基于Solis&Wets算法的机器人最优测量构形研究

研究了机器人标定中最优测量构形的选择,采用奇异值分解方法获得了机器人误差传播矩阵的条件数,以该条件数为优化的目标函数,利用Solis&Wets算法来选择机器人的一系列最优测量构形,以最小化参数估计中测量和建模误差的影响.实验结果表明该方法的标定结果优于随机选择的标定构形的标定结果.     

基于多线程的Linux下并发服务器的实现研究

探讨了Linux平台下多线程技术和套接字网络通讯问题，在此基础上利用互斥锁和条件变量技术设计了一个面向连接的多线程并发服务器的详细算法。最后给出了基于Posix线程库的Linux系统下用C＋＋实现多线程并发服务器的基本程序框架。实际项目应用表明这种基于多线程的并发服务器结构在完善程序功能的同时还可以有效提高其服务性能。     

基于小波分解的塔式快速图像匹配算法

文章利用小波分析的多分辨率特性，构建了小波金字塔上的快速图像匹配算法。首先对低分辨率的图像进行匹配操作，然后逐级上推，最终实现全分辨率下的图像匹配。实验结果表明该算法可以减少计算量、显著提高匹配效率。     

机器人误差补偿优化方法研究

为实现某打磨机器人的位姿误差补偿,在标准遗传算法和Solis&W ets算法的基础上,提出一种改进的自适应遗传算法和改进Solis&W ets算法来优化BP网络的权值和阈值,通过标准BP网络来计算机器人在任意位姿时的误差,从而可以对误差进行实时补偿。仿真和实验结果表明两种算法都能有效提高BP网络的学习效果,避免陷入局部最优,提高机器人的位姿精度,且同样目标条件下改进的自适应遗传算法的优化效果优于改进的Solis&W ets算法。最后对仿真和实验结果进行了分析。     

基于ARX技术的AutoCAD图形文件加密研究

本文在介绍了AutoCAD的二次开发工具objectARX的开发原理和特点基础上,结合实际工程要求提出了一个基于ARX的AutoCAD图形文件加密算法。运行结果表明该算法满足设计要求且具有一定的实际应用价值。     

机器人逆标定方法比较研究

对两种基于神经元网络的机器人逆标定方法：把机器人位姿和关节角误差作为前馈神经元网络的输入输出,以及把机器人关节角和对应的关节角偏差作为神经元网络输入输出,进行了比较研究。仿真结果表明前者标定效果更好,且更方便简单。把前一种方法的标定结果与传统的几何参数标定方法进行了比较,证明了该方法的有效性,避免了其他传统标定方法繁琐的建模及参数辨识过程。     

顺序形态变换的图像增强算法

根据顺序形态变换的相关概念和性质,提出了一种新的图像增强算法。该算法通过对图像做局部加权均值滤波,得到图像增强的基值分量;采用多方位结构元素与图像边缘匹配,计算图像关于各个方位结构元素的加权均值并选取其中的最大值来确定边缘;将此最大值与基值分量之差作为增强分量来扩大图像灰度梯度的动态范围;针对图像中的高灰度区和灰度剧变区,应用图像局部均值和方差自适应调节增强系数。因此,算法在抑制图像中的高频噪声的同时,能有效提升图像中的边缘和目标。实验结果表明,增强前后图像标准差由41.1515,36.9133提高到62.0535,52.8331;图像熵由15.8463,16.8998减少到15.8156,16.8324。     

具有输入和输出约束的高阶随机系统神经网络控制

针对高阶非线性系统,开展自适应神经网络跟踪控制器设计,系统受到随机扰动的影响.首次把输入和输出约束问题引入到高阶系统的跟踪控制中,并假定系统动态是未知.首先借用高斯误差函数表达连续可微的非对称饱和模型以实现输入约束,和障碍Lyapunov函数保证系统输出受限;其次,针对高阶非线性系统,径向基函数(RBF)神经网络用来克服未知系统动态和随机扰动.在每一步的backstepping计算中,仅用到单一的自适应更新参数,从而克服了过参数问题;最后,基于Lyapunov稳定性理论提出自适应神经网络控制策略,并减少了学习参数.最终结果表明设计的控制器能保证所有闭环信号半全局最终一致有界,并能使跟踪误差收敛到零值小的邻域内.仿真研究进一步验证了提出方法的有效性.     

一种用细胞神经网提取遥感图像边缘的新方法*

针对灰度遥感图像具有噪声多、图像亮度均匀、边缘模糊等特点,提出了基于细胞神经网遥感图像边缘检测的新方法。该算法主要是利用细胞神经网先后对遥感图像进行图像滤波、灰度阈值化、膨胀腐蚀、边缘检测等模板操作。实验结果表明,与传统的Sobel和Canny边缘检测算法相比,本算法不仅能有效地去除噪声对边缘检测的影响,而且能够快速完整地提取图像边缘。     

机器人动力学标定综述

动力学标定在机器人控制中起着非常重要的作用。本文从一般动力学标定和基于神经网络的动力学标定两方面对现有机器人动力学标定方法和研究现状进行了分析和总结。并详细介绍了每种标定方法的特点、存在的问题以及研究现状。最后对机器人动力学标定的发展方向进行了简要论述。