基于模糊神经网络的机器人感知系统多源信息融合的研究

提出了利用基于模糊神经网络的传声器阵列和双目摄像机信息融合,实现对声源的精确定位和实时跟踪的方法.该方法建立了五层模糊神经网络,设计了各层的输入和输出,利用BP算法调整模糊神经网络的权重和参数获得不同的隶属函数,从而生成相应的模糊规则实现模糊决策.利用Matlab仿真了机器人的感知过程,得到了实际输出和实验输出的误差曲线,验证了基于模糊神经网络多源传感融合算法对于机器人控制的有效性.     

水轮机修复专用机器人的位姿控制方法

为实现水轮机修复专用机器人的位姿控制，依据神经网络可以逼近任何非线性函数这一特性，采用融合遗传算法的神经网络建立机器人逆运动学模型，针对机器人的结构特点，改进了神经网络的输出训练样本，设计了用遗传算法学习神经网络权系数的软件实现方法，并提出了应用轨迹插补算法取得轨迹中间点位姿．运行结果表明，该方法可大大提高机器人的位姿控制准确度，并能快速地实现位姿控制．     

变结构模糊神经网络在信息融合中的应用

针对多传感器信息融合方法的复杂性和多样性问题,依据智能融合理论,采用模糊逻辑和神经网络技术,提出了一种用于机器人多传感器信息融合的变结构模糊神经网络方法,并对其进行仿真．仿真结果表明,该融合算法的有效性是一种比较实用的融合方法．     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法．利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络．针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路．利用改进的蚁群算法学习神经网络．为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点．应用实例表明了该方法的有效性。提高了机器人逆运动学求解的速度和精度．     

一种基于遗传模糊算法的足球机器人射门方法

为了提高足球机器人的射门成功率,给出了一种基于遗传模糊算法的足球机器人射门实现方法．通过建立一个多输入多输出模糊控制器,用一套模糊控制规则控制足球机器人在实时、动态环境中完成射门动作,并采用遗传算法优化模糊规则和隶属度函数,增强了模糊控制系统适应动态变化环境的能力．实验结果证明了方法的正确性．     

基于变结构PID的仿生机器人机电控制算法

通过对仿生机器人机电控制设计的优化提高仿生机器人电动机运行的稳定性和可靠性,提出了一种基于变结构PID模糊神经网络的仿生机器人机电控制算法.仿生机器人机电控制单元模型主要由DC/AC逆变器模型、微型同步电动机、内环控制器模型和电压外环控制器模型组成.采用变结构的前向三层自适应PID神经网络模型为学习器,实现了机器人机电控制算法的优化设计.仿真结果表明,采用该方法进行仿生机器人的机电控制,输出状态响应的稳健性较好、适应度较高,有较好的控制品质.     

基于模糊积分的多分类器融合文本分类研究

提出一种基于模糊积分的多神经网络分类器融合文本分类方法,利用Sugeno模糊积分作为融合工具,将BP神经网络、RBF神经网络及采用K-means算法的RBF神经网络等多种文本分类器相结合,取得了更加优化的中文文本分类结果。     

非线性系统模糊神经网络直接自适应控制

提出一种基于模糊神经网络的自适应控制方法。由模糊神经网络构成非线性预测器，利用使预测输出等于参考输出，生成实时控制信号。对自适应算法进行了理论分析，结合实例进行了仿真。     

基于遗传模糊算法的足球机器人射门动作控制

为了提高足球机器人的射门成功率，给出了一种基于遗传模糊算法的足球机器人射门实现方法。通过建立一个多输入多输出模糊控制器，用一套模糊控制规则控制足球机器人在实时、动态环境中完成射门动作，并采用遗传算法优化模糊规则和隶属度函数，增强了模糊控制系统适应动态变化环境的能力。考虑了轮式移动机器人的运动模型，将更符合实际情况的左右轮速度作为模糊规则内输出。在仿真和全局视觉足球机器人平台上对该算法进行了验证，实验结果证明了方法的正确性。     

B样条模糊神经网络在信息融合中的应用

针对多传感器信息融合方法的复杂性和多样性问题,依据智能融合理论,采用模糊逻辑和神经网络技术,提出了一种用于机器人多传感器信息融合的B样条模糊神经网络方法,并对其进行仿真,实验结果表明,该融合算法具有较强的学习能力和抗干扰能力,是一种比较实用的融合方法。     

基于神经网络的机器人运动模型的研究

对基于神经网络建立水下机器人(AUV)运动模型的方法进行了分析和探讨,提出了以非完全回归形式的运动模型神经网络结构,提出了输出层向输入层回归的封闭式结构以实现运动模型的模拟机能,给出了相应的训练和学习方法.提出了对输出层增加积分环节及对神经网络输入输出变量进行正规化处理的方法.计算机仿真及实际水下机器人"Twin-Burger”的建模结果,表明本文所提出的建模方法的有效性和可行性.     

