基于季节指数调整的循环神经网络风速时间序列预测

提出一种基于季节指数调整的神经网络风速预测方法。针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测。通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列。这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种或多种,为此采用时间序列分解模型对时间序列进行季节指数调整。最后采用LSTM 和GRU神经网络预测风速,得到了较好的预测结果,且与未调整的数据预测结果及加法模型季节指数调整后的预测结果相比,基于乘法模型季节指数调整的2种神经网络预测结果有更高的风速预测精度。     

基于改进粒子群算法的移动机器人路径规划方法研究

针对移动机器人传统路径规划算法效率不高、寻优能力差等问题,本文提出一种基于改进粒子群优化算法(PSO)的移动机器人路径规划方法。该方法采用神经网络训练碰撞罚函数,得到无碰撞路径,然后采用粒子群优化算法解决路径的最优问题。利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性。仿真结果表明,这种新路径规划方法是可行且有效的。     

热剪前转辙器导槽的改进试验

根据轧线的工艺要求,生产不同规格的钢材对应转辙器导槽也不同,所以生产人员需要耗费大量的时间更换对应的导槽,通过采用丝杠螺母结构,将其进行改进,使得改进后的导槽适用于不同规格的钢材,并在现场进行试验,发现导槽更换时间减少了80%,明显提高了生产效率,并节约了生产成本。     

基于改进遗传算法的移动机器人路径规划方法研究

路径规划是机器人技术研究领域中的核心问题。本文针对机器人路径规划问题,提出了基于遗传算法的解决方案。在遗传算子的设计中,通过加入自适应调整方法使得算法更加完善,解决进化过程中因陷入局部极小值而不能到达目标点的问题。最后,在模拟环境下进行路径规划仿真,验证了算法的有效性。     

基于神经网络和粒子群算法的移动机器人路径规划

针对移动机器人传统路径规划算法效率不高,寻优能力差等问题,提出一种基于神经网络和粒子群优化算法相结合的移动机器人路径规划方法.该方法利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性.仿真结果表明,这种新路径规划方法是可行且有效的.