一种新的动态神经网络及其在机器人监督控制中的应用

针对提高机器人控制性能这一类问题，在复合输入动态递归网络的基础上，提出一种新的动态递归神经网络结构，称为状态延迟输入动态递归神经网络（State Delay Input Dynamical Recurrent Neural Networks)。该动态网络具有新的拓扑结构及学习规则，各权值矩阵的含义更为明确，权值的训练过程更为简洁。网络增加了输入输出层前一步的状态信息，收敛速度及稳态精度与其它常用网络结构相比均有明显提高。将该网络用于机器人的监督控制系统，利用神经网络建立起被控对象的逆模型，与传统PD控制器结合，进一步确保了控制系统的稳定性，有效地提高系统的精度和自适应能力。仿真结果表明了这种改进的有效性和优越性。     

基于神经网络的空间7R机器人模型辨识及其实验研究

针对空间冗余机器人建模中不确定因素的影响 ,采用神经网络辨识空间 7R机器人输入输出间的非线性关系 ,建立机器人的运动学模型。对Elman动态递归网络结构作了改进 ,提出一种状态延迟输入动态递归神经网络 ,提高了网络的学习速度。将该网络应用到机器人系统模型的辨识问题上 ,以德国PowerCubeTM模块化机器人为研究对象 ,根据机器人返回的关节位置信息及利用OPTOTRAK 30 2 0三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本 ,对包含各种影响因素的机器人运动模型进行了辨识 ,得到了满意的结果 ,说明了神经网络在此类问题中应用的优越性     

基于递归过程神经网络的航空发动机滑油系统状态监测

针对航空发动机滑油系统状态监测问题,提出了递归过程神经网络模型。其隐层和输出层为过程神经元,该网络的输入信号为时变函数或过程,并且含有一个特别的关联层,在建模过程中能储存系统过去更多时刻的状态信息,使得网络结构适于预测时间序列问题。文中给出了相应的学习算法,并且分别利用人工神经网络和递归过程神经网络对航空发动机滑油系统状态进行预测。结果表明,递归过程神经网络预测精度高,优于传统人工神经网络的预测能力。为航空发动机滑油系统状态监测问题提供了一种有效的方法。     

基于动态神经网络的液压伺服系统故障检测

根据故障诊断系统的特点，采用输出递归神经网络对某液压位置伺服系统进行了故障检测研究。该动态神经网络模型的采用使网络成为系统的完全模型，避免了故障学习，可以较好地检测出较难检测的故障。通过仿真，与前馈时延网络与对角递归网络的比较研究，说明了在实时故障诊断系统中输出递归网络结构的优越性。     

应用递推神经网络的传感器动态建模研究

根据动态校准实验结果建立传感器的动态数学模型 ,以研究传感器的动态性能 ,是动态测试的一个重要内容。研究了递归神经网络模型在传感器动态建模中的应用。递归神经网络模型采用具有输入层、中间层、输出层的三层网络结构 ,整个网络的特性决定于相邻层间的连接权。采用递推预报误差算法训练神经网络 ,具有收敛速度快、收敛精度高的特点。由于其反馈特征 ,使得递归神经网络模型能获取系统的动态响应特性。该方法特别适用于传感器非线性动态建模 ,而且避免了传感器模型阶次的选择的困难。试验结果表明 ,应用递归神经网络对传感器进行动态建模是一种行之有效的方法     

基于混合Elman网络的非线性自适应逆控制

针对Elman动态递归神经网络的特点,在现有结构的基础上提出一种隐层包含径向基函数的混合Elman神经网络,给出了网络结构和训练算法,并将其应用于非线性自适应逆控制系统中.仿真实验表明该动态神经网络自适应性强,动态特性优异.此方法为实现非线性系统自适应逆控制提供了理想的途径.     

基于稀疏存储Elman神经网络的直线伺服控制

为提高数控机床直线进给系统的动态跟踪性能及抗干扰能力,结合进给系统重复运动的特点,利用前一次或前几次的历史控制信息提高进给系统的动态性能,提出了具有动态稀疏存储功能的改进Elman神经网络;引入迅速联想的表格查询方式对神经网络的历史信息进行分类存储、选择利用以增强网络泛化能力,提高网络收敛速度;详细推导了改进Elman神经网络的数学模型及权值调整算法,并将其应用到直线进给伺服系统中,结果表明,基于稀疏存储Elman神经网络的速度控制器具有良好的跟踪精度和抗干扰能力。     

