基于神经网络的机器人运动模型辨识及其实验研究

针对机器人楚模中不确定因素的影响，采用神经网络辨识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，为了提高神经网络的辨识速度，基于Elman动态递归网络，通过增加网络输入输出的部分信息，提出一种新的动态神经网络结构——状态廷迟输入动态递归神经网络(SDIDRNN)，提高了网络的学习速度和稳态精度。以PowerCube^TM模块化机器人为研究对象，把根据机器人返回的关节位置信息和利用OPTOTRAK3020三维运动测量系统测得的机器人末端位置信患作为SDIDRNN的学习样本，对包含各种影响因素的机器人运动模型进行辨识，得到了满意的结果，说明了该神经网络的优越性。     

基于进化策略的动态递归神经网络建模与辨识

提出一种采用进化策略实现动态递归神经网络结构、权重和自反馈增益同时进化的学习算法,以及自适应进化机制,与改进ＢＰ６算法相结合,各取所长,形成集成化动态递归神经网络建模辨识算法,实际应用结果表明,所提出算法不仅明显提高了动态递是 网络模型辨识自救的收敛速度格精度,而且实现了动态递归网络的全自动优化设计。     

冗余度机器人运动模型的神经网络辨识及实现

为提高网络学习速度,提出了一种新的动态神经网络结构——状态延迟输入动态递归神经网络.以德国PowerCube^TM模块化机器人为研究对象,将机器人系统返回的关节位置信息和OPTOTRAK30203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,所得结果及误差分析,说明了SDIDRNN在学习能力上的优越性.     

PIN型Elman网络及在动态系统辨识中的应用研究

首先介绍普通改进E lm an动态递归神经网络的结构,重点讨论一种具有P ID特性的E lm an神经网络及其学习算法,并将改进E lm an网络和P ID型E lm an网络分别用于动态系统的辨识.无论是理想的数学模型还是实际工业模型,计算机仿真结果均证明,将P ID型网络用于动态系统辨识具有更好的逼近效果.     

非线性动态系统的Wiener神经网络辨识法

提出了一种新的Wiener神经网络结构并将其应用于非线性动态系统辨识问题.首先,用Wiener模型对非线性动态系统进行描述,将其分解成线性动态子环节串接非线性静态增益的形式.其次,设计一种新型的神经网络结构,使网络权值对应于相应的Wiener模型参数;并推导了基于反向传播的网络权值调整方法.最后,通过网络迭代训练,可同时得到线性动态子环节和非线性静态增益的模型参数.通过一个Wiener模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法切实可行.     

基于动态递归模糊神经网络的水轮发电机组建模

针对水轮发电机组的复杂动态特征,提出一种新的动态递归模糊神经网络结构,并将其应用于解决水轮发电机组的建模问题.通过在网络规则层引入乘积运算,使得复杂模糊规则容易提取,模糊推理功能易于实现.在网络隐层中引入局部递归单元,该方法能克服基于反向误差传播的静态网络辨识动态系统的局限性,提高辨识水轮发电机组动态特性的准确性.通过与其他智能方法的仿真比较,验证了所提出方法的有效性.     

基于动态结构模型的两轮机器人平衡控制研究

针对无监督学习网络模型对于特定的映射空间,期望产生特定的影响具有一定的局限性,提出了有监督的可生长结构的动态结构模型;该模型将动态结构模型与径向基函数网络结构有机结合,采用的是需要时生长的自组织生长算法,通过插入新的神经元、改变竞争层神经元间的连接以及调整层与层的连接权值,达到模型输出的精度要求,有效地解决了在输入特定的网络数据时,能产生期望的输出;该模型应用于两轮平衡机器人的平衡控制,经过仿真实验表明,该动态结构模型能够实现对两轮平衡机器人的平衡控制,且有一定的抗干扰性和实用价值。     

水泥篦冷机出口熟料温度自适应辨识模型

为了优化控制系统,建立篦冷机温度熟料出口的识别模型,利用篦冷机内熟料换热机理,找出熟料冷却过程的关键影响因素;利用回声状态网络辨识篦冷机运行数据,基于递归最小二乘法推导网络的在线学习算法,实现权值自适应调整,从而建立了篦冷机出口熟料温度的自适应辨识模型.仿真实验可知,在系统发生变化时构建的模型能够自适应调整网络输出权值矩阵,使模型快速收敛.与其他离线方法相比,提出的熟料出口温度的自适应模型更加持久有效,可以作为辨识模型指导篦冷机的控制.     

基于回归神经网络自适应快速BP算法

动态递归网络Elman网络结构简单,运算量少,适合于实时系统辨识。以Elman网络结构推导了在线学习算法。针对于传统BP算法会产生局部收敛和收敛速度慢等缺点,提出了一种改进的自适应BP算法,运用到回归神经网络,提高了在线学习的速度与收敛速度,仿真实验表明了此算法的有效性和快速性。     

基于递归神经网络的水下机器人故障辨识

水下机器人故障检测与辨识是机器人实现主动客错控制的关键.针对一般非线性系统执行器和传感器故障辨识问题构造了一种基于递归神经网络的故障辨识模型,并将其应用于水下机器人执行器与传感器故障检测和辨识中.2个并行递归神经网络根据水下机器人实际输出与估计输出间的误差学习调整隐藏层与输出层权矩阵,辨识机器人中发生的执行器故障和传感...     

