广义模糊熵图像阈值分割参数选取的ADE方法

针对广义模糊熵图像阈值分割参数不能自动选取,提出自适应差分进化（Adaptive Differential Evolution,ADE）的广义模糊熵图像阈值分割方法。利用自适应差分进化算法作为优化工具来选取广义模糊熵阈值分割所需要的最佳参数,引入自适应变异算子和提出交叉概率自适应函数对优化过程进行控制,通过把参数带入广义模糊熵的补函数得到图像的阈值,进而得到图像最优分割。为验证其有效性与可行性,分别同基本图像质量评价准则的模糊熵图像阈值分割算法和粒子群优化广义模糊熵图像阈值分割算法相比较,实验表明,针对不同细节的图片,该算法所得分割结果多数情况下背景信息更少,目标信息更清晰,用时更短,分割更稳定且效果良好。     

基于RBF神经网络的直接广义预测控制

针对广义预测控制算法需要在线递推求解 Diophantine 方程及矩阵求逆等计算量大的缺陷,对参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制算法.该算法将多变量非线性系统转化为多变量时变线性系统,用三次样条基函数逼近系统广义误差向量中的时变系数,然后利用径向基神经网络来逼近控制增量表达式,并基于广义误差估计值对控制器参数向量即网络权值向量θu和广义误差估计值中的未知向量θe进行自适应调整.仿真结果验证了此算法的有效性.     

基于小波神经网络的PID整定与应用

提出了一种基于小波神经网络整定的PID控制方法。由于小波变换具有良好的时频局部特性，神经网络具有强大的非线性映射能力，自学习、自适应等优势，采用规范正交的小波函数作为神经网络的基函数构成小波神经网络。该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力，自学习、自适应能力等优点，渗碳炉控制实验结果表明．用该方法整定的PID控制系统收敛速度快。逼近精度高，鲁棒性好。     

广义模糊熵阈值法中基于粒子群优化的参数选取

针对广义模糊熵图像阈值分割法中参数m的选取问题,提出一种利用优化算法自适应选取参数的广义模糊熵阔值分割方法.该方法通过粒子群优化算法,依据图像分割质量评价准则对参数m在(0,1)区间进行全局寻优,并依据广义模糊熵最大准则对S型隶属度函数中的3个参数(a,b,d)进行全局组合寻优,从而实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验结果表明,该方法对光照不均匀图像具有更好的分割效果.     

率熵函数

提出了率熵函数的概念,用译码器不确定度约束代替传统的失真度约束,从译码侧定义广义率失真函数。虽然率熵函数定义为互信息的约束变分问题,但可以通过构造变分问题特解求率熵函数的闭式解,还提出了构造变分问题特解的4种方法,即熵不变准则、独立误差准则、再生性准则和弱再生性准则。据此得到目前常见概率分布的率熵函数闭合表达式,包括均匀分布、向量高斯分布以及具有再生性和弱再生性的概率分布。熵失真度与熵幂失真度是均方失真（二阶统计量）和绝对值失真度（一阶统计量）的推广,是更一般的结果。率熵函数的概念解决了目前已知常见信源的率失真函数问题,丰富和发展了香农的率失真函数理论,在信源编码领域中具有重要的理论意义和应用价值。     

基于自适应重复学习的不确定多涡卷混沌系统同步控制

基于滞环函数提出一种参数可调的多涡卷混沌系统构造方法. 针对复杂不确定性系统, 综合利用自适应神经网络和重复学习控制方法设计一种自适应重复学习同步控制器; 利用自适应重复学习控制方法对周期时变参数化不确定性进行处理; 对函数型不确定性利用神经网络逼近技术进行补偿; 设计鲁棒学习项对神经网络逼近误差和扰动上界进行估计; 通过构造类Lyapunov 复合能量函数证明了同步误差学习的收敛性. 仿真结果验证了所提出方法的有效性.

     

一种基于Canny的边缘检测优化算法

针对传统Canny算子的高斯滤波参数和高低阈值选择困难,以及会造成缓变边缘丢失和假边缘的现象,提出用广义交叉验证准则进行小波阈值的自适应选取,用此阈值的广义阈值函数的小波滤波方法代替高斯滤波器对含噪图像去噪,然后采用最大类间方差的方法来实现Canny算子高低阈值的自适应选择,并用此高低阈值检测及连接图像的边缘。实验结果表明,改进的算法改善了噪声干扰情况下Canny算子的边缘提取效果,有效提高了边缘检测的准确性。     

多变量非线性系统RBF直接广义预测研究

为了避免Diophantine方程求解和矩阵求逆运算,提高广义预测控制算法的实时性,对一类参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制（GPC）算法。该算法将多变量非线性系统转换为多变量时变线性系统,然后利用径向基神经网络来逼近控制增量,对控制器参数向量,即网络权值中的未知向量基于跟踪误差进行自适应调整。理论证明,该方法可使跟踪误差收敛到原点的一个小邻域内。仿真结果验证了此算法的有效性。     

广义模糊熵阈值法中基于粒子群优化的参数选取

!针对广义模糊熵图像阈值分割法中参数m的选取问题,提出一种利用优化算法自适应选取参数的广义模糊熵阈值分割方法.该方法通过粒子群优化算法,依据图像分割质量评价准则对参数m在(0,1)区间进行全局寻优,并依据广义模糊熵最大准则对S型隶属度函数中的3个参数(a,b,d)进行全局组合寻优,从而实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验结果表明,该方法对光照不均匀图像具有更好的分割效果.

