A five-fingered underactuated prosthetic hand： hardware and its control scheme

A five-fingered underactuated prosthetic hand controlled by surface EMG (electromyographic) signals is presented in this paper. The prosthetic hand was designed with simplicity, lightweight and dexterity on the requirement of anthropomorphic hands. Underactuated self-adaptive theory was adopted to decrease the number of motors and weight. The control part of the prosthetic hand was based on a surface EMG motion pattern classifier which combines LM-based (Levenberg-Marquardt) neural network with the parametric AR (autoregressive) model. This motion pattern classifier can successfully identify the flexions of the thumb, the index finger and the middle finger by measuring the surface EMG signals through two electrodes mounted on the flexor digitorum profundus and flexor pollicis longus. Furthermore, via continuously controlling a single finger's motion, the five-fingered underactuated prosthetic hand can achieve more prehensile postures such as power grasp, centralized grip, fingertip grasp, cylindrical grasp, etc. The experimental results show that the classifier has a great potential application to the control of bionic man-machine systems because of its fast learning speed, high recognition capability and strong robustness.     

基于神经网络的燃料电池发动机风机系统建模

燃料电池发动机的风机系统是一个非线性系统,针对其难以建模以及建立的模型过于复杂等问题,利用神经网络的非线性映射和自学习能力建立了风机系统的辨识模型。模型以风机转速和空气压力为输入,以空气流量为输出,采用Levenberg-Marquardt优化算法进行神经网络的训练,建立了不同转速和压力条件下的空气流量模型。仿真结果表明,该模型精度较高,可为燃料电池发动机空气供给系统的优化控制奠定基础。     

铁路轴承保持架的超塑成形工艺参数优化及成形试验

文章对铸造状态的铝青铜进行了超塑性拉伸试验,并以试验结果为样本,借助Levenberg-Marquardt算法对样本进行学习,建立了铸态铝青铜超塑性拉伸条件与其超塑性性能的BP网络模型。基于所建模型,对铸态铝青铜的超塑性成形工艺参数进行了优化,得到最佳的超塑性成形工艺参数,并以此为依据,进行了铁路轴承保持架的超塑性挤压试验。结果表明,所建模型能够较好地反映材料超塑性拉伸条件与超塑性性能间的内在关系,网络模型的输出值和试验值间的误差较小,说明将人工神经网络用于铝青铜超塑性性能预测是可行和有效的。所预测的铝黄铜最佳超塑性条件能够满足保持架超塑成形的需要,且在最佳超塑性条件下成形保持架具有明显的经济效益。     

改进的BP神经网络在故障诊断中的应用

介绍了BP神经网络的结构和学习方法,针对BP网络存在局部极小值和收敛速度慢等问题．提出采用一种基于Levenbe rg-Marquardt算法(LM算法)的改进BP网络,最后通过汽轮机故障诊断实例的仿真研究,结果表明改进算法的性能明显优于常规BP算法,经改进算法训练的网络能大大提高故障的在线诊断能力．具有广泛的应用前景和应用价值。     

基于BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

BP人工神经网络负荷预测模型的L-M训练算法

根据电力系统短期负荷预测的需要,用C 开发了单隐含层BP人工神经网络程序。程序用Levenberg-Marquardt训练算法实现神经网络训练,大大提高了训练速度。采用24个单输出人工神经网络模型分别预测每天的整点负荷。该预测模型可动态生成,提高了预测模型的自适应性。实际算例结果表明,采用该算法及其程序进行短期负荷预测,可得到令人满意的训练速度及预测精度。     

时间序列趋势挖掘在辅助决策系统中的应用

传统的博克思-詹金斯（Box-Jenkins）时间序列分析与预测方法对模型参数的确定使用试错法。这种方法过于繁琐，且不易找到参数的最佳估计值。本文讨论了如何将改进的BP网络（Levenberg-Marquardt神经网络）应用于模型参数的确定。通过一个应急联动辅助决策系统的工程实例证明了所做的工作在提高辅助决策系统的宏观数据分析和预测能力上具有重要意义。     

基于模值估计的三轴磁力计标定方法研究

现有的三轴磁力计标定方法大都是对采样数据进行归一化,然后利用样本数据求解参数.为了提高标定算法的通用性和有效性.提出了一种改进的标定方法,首先将磁力计所处位置磁场向量的模作为误差模型参数,然后对其进行估计算法设计,接着提出一种两步标定方法进行参数初值的选取,然后应用Levenberg-Marquardt方法进行磁力计标定算法设计.仿真和实验结果表明,本文所提算法对类似的三轴传感器具有通用性,不依赖于传感器的观测向量,同时能够对所观测向量的模值进行精确的估计,可以标定三轴磁力计的安装误差、静态灵敏度误差和零位误差,标定过程简便,适用性广.     

神经网络模型在边坡坍塌预测中的应用

尝试建立了在区域降水条件下,选取蒸发量和降雨量作为评价参数,预测边坡坍塌强度的神经网络模型,实例的计算和验证表明,用人工神经网络的方法来预测在降水条件下边坡的坍塌强度是可行的。     

基于Levenberg-Marquardt优化算法的双路电缆温度预测

为研究双路电缆温控试验中电缆暂态温度随时间的变化关系,预测温度的变化趋势,在经典热路模型的基础上,提出了预测方案.让调节电流以二分法的形式进行有规律地变化,并用Runge-Kutta法求出离散的电缆暂态温度计算值,再通过Levenberg-Marquardt优化算法对这些离散的电缆暂态温度计算值进行非线性曲线拟合,最后...