基于汽车操纵逆问题的蛇行试验分析研究

在驾驶员-汽车二自由度闭环系统模型基础上,进行汽车蛇行试验仿真,通过驾驶员熟练程度参数的差异,模拟不同驾驶员驾驶同一辆车的情况,从而利用径向基网络,建立闭环系统汽车横摆角速度、侧向加速度与方向盘转角之间的映射关系。通过所建立的径向基网络,由横摆角速度、侧向加速度响应来识别汽车的方向盘转角,结果表明了该方法的可行性,并且具有运算速度快,识别精度高以及抗干扰能力比较强的优点。     

基于神经网络的磁流变阻尼器逆控制研究

为了解决阻尼器的非线性问题,设计了一种纯剪切型磁流变阻尼器,并针对其非线性特性,提出了利用径向基函数（RBF）神经网络的非线性映射能力,以建立磁流变阻尼器的逆模型。由已训练的磁流变（MR）阻尼器的逆向神经网络模型和MR阻尼器组成的控制单元,在给定所需控制力的情况下,使MR阻尼器产生相应的阻尼力,实现了MR阻尼器提供连续可调输出力的目的,也使得纯剪切型MR阻尼器在一些需要精确控制的场合能够方便使用。仿真结果表明,神经网络逆控制的方法是有效的、可行的。     

汽车方向盘角输入识别的研究

以汽车方向盘角输入的识别作为汽车操纵逆动力学研究的出发点,通过驾驶员-汽车二自由度闭环系统的仿真以及超车试验,利用径向基函数网络建立了汽车横摆角速度及侧向加速度响应与方向盘角输入之间的映射关系。利用汽车横摆角速度及侧向加速度响应进行方向盘角输入识别的结果表明,这种识别方法是可行的,并且具有识别精度高、运算速度快及抗干扰能力强等优点。     

基于最优控制的汽车操纵逆动力学的研究

提出了一种基于最优控制理论的汽车操纵逆动力学研究方法，用于识别不同汽车跟踪同一期望路径的方向盘转角输入。以驾驶员对汽车施加的方向盘转角输入为控制变量，以精确跟踪期望路径为控制目标，将汽车操纵逆动力学问题转化为最优控制问题。利用直接配置方法将最优控制问题转化为非线性规划问题，运用序列二次规划方法求解。仿真结果表明：该方法能够使汽车很好地跟踪所期望的路径，且可以比较跟踪同一路径的不同汽车的操纵性能。     

汽车最速操纵问题的逆动力学研究

提出了一种汽车操纵逆动力学仿真研究方法。基于最优控制理论,以驾驶员对汽车施加的转角输入和驱动力/制动力为控制变量,以最短时间完成双移线过程为控制目标,通过改进的直接多重打靶方法将最优控制问题转化为非线性规划问题之后,运用序列二次规划方法求解。仿真结果表明,该方法能够解决汽车的最速操纵问题,可以比较不同汽车以最短时间完成双移线过程的操纵性能,且计算结果与ADAMS/Car虚拟样机试验结果具有良好的一致性。     

特征值逆问题求解的遗传算法-神经网络方法研究

研究了基于遗传算法-神经网络集成的特征值反问题求解模型。将问题归结为一个求结构重量最轻并受频率约束的结构优化问题,利用人工神经网络作为结构近似分析器,可获得不同结构尺寸下的结构响应值;利用遗传算法作为寻优工具,可直接利用神经网络提供的离散数值,搜索效率高,获得全局最优解的概率大。数值例子表明了该方法的有效性。     

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.     

基于集成径向基网络的制造系统性能预测方法

为准确地进行定量预测,提出了一种将仿真分析和集成径向基网络模型结合起来的制造系统性能指标预测方法.在定义和量化制造系统各类性能指标的基础上,分析了影响这些指标的静态和动态因素,并建立起径向基集成网络预测模型.通过基于Simul 8平台的仿真分析来收集样本数据,最终利用Bagging方法训练出集成神经网络,实现对工件平均完工时间和设备利用率等关键性能指标值的预测.试验结果表明,采用该方法输入动态影响因素的取值后,能快速获得比较理想的性能指标预测结果,并且其预测精度明显高于其他的神经网络方法.     

