基于改进型BP网络的并联机器人自适应力控制

并联机器人力控制是并联机器人研究的一个热点和难点,引起了许多学者的关注,并取得了一定的成果。多数使用了传统的力控制研究方法。该文中,作者将神经网络引入并联机器人的力控制中,并介绍了一种改进型BP神经网络,以及其学习算法和网络的训练过程,并结合实际并联机器人6-SPS并联机器人,设计出基于改进型BP神经网络的并联机器人自适应力控制器,并进行了仿真和实验研究,通过研究表明所设计的控制器是可行和有效的。     

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BP神经网络控制的多机器人运动规划(Ⅱ)

针对多个机器人在简单环境中的运动问题,将BP网络应用于机器人的行为控制,讨论了该方法的合理性。实验结果表明了该方法的有效性。     

BP神经网络控制的多机器人运动功能的实现

本文针对多个机器人在简单环境中的运动问题,将BP网络应用于机器人的行为控制,讨论了该方法的合理性。实验结果表明了该方法的有效性。     

动作预测在多机器人强化学习协作中的应用

在多机器人系统中,协作环境探索的强化学习的空间规模是机器人个数的指数函数,学习空间非常庞大造成收敛速度极慢。为了解决这个问题,将基于动作预测的强化学习方法及动作选择策略应用于多机器人协作研究中,通过预测机器人可能执行动作的概率以加快学习算法的收敛速度。实验结果表明,基于动作预测的强化学习方法能够比原始算法更快速地获取多机器人的协作策略。     

BP神经网络控制的多机器人运动功能的实现

本文针对多个机器人在简单环境中的运动问题,将BP网络应用于机器人的行为控制,讨论了该方法的合理性.实验结果表明了该方法的有效性.     

基于深度学习的机器人复杂动作控制技术研究

本文提出了一种基于深度学习的手势识别来控制机器人做复杂动作的解决方案.本文提出的方案展现出有效的开放性和可扩展性,无论是手势识别还是在机器人复杂动作方面,都可以根据需求做相应调整.同时,本研究工作创建了一个有效的基于人工智能网络的机器人控制实用实验平台.实验设计分别以运用6个基础手势控制机器人在危险环境中清除可疑物品为例,验证了开发的平台可以让机器人实时、远程地完成预设复杂动作,满足现实中自然人机交互的功能.     

BP神经网络在机器人足球比赛系统中的应用

足球机器人的决策系统是一个多智能体协调控制系统,控制机器人运动需对机器人未来的方位进行实时预测。为了解决RoboCup小型组比赛系统的延迟和准确定位问题,将BP神经网络应用于决策系统的局势预测中。建立了基于BP神经网络的线性预测模型,确定了神经网络的拓扑结构,并将训练好的网络应用于现有比赛系统,预测机器人的就位效率、协调及配合能力,进行仿真实验。实验证明,方法对机器人的位置、方向等预测比较准确,证明了预测算法的可行性和优越性。     

基于神经网络的自治水下机器人广义预测控制

针对自治式水下机器人高度非线性和时变性的特点,提出了一种基于神经网络的水下机器人广义预测控制策略．利用改进型Elman网络作为多步预测模型,在对网络学习算法进行改进的基础上,实现了Elman网络的在线学习,并提出了用于求解神经广义预测控制律的灵敏度公式．进行了具有神经网络在线学习功能和不具有在线学习功能的水下机器人的速度控制实验,并就预测控制效果进行了对比分析．实验结果表明,具有自适应学习功能的水下机器人速度控制法的精度要优于不具有在线学习功能的速度控制法,且当水下机器人动态特性发生变化时具有较强的自适应能力．     

强化学习在足球机器人基本动作学习中的应用

主要研究了强化学习算法及其在机器人足球比赛技术动作学习问题中的应用．强化学习的状态空间 和动作空间过大或变量连续,往往导致学习的速度过慢甚至难于收敛．针对这一问题,提出了基于T-S 模型模糊 神经网络的强化学习方法,能够有效地实现强化学习状态空间到动作空间的映射．此外,使用提出的强化学习方 法设计了足球机器人的技术动作,研究了在不需要专家知识和环境模型情况下机器人的行为学习问题．最后,通 过实验证明了所研究方法的有效性,其能够满足机器人足球比赛的需要．     

等离子喷涂过程的BP神经网络自适应控制*

分析了ＢＰ网络辨识器和控制器的常规训练方法存在的不足之处及其限制，提出了一种通过网格辨识器的灵敏度网络反传对象的误差来训练ＢＰ网络控制器的新方法，根据ＢＰ网络放自适应控制的相容性，提出了一种新的ＢＰ网络自适应控制结构，并利用ＢＰ网络辩识器的灵敏度网络训练ＢＰ网络控制器的思想，来调整ＢＰ网络控制器的参数，等离子喷涂过程控制模型的训练研究表明其效果良好。     

基于BP神经网络和Bagging算法的入侵检测

提出基于Bagging算法集成BP神经网络的入侵检测方法。采用BP神经网络为分类器,以用户的网络连接行为为特征进行检测,为进一步提高BP神经网络的分类性能,采用Bagging算法对BP神经网络分类器进行加权投票。实验表明,提出的方法具有良好的检测性能。     

