基于中枢神经模式的四足机器人步态控制

为实现四足机器人稳定的节律性行走,研究基于中枢神经模式发生器(Central pattern generator,CPG)的比例步态控制方式。构建互抑神经元组成的振荡器模型,并基于振荡器模型组建四足机器人髋关节CPG网络。通过仿真研究得到模型各参数与CPG网络输出特性之间的关系,确定一套整定后CPG网络的模型参数,提出四足机器人比例步态,通过CPG模型阈值的调整可实现不同占空比的步态。对基于CPG网络的步态反射特性进行分析。试验表明,该方法可实现稳定的四足机器人行走,且具备一定的障碍物反射能力,具有较好的环境适应性。     

非线性振子的CPG步态控制方法研究

通过分析生物节律运动机理．提出基于中枢模式发生器模型的步态控制方法。利用改进的Vanderpol方程构造非线性振子作为单个CPG的数学模型。采用KB法得到振荡神经元一阶近似周期解,在此基础上设计具有线性反馈项的环状CPG网络模型,并给出了控制机器人步态协调运动方法。仿真结果验证了基于CPG模型的控制方法可以有效生成节律运动的常规步态并实现步态切换。     

一种用于多足步行机器人步态控制的CPG模型

基于对生物节律性周期运动的CPG控制的概念,采用Lakshmanan和Murali的双变量简化Hodgkin-Huxley振荡神经元模型作为CPG的振子。对该模型进行了不动点及稳定性分析和分岔分析,指出了其二次Hopf分岔特性和振荡条件。在此基础上,建立了一种用于八足步行机器人步态控制的CPG模型。通过分阶段遗传算法,分别针对几种步态进行了参数优化,通过仿真验证了所提出的CPG模型的可行性。     

双足机器人CPG控制研究

根据动物运动机制,提出了基于中枢模式发生器（central pattern generator,CPG）的双足机器人运动控制方法;采用Kimura神经元振荡器模型设计了双足机器人的CPG控制网络架构,分别用于控制双足机器人的髋关节、膝关节和踝关节。通过Matlab仿真和实体实验,验证了所设计的机器人CPG网络架构及双足机器人CPG控制方法的可行性和有效性。     

中枢模式发生器与足端轨迹的非线性映射

控制的仿生性和行走的稳定性是四足机器人步态研究中重要的两个方面。 为了提高四足机器人运动的稳定性,本文通 过 Hopf 振荡器搭建了 CPG 模型,分别实现了多种步态及步态之间的转换。 比较了基于 CPG 的步态控制方法和轨迹规划的步 态规划方法在行走上的优劣性。 为了同时利用 CPG 控制和轨迹规划的优点,提出采用神经网络将 CPG 控制曲线与足端轨迹 逆运动学获得的驱动曲线进行非线性映射,使得四足机器人在控制上具备仿生特性,在足端接触上具备零冲击特性。 仿真和实 验结果表明,采用 CPG 的步态生成方法和轨迹规划方法四足机器人的行走速度理论行走速度 80 mm/ s 相近,但采用 CPG 的步 态生成方法四足机器人侧向位移在±10 mm 以内且俯仰角在±1. 5°之间,而采用轨迹规划的控制方法四足机器人侧向位移在 ±35 mm 以内且俯仰角在±4°之间,可见两种控制方式对侧向偏移和俯仰运动的表现不一致。 通过实验测量可知,机器人采用 walk 步态行走速度为 18. 57 mm/ s,与理论行走速度 20 mm/ s 接近,步态转换后以 trot 步态行走,行走速度为 76. 15 mm/ s,与理 论行走速度 80 mm/ s 接近,少许误差可能是装配和行走过程打滑导致的。 测量其侧向偏移程度可知,其侧向的偏移量左侧在 15 mm 内,右侧在 25 mm 内,其侧向偏移量均在合适的范围内,证明所提算法的有效性。     

基于CPG理论的六足机器人多足协调运动控制方法

模仿生物CPG（Central Pattern Generator）控制机器人的运动是近年来提出的新方法。文章利用基于振动理论的CPG神经元模型，建立了CPG神经振荡网络，并由两个先导神经元控制两组这样的网络振荡，从而控制机器人的节律性行走中的多足协调运动。根据六足机器人的关节运动顺序，选取合适的连接矩阵，得出了合适的控制曲线，得到解决了六足机器人的多足协调运动和行走问题的方法。     

基于离散化的六足机器人自由步态生成算法

为精细模仿生物步态,充分发挥六足机器人运动潜能,在离散化机器人单足工作空间的基础上,融合中枢模式发生器(Central pattern generators,CPG)模型与反射模型的核心思想,建立离散化步态模型,基于稳定性分析,构建机器人稳定的位置状态空间,将步态规划问题转化为稳定的位置状态空间中位置状态间的排序问题,在此基础上,提出一种新的自由步态生成算法,并结合试验样机开展步态试验。试验结果表明,自由步态生成算法可根据给定的速度要求生成符合生物运动特点的稳定步态以实现机器人的灵活运动。     

