基于模糊神经网络的智能轮椅导航系统

智能轮椅将移动机器人的技术应用于电动轮椅，帮助老年和残障人士提高行动自由度。本文针对轮椅的运动特性，提出一种简单、高效的分区算法对轮椅传感器所获得的数据进行初步融合，并将障碍物距离信息模糊化，采用BP神经网络对障碍物环境进行分类。利用L-M优化算法进行模式识别。轮椅运动的动态仿真结果表明，该算法具有较好的实时性和可靠性，同时也适用于其它移动机器人的导航系统。     

基于模糊神经网络在智能轮椅避障中的应用

针对机器人在未知环境中的避障问题,提出了一种多传感器信息融合的避障方法.利用多传感器(声纳、摄像头)来采集外部环境信息,使得智能轮椅在移动过程中可以得到更充分的外部环境信息;使用基于Takagi-Sugeno (T-S)模型的模糊神经网络来对环境信息进行融合;通过融合的结果来控制轮椅的避障行为.通过模拟实验验证和分析,表明了该方法在解决轮椅避障问题方面有很好的效果,同时优化了轮椅避障的路径,提高了智能轮椅使用的安全性和方便性.     

基于姿态解析算法的智能轮椅设计

随着我国人口老龄化的日益加剧,为帮助高龄老年人和身体残疾人士正常出行,文章设计基于姿态解析算法、增量型PI算法的多功能智能轮椅。仿真轮椅以STM32F103ZET6为核心处理器,通过手势的姿态解析算法,运用老年人的手势配合手势识别技术原理,结合多个模块及多传感器融合实现手势控制轮椅的移动和转向,自动避障、GPS定位信息的实时传输、一键呼救、意外情况录像功能,增量型PI算法的输出是上一次输出的增加值,能使轮椅平稳行驶。结果表明,姿态解析算法提高了轮椅对手势的识别率,增量型PI算法提高了轮椅行驶的平稳度,模块化的设计思想满足轮椅的安全、智能化要求,能帮助行动不便的残疾人士和高龄老年人正常出行。     

基于T-S模糊神经网络的智能轮椅避障控制策略

针对传统智能轮椅避障策略的路径规划效率差、功耗高等缺点,提出一种基于模糊神经网络的环境深度分区控制策略;利用红外、超声波和激光传感器的测量信息将待识别环境分为3个不同的深度区间,同时,利用T-S模糊神经网路算法融合异质传感器的测量信息,然后设计模糊控制规则,实现智能轮椅避障动作;最后建立智能轮椅的运动学模型和测量模型,并进行Simulink仿真测试;经仿真可知,该方法控制可靠,可快速无碰撞地通过障碍区,并能减少功耗,提高续航能力。     

基于激光和单目相机信息融合的智能轮椅避障策略研究

针对智能轮椅使用环境复杂多变,障碍物形状各异,单一传感器无法获得完整的环境信息的问题,提出一种基于激光传感器和单目视觉传感器信息融合的障碍物检测方法。通过单目相机和激光雷达传感器感知智能轮椅周围环境,得到障碍物的形状、距离分布状况等信息;在此基础上提出两种传感器信息的融合策略,建立局部障碍物地图,进一步采用模糊神经网络完成整体避障算法,实现智能轮椅安全、快速避障等功能。实验结果验证了文中所提避障算法的可行性及有效性。     

模糊控制技术在智能轮椅避障中的应用

本文简单介绍了超声传感器的工作原理。并用多个超声波传感器来获取环境信息,得到障碍物的距离和方向的信息,然后基于模糊控制技术对这些信息进行数据融合,从而实现智能轮椅的安全避障。     

基于模糊贝叶斯网络算法的智能轮椅避障

对传统BP神经网络模糊逻辑的智能轮椅避障方法在训练过程中存在的过拟合和避障路径不够优化的问题,提出了一种模糊贝叶斯网络避障算法以降低神经网络的复杂度;该算法利用模糊神经网络对隶属度函数的参数进行自主学习调整,同时为增强神经网络的泛化能力和计算能力,在网络目标函数中加入权衰减项,利用贝叶斯原理优化神经网络的结构和权值;仿真和实机实验表明,该算法在训练结果和避障效果上均优于传统BP神经网络,提高了智能轮椅避障的实时性,优化了避障路径,可满足用户对智能轮椅安全性和舒适性的需求。      

基于模糊神经网络的智能车辆路径跟踪

在自主车辆路径优化控制的研究中,针对智能车辆传统的路径跟踪控制需要建立精确的数学模型且鲁棒性差的问题,提出了一种模糊神经网络的角速度控制器设计方案。首先建立了智能车辆运动学模型;然后以方向角误差和位置误差作为该控制器的输入,利用神经网络的学习能力来调整模糊参数得到性能优化的控制器,最后对直线和圆路径进行了路径跟踪仿真。仿真结果表明提出的模糊神经网络控制算法具有很高的控制精度和较好的鲁棒性,能够满足智能车辆实时精确路径跟踪的优化控制。     

智能轮椅室内导航路径规划算法

智能轮椅为丧失行走能力的人提高生活质量和生活自由度. 适用于智能轮椅的路径规划问题是其重要的技术之一. 实际环境中行走的难易程度是有区别的, 对此提出一种新的路径规划算法, 即寻找最优路径的导航方法, 对室内环境进行栅格模型建模, 并利用最邻近关系结合改进的A*算法来规划两个位置之间的最优全局路径, 采用虚拟力场算法实现途中的局部路径规划. 此算法只需要采集用户需要到达目的地的信息, 智能轮椅能自动导航到达目的地, 经实验验证, 该算法运用到智能轮椅室内导航系统中路径得到较好的改善并具有反应快、工作稳定可靠、使用灵活方便和扩展性强等优点.     

