基于修正反正切函数的变步长LMS算法

为了能够减少算法运算时间、减小稳态误差、提高收敛速度、增强跟踪性能以及增加抗噪性能,提出了1种变步长最小均方误差(least mean square,LMS)算法。针对现有LMS类算法在低信噪比下性能不佳、人为设定参数较多等缺点,基于反正切函数,且利用误差的相关函数动态调整步长。理论上分析了该算法复杂度、稳态失调、收敛速度、跟踪性能以及抗噪性能,并分别设计高信噪比和低信噪比的条件下进行实验仿真比较。理论分析结合实验仿真验证:该算法在高低信噪比时均具有较快的收敛速度和跟踪速度,能获得小的稳态误差和稳态失调,且需要设定的参数变量个数少。     

基于改进樽海鞘算法优化纯追踪模型的隧道台车路径追踪控制

提出一种基于改进樽海鞘算法优化纯追踪模型前视距离的台车路径跟踪控制方法,将纯追踪算法与集群智能优化算法相结合,对台车进行自动驾驶路径追踪控制研究。建立台车抽象数学模型,确定台车跟踪路径过程中的转向半径。基于提高全局搜索能力和局部深度寻优能力,对樽海鞘算法进行改进,并进行性能分析,结果表明改进的樽海鞘算法具有更快的收敛性。设计模糊纯追踪控制器,将其与改进樽海鞘算法优化纯追踪模型前视距离的控制器进行对中直线、变道回旋曲线及正弦曲线的路径追踪仿真试验,并将试验结果进行对比。对比结果表明,在追踪曲率变化很大的正弦曲线时,改进樽海鞘算法优化纯追踪模型前视距离的控制器可以更加稳定地对正弦曲线进行路径追踪,稳态横向误差与航向角误差均小于模糊纯追踪控制器,而且,改进樽海鞘算法优化纯追踪控制器还能有效提高收敛速度和稳定性。     

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

单出杆液压缸位置伺服系统输出反馈控制

针对具有状态不可测的单出杆液压缸位置伺服系统,提出一种基于扩张状态观测器和鲁棒控制器的输出反馈控制算法。所构造的扩张状态观测器在观测系统状态的同时,对系统的匹配未知干扰进行估计,并在设计的控制器中进行主动干扰补偿,提高系统控制性能。理论分析表明,本文所提出的液压位置伺服系统输出反馈控制器能够保证闭环系统的所有信号有界,以及保证预定的瞬态和稳态跟踪性能,当系统不存在未知干扰时可使系统获得渐近跟踪性能。由仿真结果可见,系统跟踪误差最大约为0.03mm,相对跟踪误差约为0.02%,证明了所提算法的有效性。     

BP神经网络在岩体移动参数确定中的应用

正确确定基本参数是提高有关岩体移动及变形预估精度的关键。通过对BP神经网络算法的改进,引进动量项系数及采用变步长方法,提高了收敛速度和稳定性。建立了地表移动基本参数的反分析方法,使用该方法及相应程序对大量观测结果进行反分析,结果表明效果良好。     

基于混沌云鱼群算法优化航空发动机自适应PID控制

针对传统鱼群算法存在陷入局部最优、后期收敛速度慢和寻优精度较低等问题,提出了一种混沌云鱼群算法(cloud adaptive artificial fish swarm algorithm based on coupled chaotic map,CCAFSA)。采用云自适应视野范围和可变步长提高收敛速度和寻优精度,利用混沌运动遍历性的特征,增加初始鱼群的多样性,防止陷入局部极值;针对航空发动机控制系统,基于CCAFSA设计了一种参数在线自适应PID控制器。仿真结果表明,相比于传统PID控制,基于CCAFSA设计的自适应PID控制器能实现参数在线优化,快速有效地跟踪指令信号,增强发动机系统的动静态性能和鲁棒性。     

基于RBF神经网络的自适应轨迹跟踪算法

考虑到保障机械手系统工作稳定的需求设计以模型为基础的,结合RBF神经网络的自适应控制器轨迹跟踪算法。兼顾到该自适应控制器外部工作环境的影响因素对其工作形成的影响开展了详细的机械手轨迹跟踪算法。在控制系统中假如使用了RBF审计网络自适应补偿算法控制器,有效改善了外界环境因素对系统形成的不利影响,降低了神经网络的误差,进一步提升该系统工作的安全性与可靠性。得出的Lyapunov函数证明可靠稳定,使得其跟踪轨迹完整而准确。通过数据拟合出运动轨迹曲线结果得出两者之间误差,进一步提升了跟踪准确度,在稳态误差以及超调量方面都有所优化。     

基于QPSO-BP 神经网络的火灾预警算法

为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。     

以云计算资源为基础实现粒子群算法的优化

本文全面研究了RBF神经网络及粒子群优化的算法,以云计算资源为基础实现了粒子群算法的优化,并且和标准粒子群算法、自组织选取中心算法实现性能对比。通过对比结果表示,改进粒子群优化算法的收敛速度在不断地加快,并且降低迭代次数,而且还能够使函数摆脱局部极值点。将其在RBF神经网络训练中的效果更加明显,能够提高网络优化能力和效果,提高网络在处理非线性问题时候的能力,促进最优解的收敛。     

基于自聚焦BP的圆周SAR运动补偿方法

圆周SAR由于平台运动轨迹的复杂性,导致沿航迹向和切航迹向回波信号存在严重耦合,因此成像处理运动补偿问题尤为复杂。本文针对圆周SAR成像运动补偿问题,首先分析运动误差对成像质量的影响;然后利用自聚焦BP算法对运动误差进行补偿,并与传统BP算法性能进行对比,验证了自聚焦BP算法对圆周SAR运动补偿的有效性;最后利用自回归思想将自聚焦BP算法进行改进并扩展到圆周SAR三维成像中,通过仿真实验,对比传统BP算法结果,验证了该算法在三维成像中的优势。