     

基于多层小波分析的图像融合技术研究

研究不同小波基函数下图像融合效果的差异性,结合实验结果、图像特性以及小波基函数的性能对小波函数进行筛选,最后确定以sym4小波函数作为图像处理的小波变换基函数;以融合图像低频部分的空间分辨率为评价对象、以熵差和互信息量为评价指标,对不同层次的小波分解融合图像的性能做了系统分析,分析表明,当小波分解为4层时,指标均达到最优化;重点研究局部方差准则、局部能量准则两种融合规则,最后提出基于局部相关系数方法的融合规则,以熵差、交互信息量、联合熵、均方根误差、标准差等多个指标作为评价指标,分别对三种规则下图像融合的效果和质量,进行了客观评价,评价结果表明,基于局部相关系数方法较基于局部标准差准则和基于局部能量准则有优势。     

基于自适应递阶遗传算法的小波网络研究与应用

针对传统网络收敛速度慢、隐层节点数选取盲目的问题,提出了一种基于递阶结构的自适应遗传算法.该遗传算法采取基于递阶结构的编码方式和自适应调整遗传算子,以网络的复杂性和准确性为目标函数,同时优化小波网络的结构和网络参数,并将优化网络用于飞控系统舵机的故障诊断,通过与传统的BP算法比较,结果表明基于递阶结构的自适应遗传算法的网络结构优化能力很强,且网络的收敛性能和诊断能力都有了很大的改进.     

Adaptive and optimal control of a non-linear process using intelligent controllers

A time-optimal control for set point changes and an adaptive control for process parameter variations using neural network for a non-linear conical tank level process are proposed in this work. Time-optimal level control was formulated using dynamic programming algorithm and basic properties of the solutions were analysed. It was found that the control is of bang–bang type and there is only one switching. In this method, a mathematical step-by-step procedure is used to obtain the optimal valve position path with one switching and is trained by neural network, based on the back-propagation algorithm. The dynamic programming procedure allows the set point to be reached as fast as possible without overshoot. An adaptive system is also designed and proved to be useful in adjusting the trained parameter of the dynamic programming based neural network for the process parameter variations. A prototype of conical tank level system has been built and implementation of dynamic programming based neural network control algorithm for set point changes and implementation of adaptive control for process parameter variations are performed. Finally, the performance is compared with conventional control. The results prove the effectiveness of the proposed optimal and adaptive control schemes.     

基于复合正交神经网络的自适应逆控制系统

目前，在自适应逆控制系统中常采用BP神经网络，而BP网络存在算法复杂、易陷入局部极小解等不足。而正交神经网络能克服BP网络的不足，但由于正交神经网络学习算法存在某些局限性，提出了一种复合正交神经网络，该正交网络结构与三层前向正交网络相同，不同的是正交网络的隐单元处理函数采用带参数的Sigmoid函数的复合正交函数，该神经网络算法简单，学习收敛速度快，并能对网络的函数参数进行优化，为非线性系统的动态建模提供了一种方法。仿真实验表明，网络在用于过程的自适应逆控制中具有很高的控制精度和自适应学习能力。该动态神经网络比其它神经网络具有更强的建模能力与学习适应性，有线性、非线性逼近精度高等优异特性，非常适合于实时控制系统。     

高速高精度运动控制算法的研究与应用

为解决裁床运动控制系统在加工不规则轨迹曲线中存在的插补精度低,效率不高的问题,提出了基于改进BP神经网络B样条曲线插补算法的研究与设计。该算法通过加入动量因子改进BP神经网络离线训练B样条曲线,利用负反馈校正输出预测插补点,避免了BP神经网络插补器自身带来的偏差。同时根据加工曲线曲率半径的变化完成对速度的前瞻规划,实现了加工在拐角处的高速过渡。最后在Matlab上进行了算法仿真并在实验平台上进行了测试,实验结果表明本文提出的裁床运动控制算法能够高效高精度的完成材料切割。     