基于BP神经网络的学习行为评价模型及实现

本文针对网络多媒体教学环境下学生学习行为出现的新情况、新问题，设计一种智能化评价模型实现新型教学模式下学生学习行为的评价，并验证该模型的可行性。该模型可以满足网络教育标准化、个性化要求，具有很强的学习、联想和容错功能，其分析结果和过程都接近人脑的思维过程和分析方法，使分析评价更加快速准确。     

改进神经网络煤矿安全评价模型仿真研究

研究煤矿安全评价准确性问题。煤矿生产安全问题一直是国内外研究的热点,针对传统的安全评价算法难以评价出煤矿安全生产中出现的情况,评价预测准确率低等问题,提出了基于BP神经网络算法煤矿安全评价模型。采用BP神经网络的特点是可以逼近任意的非线性函数,但是BP神经网络并非完美的神经网络,采用遗传算法优化BP神经网络可以克服其缺点,将改进的算法应用于煤矿系统安全评价之中,仿真结果表明,基于改进的BP神经网络煤矿安全评价模型方法有效性和实用性,能够正确评价安全生产状态。     

改进型BP神经网络MRAS控制系统

在常规BP神经网络模型参考自适应控制器基础上采用改进型BP神经网络作为辨识器和控制器,组成新的模型参考神经网络自适应控制系统,利用改进型BP神经网络的优点弥补传统自适应方法的不足,使系统具有更强的鲁棒性,收敛更快,逼近精度更高的优点。仿真结果表明,该系统比传统BP神经网络模型参考自适应系统具有更好的稳定性和更快的响应速度。     

基于BP神经网络的产品造型设计评价

为了对产品的造型设计进行评价,在分析人工神经网络原理的基础上提出了应用BP神经网络评价产品造型设计的方法.根据BP神经网络具有自学习、自组织、自适应和非线性动态处理等优点,建立了产品造型设计BP神经网络评价模型,选择某一产品造型设计的13款方案作为样本,利用Matlab软件进行了BP网络的实例训练和验证.实验结果表明,BP神经网络模型可以较准确的对产品造型设计进行评价.     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

基于BP神经网络的夏玉米多生育期叶面积指数反演研究

叶面积指数（Leaf Area Index,LAI）是生物地球化学循环中重要的植被结构参数。针对目前基于我国GF-1 WFV卫星影像的夏玉米多生育期LAI反演研究较少的问题,基于不同隐含层构建BP神经网络模型（BP1模型和BP2模型）,对比分析BP1模型、BP2模型和6种统计模型（NDVI、RVI、DVI、EVI、SAVI、ARVI）反演之间的精度差异,并根据实测数据绘制BP1模型和BP2模型的夏玉米多生育期LAI动态变化图。结果表明:LAI与6种常用的统计模型均有良好相关性,其中NDVI指数方程式回归模型拟合度最优;BP神经网络模型整体R ²略小于统计模型,而RMSE则小于统计模型,取得了与实测值差异更小的结果,统计模型与BP神经网络模型各有优劣之处;BP2模型在R ²和RMSE均优于BP1模型,能获得更为精确的反演值,BP2整体预测精度更高;基于BP神经网络模拟夏玉米生育期反演,LAI值呈现缓慢升高—快速增长—逐渐减小的S型变化过程,基本符合作物生长规律。该研究结合不同隐含层建立的BP神经网络模型,为GF-1卫星在作物叶面积指数多生育期反演的应用推广提供了方法支撑。     

Leaf Area Index Inversion of Summer Maize at Multiple Growth Stages based on BP Neural Network

Leaf Area Index (LAI) is an important vegetation structure parameter in biogeochemical cycling. In view of the lack of LAI inversion in the multiple growth period of summer maize based on GF-1 WFV satellite images in China, this study constructs a BP neural network model (BP1 model and BP2 model) based on different hidden layers, and compares and analyzes the accuracy of the inversion between the BP1 model, BP2 model and 6 statistical models (NDVI、RVI、DVI、EVI、SAVI、ARVI). Based on the measured data, BP1 model and BP2 model are used to map the LAI dynamic changes of summer maize. The results show that LAI has good correlation with 6 common statistical models, and the fitting degree of the NDVI exponential equation regression model is the best. The overallR ² of BP neural network model is slightly smaller than the statistical model, while RMSE is less than the statistical model, and the errors with the measured value is smaller than the statistical model. So both the statistical model and the BP neural network model have advantages and disadvantages. The BP2 model is superior to the BP1 model inR ² and RMSE, and can obtain more accurate inversion values, and the overall prediction accuracy of BP2 is higher. Based on the BP neural network simulation of summer maize growth period inversion, the LAI value presents a slow increase to the gradual decrease of S type change process, which is basically in line with the crop growth rules. The study combines with the BP neural network model established by different hidden layers to provide a method for the application of GF-1 satellite in the application of crop leaf area index multiple growth period inversion.     

一种基于量子BP网络的图像压缩方法

针对BP网络在图像压缩应用中迭代次数多及训练时间长的问题,设计具有量子输入和输出的神经元模型,结合BP网络在图像压缩中的原理,利用复数BP算法,构建一种用于图像压缩的3层量子BP网络(QBP),实现图像压缩与图像重建。仿真结果表明,与BP网络相比,QBP网络能获得更好的重建图像质量,且迭代次数较少。