二自由度平面手臂的小脑控制模型与仿真

针对小脑在运动中学习控制的角色问题,提出了一种为到达指定目标可以学会产生运动信号的肢体运动控制小脑学习模型,该模型由一个小脑学习模块以及硬连线外小脑系统构成,用以控制一个模拟的、由6块肌肉所驱动的双关节手臂。其中,小脑学习模块由1组可调式模式产生器的独立子模块构成;外小脑系统负责在小脑模块不能引导手臂到达指定目标的情况下产生精度较低的矫正运动,通过本体输入,模型的下橄榄通过观察由外小脑系统产生的矫正运动来推断小脑产生的运动误差,以期达到对手臂运动的调节和控制,仿真结果表明,该小脑模型具有较好的理想轨迹跟踪性能。     

基于双闭环的液压伺服系统控制

为了使液压振动试验台具有良好的运动特性,提出了一种双闭环控制结构.内环采用模拟控制器调节电液伺服阀,外环采用基于DSP的数字控制器用以调节液压伺服作动器.将此控制方案应用于对专用汽车减震器进行性能测试的液压振动试验台的工业现场,其实时监控结果表明:设计的模拟、数字相结合的双闭环控制器的方案正确,参数选择合理,系统的各项性能指标都达到了预期目标.     

基于连续型Hopfield网络的最优控制方法

为克服应用离散型Hopfield网络解决动态最优控制问题时,计算量随着系统维数和控制时域的增加而指数增大的不足,提出了一种基于连续型Hopfield网络解决线性离散系统二次型最优控制问题的方法.该方法将线性二次型性能指标转化为连续型Hopfield网络的能量函数,控制序列转化为连续型Hopfield网络神经元的输出向量,从而将线性二次型动态优化问题的求解过程转化为相应的连续型Hopfield网络从初态向终态的运行过程,网络稳态输出反映了最优控制序列.该方法计算量小,实时性好,便于在线优化控制.     

多发性骨髓瘤基因表达谱分析

为了依据肿瘤基因表达谱数据提取出其中蕴含的样本分类规则,以多发性骨髓瘤的基因表达谱为例,提出了一种在基因表达数据中提取分类特征规则的方法．该方法从统计学角度出发,以基因与样本类别问的相关系数作为衡量属性包含样本分类信息量的标准,并利用神经网络进行属性规约找出分类特征属性集,最后利用决策树进行知识提取,给出样本分类的产生式规则．实验结果表明,所提取出的3条规则对实验样本正确分类率达到100％．     

旋翼飞行机器人的动力学建模与容错自适应控制

针对目前无人飞行器在受限环境执行作业时操控性和安全性不足的问题,设计了一种基于旋翼动力的碟式自主旋翼飞行机器人(rotor aerial robot,RAR),采用内置桨叶和冗余执行机构以增强飞行器的安全性和容错能力,采用内、外双旋翼系统和碟式机体构架以提高空气动力特性和操控性能.运用牛顿-欧拉方法建立了系统的6自由度(six-degrees-of-freedom,6-DOF)动力学模型,根据模型执行环节易受气动干扰或故障等因素影响而出现参数不稳定的问题,设计了容错自适应控制方法,在Matlab/SIMULINK环境下以飞行器的侧向通道控制为例进行了仿真实验,验证了旋翼飞行机器人具有良好的操控性和鲁棒性.     

小圆蓝细胞瘤预测模型研究

为研究肿瘤与基因之间的关系,分析了小圆蓝细胞瘤基因表达数据,建立了分类和预测小圆蓝细胞瘤4个亚型的多模预测模型.针对小圆蓝细胞瘤的4个亚型,该预测模型创建了4个基于神经网络的分类器,并编码4个分类器的分类结果,获得每个数据样本的最终预测结果.研究表明,将复杂的多类分类问题分解为多个2类分类问题是解决多类分类问题的有效方法,基于该方法建立的多模预测模型能够学习基因表达数据中蕴含的知识,并利用获得的知识准确地分类和预测全部83个数据样本.     

答《评阮晓钢教授的“观测相对论”》

答复王令隽先生之《评阮晓钢教授的"观测相对论"》,其中,进一步阐述了观测相对论的基本思想和逻辑线路,特别指明了观测相对论的逻辑自洽性及其实证依据.     

基于环境反馈机制的四足机器人运动技能学习

哺乳动物的运动学习机制已得到广泛研究,犬科动物可以根据环境反馈的引导性信息自主地学习运动技能,对其提供更为特定的训练引导可以加快其对相关任务的学习速度.受上述启发,在软演员-评论家算法(SAC)的基础上提出一种基于期望状态奖励引导的强化学习算法(DSG-SAC),利用环境中的状态反馈机制来引导四足机器人进行有效探索,可以提高四足机器人仿生步态学习效果,并提高训练效率.在该算法中,策略网络与评价网络先近似拟合期望状态观测与当前状态的误差,再经过当前状态的正反馈后输出评价函数与动作,使四足机器人朝着期望的方向动作.将所提出算法在四足机器人上进行验证,通过实验结果可知,所提出的算法能够完成四足机器人的仿生步态学习.进一步,设计消融实验来探讨超参数温度系数和折扣因子对算法的影响,实验结果表明,改进后的算法具有比单纯的SAC算法更加优越的性能.     

基于双鉴别器生成对抗网络的单目深度估计方法

针对自监督单目深度估计精度不高的问题, 提出一种基于双鉴别器生成对抗网络的自监督单目深度估计方法. 该方法利用生成对抗网络在合成视觉上可信的图像方面的优势, 进一步提高了自监督单目深度估计的精度. 首先, 为充分利用重建图像, 在Wasserstein生成对抗网络的基础上进行改进, 构建了2个鉴别器的结构. 双鉴别器对生成器的要求和训练目标更加严苛, 避免了由于只在左图像或右图像上引入鉴别器而造成的信息损失. 其次, 针对该网络的结构, 提出了一种局部-全局一致的损失函数, 保证了像素的真实性和局部-全局内容的一致性. 在KITTI基准测试集中与单目深度估计的相关代表方法进行了比较, 实验结果表明, 该方法有效地提高了单目深度估计的精度, 具有较好的深度估计的性能.

     

一种遗传算法的神经网络模型

提出了应用神经网络实现遗传算法的模型,将普通遗传算法中交叉操作和突变操作的概念进行推广,并提出了全交叉和多点突变的概念以及实现这两种操作的人工神经元模型。通过一组著名的测试函数将该算法与典型遗传算法就求解优化问题的性能作了比较研究。此研究对用硬件执行遗传算法,显式地实现遗传算法的内在并行性,从而提高遗传算法的实时性,拓宽遗传算法的应用领域具有重要的意义。