机械臂关节空间Bezier曲线轨迹规划

为使机械臂轨迹便于分段处理,形成速度快,用于实时控制,在关节空间中使用Ｂｅｚｉｅｒ曲线对机械臂进行轨迹规划。从轨迹的一阶导数,二阶导数连续出发,推导出２段Ｂｅｚｉｅｒ轨迹拼接时其对应特征矢量应满足的关系,推导出Ｂｅｚｉｅｒ轨迹规划的边界条件,并通过不同型值点的３个算例与分段３次样条轨迹进行比较,应用Ｂｅｚｉｅｒ方法进行轨迹规划的优点为它的分段处理性,计算快速性以及计算机内存的较少占用。     

上海观光隧道网络监控系统的设计

上海观光隧道运营公司为吸引游客,提高市场竞争力,经研究决定在隧道中间增设两道全“自动景观门”,配合特定的声光,以增强隧道的声光幻觉效果;网络监控系统实际采用研华工控机及“Protool V6．0”组态软件构建人机界面,工作站选用西门子公司的S7系列PLC控制器、变频器、变频电机等组建控制网络;自2003年调试安装使用以来,已经运行上百万次,至今仍然运行良好;实践证明此网络监控系统的设计非常成功,是一个PLC、现场总线、组态应用成功的实例。     

广义动态模糊神经网络及在轴承故障诊断中的应用

提出一种结合小波包分解和广义动态模糊神经网络的故障诊断方法,该方法首先采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此向量作为输入,再利用广义动态模糊神经网络建立轴承故障诊断模型,该模型不仅能对模糊规则而且能对输入变量的重要性做出评价,使每个输入变量和模糊规则都可根据误差减少率进行修正。实验结果表明:该方法对识别和预测轴承的状态具有较高的精度和效率。     

训练模式摄动对模糊形态学联想记忆网络的影响

众多学者研究的两类形态学联想记忆网络的存储能力、抗腐蚀/膨胀噪声的能力等性质几乎都相同。但是文中研究发现两类网络对训练模式摄动的鲁棒性差异很大。一类对训练模式摄动拥有好的鲁棒性,而另一类则较差。该研究结论能为形态学联想记忆网络的学习算法选择和训练模式采集设备的精度要求提供指导,对前期训练模式的获取过程提供警示。     

参数化模糊联想记忆网络的学习算法

基于Dubois提出的带参数ξ的t-模T_ξ,提出了一种参数化的广义模糊联想记忆网络Max-T_ξ FAM。由于T_ξ中参数ξ的作用,在应用中Max-T_ξ FAM有更强的可调性和灵活性。接着利用T_ξ的伴随蕴涵算子,提出了Max-T_ξ FAM的一种有效学习算法。从理论上严格证明了,只要Max-T_ξ FAM能完整可靠地存储所给的多个模式对,则所提出的学习算法一定能找到使得网络能完整可靠存储这些模式对的所有连接权矩阵的最大者。最后,用实验说明了所提出的学习算法的有效性。     

基于模糊集贴近度的模糊推理系统摄动研究

目前对模糊推理系统规则摄动度量都是基于蕴涵关系进行研究的,而蕴涵算子选取不当必然会导致规则摄动出现误差。多数模糊推理算法也是基于蕴涵关系,这些算法因涉及模糊关系矩阵运算而使算法的计算过程比较复杂,有时推理结果和实际相差甚远。采用一种度量模糊推理系统规则摄动的新方法分析模糊推理系统的摄动,该方法不再使用蕴涵算子,而是基于规则摄动前后模糊集合的贴近度来度量,与以往的方法有着本质的不同,推理结果更贴合实际情况。     

基于单体模糊神经网络的多重模糊推理方法研究

文章基于单体模糊神经网络(MFNN)对多重模糊推理的Mamdani方法进行了推广，得到的广义方法(简称G-Mamdani法)克服了原有方法的若干不足。文章采用了求解模糊关系方程的方法来确定网络的权值，依此新方法，实现了一个模糊推理机，其推理效果较好。这一方法为模糊专家系统和模糊控制系统等提供了一种新的有力的推理工具。     

一种带修剪的增量极速学习模糊神经网络

由Huang提出的extreme learning machine(ELM)批量学习算法在获得与其他算法相当的性能的同时显示出了极快的学习速度。为了实现在线增量学习,扩展了ELM方法,提出了一种带修剪的极速学习模糊神经网络。首先随机产生模糊神经网络前件参数和规则数量,然后使用SVD将规则按照重要性能排序,再使用留一法leave-one-out(LOO)选出最佳的模糊规则数,最后分析计算模糊规则的后件参数。在学习过程中无须保存过去的数据,真正实现了增量学习。当新的数据到来时,无须重新训练网络。通过仿真实验对该方法与其他算法进行了验证和比较,结果表明,在获得与其他算法类似的性能的情况下,该算法能够获得更加简洁的结构。     

一种鲁棒性较强的新神经元模型及其在模糊推理中的应用

提出一种具有较强鲁棒性的神经元模型，能实现与、或和混合－并模糊逻辑运算。利用该神经元模型，构造了一个神经网络，基于该网络的模糊推理方法远比Zadeh的CRI方法更易于满足模糊推理的一致性要求，可望在面向医学和人文社会科学等领域的模糊专家系统及模糊决策支持系统中获得应用。     

基于三角模的模糊联想记忆网络

当T为t-模时,基于模糊取大和T的模糊联想记忆网络(FAM)存在局限性,当T为三角模,是t-模的广义形式,将这种FAM推广成基于Max-T的模糊联想记忆网络Max-T FAM.则Max-T FAM实现了从一个向量空间到另一向量空间的映射,从Max-T FAM的值域角度,分析了它的存储能力,并建立了一个三角模T的伴随蕴涵算子新概念,利用该伴随蕴涵算子,在无需T为连续的、严格增等条件下,提出了Max-T FAM的一个简洁的通用离线学习算法和通用在线学习算法.从理论上严格证明了只要Max-T FAM能完整可靠地存储所给的多个模式对,则这两种算法都能轻易找到使得网络能完整可靠存储这些模式对的所有连接权矩阵的最大者.最后,用实验证明了Max-T FAM模型和所提出的学习算法的有效性.