四旋翼偏航系统的优化神经网络滑模控制

针对四旋翼偏航控制系统,提出了一种运用遗传算法优化的神经网络滑模等效控制方法。此方法采用遗传算法对神经网络的权值和阈值进行优化,提高了四旋翼偏航系统的动态控制品质;利用BP神经网络输出代替传统离散滑模控制趋近律中的到达速度常数和趋近速度指数,有效地克服了传统离散滑模控制的趋近律中参数选取不合适会导致系统状态发散或产生剧烈抖振问题。Matlab仿真分析表明,这种控制方法拥有较好的控制跟踪性能,不但使控制系统对外部扰动具有很强的鲁棒性,而且保证了良好的动态品质并消除了系统的高频抖振。     

一种改进的Elman网络及其在载荷识别中的应用

提出一种在关联层与输出层之间加入反馈连接的改进的Elman网络,给出相应的网络结构与学习算法。该网络关联层除从隐含层接收反馈信号外,还从输出层接收反馈信号,通过调节它们之间的权值系数,增加关联层的作用,提高网络的逼近能力和动态性能。在此基础上,建立具有时延反馈的Elman网络载荷识别模型,并用于齿轮箱的载荷识别研究。试验结果表明,该网络模型具有收敛速度快、识别精度高的特点,为复杂动态系统的载荷识别研究提供一种新的思路。     

改进的BP神经网络在刀具磨损状态监测中的应用

刀具磨损状态监测的研究中,采用传统BP算法的神经网络识别切削过程中的刀具磨损量,具有局限性。文中提出了一种改进的BP神经网络结构,选取了新的BP算法,并对网络结构参数进行优化调整。对振动信号和AE信号分析后提取出刀具磨损特征量输入改进的BP神经网络,经过训练后用于识别刀具磨损状态。通过比较,改进的BP神经网络的收敛速度明显提高,且减小了识别误差。实验证实了其可行性和有效性。     

FUZZY NEURAL NETWORK CONTROL FOR VIBRATION WAVEFORM SYSTEM OF MOLD

Combining with the characteristic of the fuzzy control and the neural network control(NNC), a new kind of the fuzzy neural network controller is proposed, and the synthesis design method of the control law and fast speed learning algorithm of the parameters of networks are put forward. The output of the controller is composed of two parts, part one is derived on basis of the principle of sliding control, the lower order model and the estimated parameters of the plant are only required, part two is derived on basis FNN, it is used to compensate the uncertainties of the systems. Because new type of FNN controller extracts from the advantages of the intelligent control and model based sliding mode control, the numbers of adjusting parameters and the structure of FNN are simplified at large, and the practical significance and variation range are attached to each layer of the network and its connected weights, the control performance and learning speed are increased at large. The lightness of the conclusions     

连铸结晶器非正弦振动系统模糊神经网络跟踪控制

针对结晶器非正弦振动液压伺服系统参数易变、模型不确定这一特点，对模型未知的系统用神经网络模型逼近，并采用改进的递阶遗传算法对神经网络的权值和结构同时进行训练，实现系统模型的精确辨识；将模糊控制与神经网络相结合，提出一种模糊神经网络控制方法，实现连铸结晶器非正弦振动系统的跟踪控制。仿真验证了该方案能提高非正弦振动系统跟踪控制性能和鲁棒性，且易于工程实现。     

Deep learning-based smith predictor design for a remote grasping control system

In this study, a robotic hand control system was designed based on data gloves, aiming to provide more intuitive control and improved operational performance for a remote robotic hand. Compensation measures were proposed for the time lag effect on the remote-control system to address the input and feedback time delays of the remote robot system. A Smith predictor structure was modified by replacing the linear estimator with a recurrent neural network. A convolutional neural network was applied to the long short-term memory (LSTM) model, as it had a better convergence time and learning performance than the multi-layer perceptron model during training. The experimental results demonstrate that the control effect of this scheme is approximately 0.5 s faster than the normal Smith predictive control, proving its effectiveness.

     

Improved RBF network application in analog circuit fault isolation

One kind of steepest descent incremental projection learning algorithm for improving the training of radial basis function (RBF) neural network is proposed,which is applied to analog circuit fault isol...     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

基于神经网络的多值模糊控制系统研究

对于难以用精确数学模型描述的多变量非线性复杂控制系统,靠传统控制理论难以获得理想的控制效果,基于模糊神经网络控制的技术不依赖于被控对象精确的数学模型,且能根据被控对象参数的变化自适应调节控制规则和隶属函数参数的特性本文介绍了模糊神经网络控制器的应用研究,经过仿真实验证明该控制器能够获得较理想的控制效果。