基于Lagrange乘子法神经网络求解弹塑性力学有限元问题

根据人工神经网络的基本优化机理，研究了基于Lagrange乘子法神经网络求解弹塑性力学有限元问题．该神经网络对弹塑性力学有限元问题模型的不等式约束直接进行处理，无需添加松弛变量，降低了网络模拟和硬件实现的复杂程度．还分析了该神经网络的收敛性和稳定性．最后对一个简单弹塑性问题进行了数值仿真，计算结果表明了该神经网络求解弹塑性力学有限元问题的可行性．     

一种基于彩色图像的道路交通标志检测新方法

提出了一种改进的彩色图像分割方法,并将该方法与不变矩理论相结合用于检测彩色图像中的交通禁令标志。首先对采集图像进行预处理,包括对图像进行RGB到HSI或改进HSI颜色空间的转换和图像形态学的运算,然后对图像中不同的封闭子区域进行标记,并去除不满足面积阈值的子区域。分别计算剩下子区域的hu矩组得到每个子区域的７个图像特征值。将相应子区域的特征值与事先准备好的环形和三角形路标特征值用欧式距离分类器进行比较判别。实验结果表明,此方法能准确并较为快速地实现警告标志检测。     

固体火箭发动机比冲预示的神经网络仿真研究

运用BP和RBF神经网络方法和Matlab6.5工具软件建立了小样本数据条件下的固体火箭发动机比冲的神经网络预测模型,并将两种神经网络预报的效果进行了比较。两种网络较好的预报效果,表明建立的预测模型是合理的。在此基础上,提出了与之相应的预报误差控制方法及其新型号发动机比冲预测的选模判据。数值实验结果表明,所提供的网络模型可在小样本数据条件下实现发动机比冲性能的高精度预测。     

基于神经网络的固体火箭发动机比冲性能的预示研究

将神经网络方法引入了固体火箭发动机的比冲性能预测,该方法避开了系统具体规律分析以及相应数学模型建立所带来的困难,直接用神经网络模型来模拟真实的系统关系。采用了一种改进的Ⅱ型RBF神经网络,克服了传统的RBF神经网络径向基函数个数未知的缺陷,并将其预测结果与传统的BP神经网络的预测结果进行了比较。     

基于坐标变换的六维力传感器静态标定方法

为了提高传感器的测量精度,研究了六维力传感器标定矩阵的构造方法。首先,指出了传统标定矩阵的物理意义。然后,在传统标定矩阵中引入坐标平移变换算式,提出了一种综合考虑位置、姿态、坐标轴刻度比例缩放变换关系的六维力传感器静态标定方法。在标定试验的基础上,构造了标定矩阵,并对实测数据进行了补偿计算。误差分析表明:在传感测量系统无平移系统误差时,与传统标定方法相比,该方法的补偿精度略有下降。当在传感测量中加入平移系统误差时,该方法的补偿精度不变,而传统标定方法的测量精度明显下降。该方法起到了消除平移系统误差作用。     

基于Lagrange乘子法神经网络求解弹塑性力学有限元问题

根据人工神经网络的基本优化机理,研究了基于Lagrange乘子法神经网络求解弹塑性力学有限元问题.该神经网络对弹塑性力学有限元问题模型的不等式约束直接进行处理,无需添加松弛变量,降低了网络模拟和硬件实现的复杂程度.还分析了该神经网络的收敛性和稳定性.最后对一个简单弹塑性问题进行了数值仿真,计算结果表明了该神经网络求解弹塑性力学有限元问题的可行性.     

约束非线性规划问题的L1精确罚函数神经网络方法

 优化计算是神经网络的一个重要应用领域.针对已有神经网络求解约束非线性规划问题时,不能兼顾网络规模、计算效率、精确性的问题,本文提出了一种基于精确罚函数的约束非线性规划问题的神经网络计算方法.将约束非线性规划问题的一种L₁精确罚函数作为神经网络的能量函数,利用该能量函数的最速下降原理构造了神经网络的动力学方程并给出了其稳定收敛性说明.理论分析及算例仿真表明,所提出神经网络动力学方程能够全局、精确收敛于原规划问题的一个局部最优解.特别是,该神经网络动力学方程易于映射为动态电路,是一种工程优化问题的实时计算方法.     

基于人工力场的移动机器人路径规划研究

针对传统人工势场法中存在的一些局部极小点问题,文中提出了一种基于人工力场的移动机器人路径规划方法.该方法将机器人与目标的相对距离引入斥力函数,定义斥力的一个分力方向与障碍物的影响范围相切,另一个分力方向与引力方向一致,规定斥力向量与引力向量的内积始终大于等于零.这样,克服了传统人工势场法中存在的一些局部极小点问题,尤其是三个典型的、具有代表性的局部极小点问题.MATLAB仿真结果表明该人工力场法可以避开上述局部极小点,有效的规划出从起点到目标点的无碰路径.