基于鲸鱼算法改进小波神经网络的GIS局部放电诊断方法研究

针对封闭式气体绝缘开关装置由于生产、运输安装和运行环境等因素,引发的局部放电现象而造成的绝缘故障问题,提出了一种基于改进鲸鱼算法与小波神经网络结合的封闭式气体绝缘开关装置局部放电诊断方法。该方法利用灰度图谱与矩特征实现对局部放电信号的特征提取,基于矩特征值构建小波神经网络的输入样本集;然后使用改进鲸鱼算法对小波神经网络参数进行寻优,以解决神经网络存在的参数敏感问题;最后将优化好且训练完成的小波神经网络应用于绝缘开关装置局部放电诊断中。改进鲸鱼算法引入非线性收敛因子与自适应思想提升了算法的性能,对小波神经网络的超参数有较好的寻优效果。仿真结果表明,相比于通用参数配置的小波神经网络,改进诊断方法诊断精度提升了9.45%。     

Identification Recurrent Type 2 Fuzzy Wavelet Neural Network and L2‐Gain Adaptive Variable Sliding Mode Robust Control of Electro‐Hydraulic Servo System (EHSS)

An electro‐hydraulic servo system (EHSS) is a kind of system with the characteristics of time‐variant, serious nonlinearity, parameter and structural uncertainty, and uncertain load disturbance in most cases. These characteristics make it very difficult to realize highly accurate control by conventional methods. In order to solve the above problems, this paper introduces a recurrent type 2 fuzzy wavelet neural network to approximate the unknown nonlinear functions of the dynamic systems through tuning by the desired adaptive law. Based on the identification by recurrent type 2 fuzzy wavelet neural network, a L2 gain design method, combining gain adaptive variable sliding mode control with H infinity control, is proposed for load disturbance, thereby accommodating uncertainties that are the main factors affecting system stability and accuracy in EHSS. In this algorithm, a recurrent type 2 fuzzy wavelet neural network is employed to evaluate the unknown dynamic characteristics of the system and gain adaptive variable sliding mode control to compensate for evaluating errors, and H infinity control to suppress the effect on system by load disturbance. The experiment results show that the proposed system L2 gain design method can make the system exhibit strong robustness to parameter variation and load disturbance.     

Modeling and adaptive force control of milling by using artificial techniques

The contribution discusses the use of combining the methods of neural networks, fuzzy logic and PSO evolutionary strategy in modeling and adaptively controlling the process of ball-end milling. On the basis of the hybrid process modeling, off-line optimization and feed-forward neural control scheme (UNKS) the combined system for off-line optimization and adaptive adjustment of cutting parameters is built. This is an adaptive control system controlling the cutting force and maintaining constant roughness of the surface being milled by digital adaptation of cutting parameters. In this way it compensates all disturbances during the cutting process: tool wear, non-homogeneity of the workpiece material, vibrations, chatter, etc. The basic control principle is based on the control scheme (UNKS) consisting of two neural identifiers of the process dynamics and primary regulator. An overall procedure of hybrid modeling of cutting process used for creating the CNC milling simulator has been prepared. The experimental results show that not only does the milling system with the design controller have high robustness, and global stability, but also the machining efficiency of the milling system with the adaptive controller is 27% higher than for traditional CNC milling system.     

漂浮基空间机器人的径向基神经网络鲁棒自适应控制

针对一类同时具有参数及非参数不确定性的自由漂浮空间机器人系统的轨迹跟踪问题,采用了一种RBF神经网络的自适应鲁棒补偿控制策略.对于系统的参数不确定性,通过对径向基神经网络来自适应学习并补偿,逼近误差通过滑模控制器消除,神经网络权重的自适应修正规则基于Lyapunov函数方法得到;而非参数不确定通过鲁棒控制器来实时自适应...     

The development of an in-process surface roughness adaptive control system in turning operations

This research shows the development of an in-process surface roughness adaptive control (ISRAC) system in turning operations. An artificial neural network (ANN) was employed to establish two subsystems: the neural network-based, in-process surface roughness prediction (INNSRP) subsystem and the neural network-based, in-process adaptive parameter control (INNAPC) subsystem. The two subsystems predicted surface roughness and adapted feed rate using data from not only cutting parameters (such as feed rate, spindle speed, and depth of cut), but also vibration signals detected by an accelerometer sensor. The INNSRP subsystem predicted surface roughness during the finish cutting process with an accuracy of 92.42%. The integration of the two subsystems led to the neural-networks-based surface roughness adaptive control (INNSRAC) system. The 100% success rate for adaptive control of the test runs proved that this proposed system could be implemented to adaptively control surface roughness during turning operations.     

基于神经网络的机械加工工序能耗预测

针对工序级能耗难以用数学方法精确估算的问题,提出了一个基于神经网络的机械加工工序能耗预测方法。给出了输入变量及输出变量的选取及其归一化处理方法,进行了隐含层节点数和传递函数的选取。以各切削用量组合及其对应能源消耗的历史数据作为神经网络训练的样本集,建立切削用量组合方案输入和能源消耗输出间的非线性关系,从而对新的切削用量参数组合进行能耗值的预测。以某企业导叶片的粗铣加工为例,验证了该能耗预测方法的有效性。