基于神经网络的改进行为协调控制及其在智能轮椅路径规划中的应用

针对传统的基于行为的智能轮椅的路径规划方法在室外非结构环境下的路径规划效果差的问题,提出一种新的智能轮椅的路径规划算法.该算法利用模糊逻辑设计了基本控制行为,并在此基础上结合大量实际经验使用神经网络设计了行为协调控制器.改进的算法将仲裁机制和命令融合机制2种行为协调方法有效结合起来,并吸收了这2种行为协调方法的优点,从而改善了系统的反应速度,极大提高了控制精确;另一方面,该算法还可以识别陷阱区域并通过自主改变行为的权重方法控制轮椅逃出陷阱区域,因而具备了较强的人工智能特征.仿真和实物实验验证了该算法智能性高且实现简单,适用于室外非结构化环境下的机器人路径规划.     

随机模糊神经网络在目标状态信息融合中的应用

提出了一种新的基于随机模糊神经网络的多传感器状态信息融合方法。研究和比较了基于单值模糊神经网络和基于随机模糊神经网络的雷达与红外传感器状态信息融合。仿真结果表明，当输入被噪声污染时，基于随机模糊神经网络的方法离线学习次数更少，能更有效地防止噪声的干扰，并且融合误差更小。     

基于可拓神经网络的火灾探测算法

为解决传统单一传感器式的火灾探测器容易造成火灾报警的漏报和误报的问题,采用多传感器信息融合技术,将温度、烟雾浓度和CO浓度等多个参数相结合,进行综合分析,对火灾进行早期预测。采用可拓神经网络作为数据融合算法,以温度、烟雾浓度、CO气体浓度三个物理参量作为输入,以三种火灾预警等级作为输出。通过仿真分析结果表明：火灾正确识别率很高,达到93.9%以上。同时通过与传统BP神经网络的对比,表明可拓神经网络在数据融合的速度和可靠性上有突出的优势,从而使可拓神经网络实际应用于火灾早期预测成为可能。     

基于自适应模糊神经网络的多传感器噪声抵消器

针对同一噪声源的多传感信号，采用自适应模糊神经网络系统(AFNNS)设计自适应噪声抵消器．采用AFNNS获取多路信息融合的权系数和自适应噪声抵消器的系数，基于AFNNS的自适应噪声抵消器不仅能获取信号的最佳估计，并且能克服模型和噪声存在的不确定性和不完备性．仿真结果表明，该自适应噪声抵消器的设计方法简单易行，去噪声效果优于基于平均法的去噪效果．     

基于模糊神经网络的信息安全风险评估模型

对信息系统进行有效的风险评估,选择有效的防范措施,主动防御信息威胁是解决信息系统安全问题的关键所在。将神经网络和模糊理论应用于信息安全的风险评估。首先针对信息安全风险评估的不确定性和复杂性,将神经网络理论应用到风险评估。其次,针对神经网络适合定量数据,对于定性指标的分析缺乏相应的处理能力,而风险因素的指标值具有很大的不易确定性等问题,采用模糊评价法对信息安全的风险因素的指标进行量化,对神经网络的输入进行模糊预处理,提出了基于模糊神经网络的风险评估方法。仿真结果表明：模糊神经网络经过训练,可以实时地估算风险因素的级别。     

基于神经网络与模糊算法图像边缘检测方法*

针对传统图像边缘检测方法中出现毛边、噪边、边缘定位不精确等缺点,提出一种神经网络与模糊算法相结合的检测方法。根据图像特征,将图像分为高频和低频部分分别处理,高频部分适宜用双层网络结构,可以很好地减弱噪声;对于图像低频部分,将模糊理论引入到边缘检测中,能够检测出弱边。最后对检测出的两个图像边缘进行融合,实验结果证明得出的检测效果较好,比传统边缘检测算子所获结果有很大改善。     

一种自组织双模糊神经网络控制算法

针对传统模糊神经网络设计复杂、控制实时性滞后的问题,提出自组织双模糊神经网络算法。将样本数据进行聚类划分,形成原始的模糊隶属函数集;在神经网络的离线训练过程中,完善并优化模糊隶属函数和规则;采用双神经网络结构,在线工作时,一个神经网络完成在线学习任务,另一个神经网络完成工业控制任务;经过一定的系统周期,同步系统中两组神经网络的参数;提取完成控制任务的神经网络的输出作为算法的输出。应用于火箭发动机试验台控制系统中,表明算法能够提升控制系统中针对输入参数越界的鲁棒性,提高控制实时性,简化了模糊神经网络的设计复杂度。     

基于有效神经元的自组织模糊神经网络算法

针对传统神经网络识别率低和泛化能力差的问题,提出了一种改进的自组织模糊神经网络（SOFNN）学习算法。以保存椭球基函数（EBF）层各个神经元的输出及输出之和为依据进行神经元的修改,删除和增加,进而得到网络的有效神经元,并减少样本训练的时间。用最小二乘法（RLSE）估计参数,用梯度下降法修改参数,保证网络收敛。与其他的模糊神经网络相比,在精确度、结构复杂性和抗干扰性方面的优越性,在真实数据集上得到了有效的验证。