一种改进dueling网络的机器人避障方法

针对传统增强学习方法在运动规划领域,尤其是机器人避障问题上存在容易过估计、难以适应复杂环境等不足,提出了一种基于深度增强学习的提升机器人避障性能的新算法模型。该模型将dueling神经网络架构与传统增强学习算法Q学习相结合,并利用两个独立训练的dueling网络处理环境数据来预测动作值,在输出层分别输出状态值和动作优势值,并将两者结合输出最终动作值。该模型能处理较高维度数据以适应复杂多变的环境,并输出优势动作供机器人选择以获得更高的累积奖励。实验结果表明,该新算法模型能有效地提升机器人避障性能。     

基于模糊逻辑的模糊神经网络推理机结构及其实现

讨论了基于模糊逻辑与神经网络的模糊神经网络推理机的结构;给出了将模糊产生式规则转换为相应模糊神经网络的方法;深入探讨了采用欧氏距离作为误差函数的改进ＢＰ算法;给出了在数据融合中使用该模糊神经网络推理机进行目标平台识别的例子．     

基于模糊神经网络的汽车安全控制系统

针对国内汽车安全控制系统水平相对落后的现状,提出了一种模糊神经网络的汽车安全控制系统,采用基于标准模型的模糊神经网络作为控制器,包括输入层,模糊化层,规则层,归范化处理和输出层,应用多层前馈网络的反向传播算法网络作为学习算法,运用动态BP网络作为神经网络预测器。MATLAB仿真结果表明：该控制系统具有较好的快速性、稳定性、稳态性能以及鲁棒性。     

基于模糊神经控制的机器人避障算法

针对以往机器人避障行为控制过程中存在的问题,提出基于模糊神经控制的机器人避障算法来实现机器人的实时、准确避障。该算法主要应用一定量的模糊规则与模糊Kohonen聚类网络的结合生成一种启发式的模糊神经网络,建立超声波传感器输入信号和机器人速度之间的模式映射关系。通过对算法的实验仿真,结果表明提出的避障算法是正确有效的。     

多分辨批量古典建筑图像深度学习检索算法

针对传统的模糊BP分类识别方法进行多分辨建筑图像检索误分率较高的问题,提出了一种基于深度学习神经网络分类和多特征融合的多分辨古典建筑图像检索算法。采用小波降噪方法对模糊图像进行降噪处理,对降噪后的图像采用LGB向量量化算法进行特征分解,采用颜色分量融合方法进行图像的信息增强处理,提取图像的灰度不变矩特征量。将提取的特征量输入BP神经网络分类器中,在检索器的隐含层采用深度学习算法进行图像特征聚类的自适应寻优,进行多特征融合处理,避免聚类中心扰动,实现了对批量多分辨古典建筑图像检索的优化。仿真结果表明,采用该算法进行多分辨古典建筑图像检索的准确性较好,抗类间属性扰动能力较强,图像输出的查全率较高,图像检索的时间开销较小。     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法.利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络.针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路.利用改进的蚁群算法学习神经网络,为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点.应用实例表明了该方法的有效性,提高了机器人逆运动学求解的速度和精度.     

机器人避开多随机障碍物的路径规划遗传算法

针对当前路径规划中存在的诸多问题,提出了基于遗传算法的机器人避开多随机障碍物的路径规划方法。首先提出障碍物环境的神经网络模型,并利用该模型建立机器人动态避碰路径与神经网络输出的关系,将需规划路径的二维编码简化成一维编码,并把动态避碰要求和最短路径要求以及边界约束条件融合成一个适应度函数。通过对该算法进行实验仿真,证明该方法具有良好的动态避障性能,是有效和正确的。     

基于模糊神经网络的边坡稳定性评价方法

针对模糊逻辑推理和人工神经网络各自的优势与局限,提出模糊逻辑与神经网络相结合的边坡稳定性评价方法。基于实测数据的回归分析,找出影响边坡稳定性的主要因素,建立模糊神经网络评价模型。通过对输入知识的预处理和输出知识的后处理,将模糊逻辑推理融入神经网络的非线性计算中;将模糊规则隐含分布于神经网络中,实现了模糊映射算法。选定将整个边坡的稳定状态视为同一变形规律的评价模式,利用所建模型对施工期岩质边坡稳定性进行综合评价。结果表明,该方法用于岩质边坡的稳定性评价取得了较好的效果。     

一种新型的模糊神经网络自适应控制系统

结合神经网络控制和模糊控制的各自特点,提出了一种新的基于神经网络的模糊自适应控制算法,并给出了该算法的仿真与分析结果.利用该算法实现了基于模糊神经网络的智能控制系统的建立.