制的实验分析,验证了动态FOCPA学习系统的有效性。     

Skinner 操作条件反射的一种仿生学习算法与机器人控制

针对两轮自平衡机器人的运动平衡控制问题,提出了基于Skinner 操作条件反射理论的BP 神经网络 与资格迹相结合的仿生自主学习算法作为两轮机器人的学习机制．该算法利用资格迹能解决延迟影响、加快学习速 度和提高可靠性的特点,将其与BP 神经网络相结合构成复合学习算法,能够预测机器人将要获得的行为评价函数, 并依据概率取向机制以一定的概率选择最大评价值对应的最优行为,从而使机器人能够在未知环境下通过与环境的 交互、学习和训练,获得像人或动物一样的自主学习技能,实现对两轮机器人的运动平衡控制．最后,分别用基于 Skinner 操作条件反射理论的BP 算法和BP 资格迹复合算法对两轮机器人做了仿真实验并进行了比较．结果表明, 基于Skinner 操作条件反射理论的BP 资格迹复合仿生自主学习算法的学习机制能够使机器人获得良好的动态性能 和较快的学习速度,体现了机器人较强的自主学习技能和平衡控制能力．     

基于OpenGL的六自由度机械臂三维仿真工具的设计

针对六自由度链式机械臂,为了解决运动学分析结果不易验证以及在实际本体上试验成本较高的问题,开发了一套六自由度机械臂三维仿真软件;该仿真软件是在VC++6.0开发平台上.基于MFC框架类和OpcnGL的图形库进行开发的;仿真软件有效地验证了机械臂数学模型以及正、逆运动学求解工程的正确性,并且对4种轨迹规划方式的效果做了直观的比较;结果表明开发出来的仿真软件对机械臂的研究与教学起了相应的作用.