CPG机理的双足机器人运动轨迹生成与分析

目的在对中枢模式发生器(CPG)机理分析的基础上,生成关节运动轨迹,实现对双足机器人运动步态的控制。方法根据位姿矩阵实现对踝关节末端轨迹跟踪,整定CPG模型相位参数,利用节律信号输出叠加生成运动轨迹。通过联合仿真实验,对所规划的步态进行合理性、自稳定性和自适应性分析。结果生成的运动轨迹能够实现对双足机器人的行走步态控制。结论基于CPG生成的步态能够提高机器人的运动性能,具有更强的对复杂环境的适应性。生成的运动轨迹能够为双足机器人步态规划提供借鉴意义。     

基于栈式自编码器的磁探测电阻抗成像算法研究

针对目前磁探测电阻抗成像算法图像重建分辨率不高、精确度低的问题,提出了一种基于栈式自编码(SAE)神经网络的磁探测电阻抗成像算法。使用方形成像体进行仿真实验,通过训练样本建立SAE神经网络模型,确定神经元权重和偏置值。利用该网络模型重建成像体内部的电导率分布;并在异质体中心位置、算法的抗噪性能等方面将重建结果与基于Levenberg-Marquardt算法的反向传播神经网络的重建结果进行对比。结果表明栈式自编码神经网络算法显著提高了磁探测电阻抗成像的重建精度、抗噪性能。最后,通过仿体实验验证了SAE算法的可行性。根据实际测得的磁场,使用神经网络算法重建电导率,准确定位异质体位置。SAE神经网络算法的提出对于磁探测电阻抗成像技术的广泛应用具有重要意义。     

一种基于混沌神经网络的自动测试生成算法

阐述了一种基于混沌神经网络的自动测试生成(ATPG)算法.由神经元构成的双向神经网络来表示组合电路,神经元的阈值和神经元之间的连接权值则代表了电路的功能.给电路注入故障后,网络中的神经元的状态在满足测试序列的时候,神经网络的能量函数具有全局最小点.采用具有衰减步长的混沌模拟退火(CSA)算法来找到能量函数的最小点,实现了组合电路的自动测试生成.计算机仿真表明了算法的可行性.     

基于代数算法神经网络在机器人逆运动学中的应用

采用多层前向INI神经网络建立机器人逆运动学模型.提出了一种神经网络代数算法来学习网络待求权和自由权,该算法选择很广一类的隐层神经元函数训练网络,将复杂的非线性优化问题转化为简单的代数方程组求解问题,求解速度快;在网络训练之前就可以根据给定的问题确定隐层神经元的个数,可以方便地求得全局最优点,实现样本空间的精确映射,不存在局部极小、收敛速度慢等问题.提出的求解机器人逆运动学的新算法可以得到高精度的解,有仿真结果为证.     

通用量子门神经网络在齿轮故障诊断中的应用

为进一步提高齿轮故障诊断能力,结合目前神经网络机理的研究进展,建立了一种基于通用量子门的量子神经元模型,提出了通用量子门神经网络(universal  quantum  gate neural network,UQGN)算法。首先,该算法将转换后的量子态训练样本作为输入。然后,利用量子旋转门和通用量子门完成旋转、选择、翻转和聚合等一系列操作,并完成网络参数的更新。最后,将训练后的结果输出。在数学上,证明了UQGN算法的泛化能力。利用该算法对齿轮的正常、齿面磨损、齿根裂纹和断齿4种情况进行了模式识别。实验结果表明,与普通神经网络和普通量子神经网络相比,UQGN算法在泛化性能、鲁棒性、准确率和执行时间等方面具有较好的效果。     

改进代数算法神经网络在机器人逆运动学中的应用

用多层前向INI神经网络建立机器人逆运动学模型.采用一种改进代数算法来学习神经网络待求权和自由权,该算法选.择很广一类的隐层神经元函数训练网络,将复杂的非线性优化问题转化为简单的代数方程组求解问题,求解速度快;在网络训练之前就可以根据给定的问题确定隐层神经元个数,可以方便地求得全局最优点,实现样本空间的精确映射,不存在局部极小、收敛速度慢等问题.提出的求解机器人逆运动学新算法可以得到高精度的解,有仿真结果为证.     