Computing with continuous attractors: stability and online aspects

Two issues concerning the application of continuous attractors in neural systems are investigated: the computational robustness of continuous attractors with respect to input noises and the implementation of Bayesian online decoding. In a perfect mathematical model for continuous attractors, decoding results for stimuli are highly sensitive to input noises, and this sensitivity is the inevitable consequence of the system's neutral stability. To overcome this shortcoming, we modify the conventional network model by including extra dynamical interactions between neurons. These interactions vary according to the biologically plausible Hebbian learning rule and have the computational role of memorizing and propagating stimulus information accumulated with time. As a result, the new network model responds to the history of external inputs over a period of time, and hence becomes insensitive to short-term fluctuations. Also, since dynamical interactions provide a mechanism to convey the prior knowledge of stimulus, that is, the information of the stimulus presented previously, the network effectively implements online Bayesian inference. This study also reveals some interesting behavior in neural population coding, such as the trade-off between decoding stability and the speed of tracking time-varying stimuli, and the relationship between neural tuning width and the tracking speed.     

一种新型的感应电机速度辨识策略

介绍了一种基于神经网络的感应电机速度估计策略。应用反向传播算法的神经网络实时辨识电机速度 ,其目标函数是目标模型和神经网络模型输出之间差的平方和。速度作为神经网络的一个权值 ,通过反向传播算法来调节使之精确地跟踪实际的电机速度。实验结果表明此方案是可行和有效的     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

基于混沌理论的再热汽温神经网络模型

在利用混沌理论揭示火电机组再热汽温混沌动力学特性的基础上，构建了再热汽温神经网络预测模型。该模型利用混沌特性处理输入样本并确定神经网络的结构，用神经网络映射混沌相空间的相点演化的非线性关系，采用改进型遗传算法对神经网络模型进行参数辨识。仿真结果表明：该模型精度较高，收敛速度快，为实际生产过程中再热汽温的预测提供了一种新的思路和方法。     

基于小波网络的动态系统辨识方法及应用*

本文介绍了一种多输入非线性动态系统辨识算法，基于该算法的非线性辨识系统成功用于局部地区短时暴雨的预报。在这个系统中我们采用一种小波网络来追踪非线性系统的动态性，用一种基于小波逼近的非参数估计方法用于系统的状态空间模型的辨识中。从实验结果可看出，与传统的神经网络方法相比，该系统在速度、可靠性以及精确度上都有了很大的提高。     

指针网络改进遗传算法求解旅行商问题

针对遗传算法在求解旅行商问题时,受限于初始种群质量而存在收敛速度慢、易陷入局部最优等问题,提出一种基于指针网络改进遗传算法种群模型。通过经改进指针网络生成初始种群取代原种群,并结合基于汉明距离轮盘赌策略对种群个体进行择优,形成个体质量和种群多样性高的新种群。实验在TSPLIB标准库上多组实例进行测试,并和研究进展种群改进算法和多种主流启发式算法进行多项系数对比。结果表明,经过优化后算法的收敛速度和寻优能力有显著提高,能够有效用于改善遗传算法在旅行商问题上的应用。     

A fast and accurate online self-organizing scheme for parsimonious fuzzy neural networks

In this paper, we present a fast and accurate online self-organizing scheme for parsimonious fuzzy neural networks (FAOS-PFNN), where a novel structure learning algorithm incorporating a pruning strategy into new growth criteria is developed. The proposed growing procedure without pruning not only speeds up the online learning process but also facilitates a more parsimonious fuzzy neural network while achieving comparable performance and accuracy by virtue of the growing and pruning strategy. The FAOS-PFNN starts with no hidden neurons and parsimoniously generates new hidden units according to the proposed growth criteria as learning proceeds. In the parameter learning phase, all the free parameters of hidden units, regardless of whether they are newly created or originally existing, are updated by the extended Kalman filter (EKF) method. The effectiveness and superiority of the FAOS-PFNN paradigm is compared with other popular approaches like resource allocation network (RAN), RAN via the extended Kalman filter (RANEKF), minimal resource allocation network (MRAN), adaptive-network-based fuzzy inference system (ANFIS), orthogonal least squares (OLS), RBF-AFS, dynamic fuzzy neural networks (DFNN), generalized DFNN (GDFNN), generalized GAP-RBF (GGAP-RBF), online sequential extreme learning machine (OS-ELM) and self-organizing fuzzy neural network (SOFNN) on various benchmark problems in the areas of function approximation, nonlinear dynamic system identification, chaotic time-series prediction and real-world regression problems. Simulation results demonstrate that the proposed FAOS-PFNN algorithm can achieve faster learning speed and more compact network structure with comparably high accuracy of approximation and generalization.