基于操纵稳定性的轮胎特性匹配汽车操纵逆动力学研究

利用MATLAB/Simulink,采用非线性轮胎模型,建立考虑载荷转移的二自由度汽车模型。在此基础上,基于逆动力学原理,使用神经网络理论方法,构建汽车前后轮胎特性与操纵稳定性评价指标之间的映射关系。结果表明,通过该方法构建的网络模型可以较准确地求出满足汽车操纵稳定性要求的前后轮胎侧偏刚度组合,进而指导汽车开发过程中的轮胎选择工作。     

快速全局优化算法在电磁场逆问题中的应用

为解决电磁场逆问题分析计算过度依赖计算机资源这一"瓶颈"问题,提出了一种新的快速全局优化算法.该算法首先应用基于紧支集径向基函数(CS-RBF)的改进表面响应模型(RSM)重构原优化问题;然后应用改进的粒子群算法(PSO)对重构的优化问题进行快速全局寻优.研究表明,典型数学函数验证以及电磁场逆问题的分析和计算,验证了算法的全局搜索和快速寻优能力.     

基于神经网络的三自由度摇摆台运动学反解

针对传统的数值解法不能满足实时控制算法的要求，研究使用BP网络和径向基函数（RBF）神经网络求解三自由度摇摆台运动学反解的方法。通过离线的迭代算法生成高精度的样本点来训练神经网络，使用动量法、变学习率法和共轭梯度法提高BP网络的收敛速度。使用正交最小二乘法训练的RBF网络具有更小的泛化误差，更适合于实时控制应用。     

基于BP神经网络的机器人逆运动学新算法

以瑞典ABB公司生产的IRB140型小型工业机器人为例,对空间六自由度多关节机器人进行了运动学分析,建立了该类型机器人的运动学模型,并提出了一种基于BP神经网络改进算法的机器人逆运动学的求解方法。对IRB140型机器人的仿真研究表明,用此改进的BP神经网络算法反解机器人运动学不仅求解过程简单,学习收敛速度快,还可以避免传统反解方法中的许多棘手问题。     

基于遗传算法和碰撞仿真的材料参数反求

提出一种在吸能管碰撞试验的基础上采用遗传算法反求材料参数的新方法。待反求的材料参数包括板材的塑性硬化参数和应变率参数。取不同碰撞速度下吸能管碰撞试验的平均碰撞力作为参考基准，将根据实际试验条件建立的碰撞仿真模型经计算得出的相应计算结果与参考基准吻合的程度定义为目标函数，采用遗传算法搜寻与试验结果相吻合的材料参数。算例表明，该方法具有较高的精度。由于吸能管碰撞试验是车辆耐撞性设计中通常必做的试验，故应用该方法反求材料的碰撞性能参数可不必进行额外的试验。     

柔性机械臂逆动力学问题的分析和求解

柔性臂系统的逆动力学问题,是指在已知期望末端操作器运动轨迹的情况下,结合逆运动学与动力学方程对关节力矩进行求解。本文采用割线坐标系对机械臂的运动进行了描述,并分快变（振动）和慢变两方面进行逆动力学问题的分析与求解。在对快变部分逆动力学性质的分析中发现,快变部分精确的逆动力学解是发散的。在进行柔性机械臂逆动力学求解时,应在慢变的意义上进行。文中给出了一种去掉系统快变部分的简单方法,并进行了逆动力学求解。数值仿真结果表明,该处理方法是合理的。     

基于倍四元数的机器人逆运动学分析

采用倍四元数进行建模求解机器人逆运动学问题.将齐次变换矩阵转以倍四元数形式表示,建立了倍四元数形式的机器人运动学方程,再通过消元和运算得到机器人逆运动学的解.最后,以SCARA机器人为实例求解验证,证实该算法简单可行.