基于栅格法与神经元的机器人全区域覆盖算法

为了提高移动机器人在全区域覆盖路径规划中的性能,提出了基于神经元激励神经网络的路径规划算法。介绍了栅格法环境建模原理,使用此方法得到了机器人工作环境的矩阵模型;分析了生物激励神经网络算法,在神经元活性值定义、机器人跳出"死区"两个方面对算法提出了改进,提出了神经元激励神经网络算法。使用此算法对设定的工作环境进行遍历并与生物激励算法进行比较可以看出,在遍历重叠率、路径长度、转弯次数等方面,神经元激励算法都优于生物激励算法,充分说明了改进算法在机器人遍历规划中的优越性。     

基于增强学习的六足机器人自由步态规划

为解决六足机器人步态规划问题,实现特定地形上机器人自由步态的优化学习,基于机器人单足步距的离散化处理,融合CPG模型的时间节拍原理与反射模型的空间规则约束机制,构建六足机器人离散化步态模型。通过机器人稳定性分析与步态规划策略研究,将复杂的步态规划问题转化为以振荡周期为时间间隔的位置状态间的排序问题,从新的视角提出了一种六足机器人自由步态规划的基本框架与方法。在此基础上,模仿生物步态的学习行为,基于步态序列的离散化处理,构建了基于增强学习的步态模型,并以机器人平均稳定裕量为优化目标,通过制定步态离散单元间动态转换概率的调整策略,提出了基于增强学习的自由步态规划方法。样机试验显示,自由步态规划方法与基于增强学习的自由步态规划方法均可规划出相对符合生物步态行为特征的稳定自由步态,且后者可利用步态历史信息实现特定地形上自由步态的优化学习。     

X70管线钢环焊接头CTOD断裂韧性的神经网络

CTOD断裂韧性是最受关注的环焊接头性能之一。本文选择了2层神经元的神经网络结构,采用S型激活函数,将板厚、预热温度、线能量、取样位置作为神经网络的输入,将环焊接头的裂纹尖端张开位移CTOD值作为网络的输出,通过BP算法的网络学习,采用VC语言建立了X70管线钢环焊接头CTOD与环焊工艺之间的神经网络。采用实验法对所建立的神经网络的可靠性进行了验证,网络的预测结果与实验值之间有很好的对应关系。     

压铸成型工艺设计与缺陷分析的神经网络模拟

对于误差逆传播 (BP)神经网络标准及改进型算法中的神经元联接权更新机制进行了分析。作为实际应用 ,基于MATLAB神经网络工具箱函数 ,研究了两个例子 ,一个是不同合金种类及不同复杂程度的型腔结构下浇注温度的选择 ;另一个是压铸工艺的缺陷分析。采用的算法分别为恒定学习率 附加动量项改进型BP算法和自适应学习率 附加动量项改进型BP算法。通过在实际模拟中比较这两种算法的训练效率 ,可得到结论 :自适应学习率 附加动量项算法是精确模拟压铸工艺映射问题的较为理想的方法。基于这一方法 ,文中最后给出了网络模拟测试的结果     

逆向工程中自由曲面自组织重建研究

探讨了曲面密集三维散乱点数据的自由曲面自组织重建方法。建立了基于扩展自组织特征映射神经网络的自由曲面自组织重建模型及其训练算法。所建模型的网络神经元对曲面散乱点的学习来模拟曲面上的点与点之间的内在关系 ,神经元连接权矢量集重构曲面样本点的内在拓扑关系。经过训练 ,神经网络将整个曲面散乱点数据分成许多子区域 ,子区域的分类核心即为神经元连接权矢量 ,每个子区域用一个线性函数逼近 ,实现自由曲面自组织重建。计算机仿真表明 ,所建神经网络模型可实现三维密集散乱点数据自组织压缩及曲面自组织重建于一体。     

MES柔性作业车间调度优化算法的研究

MES即制造企业生产过程执行系统,是一套面向制造企业车间执行层的生产信息化管理系统。针对MES生产调度模块的柔性作业车间调度问题,提出一种改进的多阶段优化调度算法。在算法的第一阶段借鉴了基于工序顺序与基于机器相结合的编码方式,提出了基于矩阵序列的分层式编码方式,在选择操作前设计一种基于第三层高位编码值的淘汰机制;第二阶段结合通过删减网络的神经元或连接来降低网络复杂度的思想,提出一种遗传算法与神经网络算法结合的小范围竞争择优策略,并在交叉操作中提出了双层交叉操作以及分层交叉操作;第三阶段在变异操作后增加一种基于相似度值提高种群多样性的方法。经过仿真实验证明了该算法的优良性。     

神经网络结构与算法对变压器故障诊断的影响

BP神经网络算法本质上是基于梯度下降的一种迭代学习算法,存在学习收敛速度慢、收敛精度低、易陷入局部极小、学习率难以选取、隐层数及隐层神经元个数难以确定等缺陷。为了选择出更适宜变压器DGA故障诊断的神经网络结构及算法。本文采用了常用的几种智能算法对变压器故障样本进行了诊断性能对比实验。结果得出Levenberg-Marquardt神经网络算法是收敛速度较快的算法,有动量和自适应的梯度下降法是收敛稳定性较佳的算法;网络最优结构设计过程。为用于变压器DGA故障诊断的神经网络的结构和算法提供了系统化的试验方法。