基于小脑神经网络解决机械手逆运动学控制问题

由于机械手逆运动学问题的求解存在多解且非常复杂,以往解决机械手的逆运动学求解问题主要是通过神经网络逆模型来建立机械手的逆运动学模型然后通过遗传或改进的BP算法来训练神经网络的权(阀)值矩阵从而达到问题的求解,然而这种方法在建立神经网络的逆模型时要对训练数据进行限制或筛选使其成为单解问题(即满足逆映射关系存在的要求),这对于那些对数据事先进行处理很困难或根本无法进行的复杂系统是不可行,为此提出了一种采用小脑神经网络和约束条件相结合的方法来解决逆运动学问题.研究结果表明此方法可以很好的解决机械手的逆运动学控制问题,同时该方法可以推广应用到那些通过数学模型求解困难或者数学模型不确知的复杂系统反求问题.     

半主动悬架自适应模糊神经网络控制的研究

提出了一种半主动悬架系统自适应模糊神经网络控制方法。该方法采用径向基神经网络作为辨识器,模糊神经网络作为控制器,根据辨识器提供的雅可比信息和汽车自身运行状态在线调整控制器参数,以达到自适应减振控制。最后以我国常见的B级路面为激励信号用Matlab进行计算机仿真,并与被动悬架和目前已有的模糊控制方法进行对比,结果证明了该控制方法能够明显地改善舒适性,而且改善的幅度又要明显地优于现有的模糊控制方法。     

基于遗传神经网络的压铸机座板结构优化设计

在对压铸机合模机构进行结构设计时,利用神经网络的非线性映射能力,通过少量样本的有限元分析结果,训练出表述结构参数间函数关系的神经网络模型,然后利用遗传算法的全局寻优性找到神经网络模型表述的目标函数的最优结构参数,从而解决结构优化设计的瓶颈和智能问题,利用这种优化设计策略,设计了压铸机合模机构座板,结果表明了该方法的高效性。