改进BP神经网络算法在机器人轨迹优化中的研究

针对未知的全局环境,将整体任务分解为环境信息已知的一系列中间任务,即将整个机器人的运动分解成一系列直线运动,降低神经网络函数复杂度,并且将障碍物封装为简单图形,以减少整个运动过程中的中间任务的个数,进一步降低神经网络函数复杂度．利用BP神经网络高速并行计算的优点,建立神经网络函数,提出一种实时性较高的求取函数的负梯度方向的方法,控制机器人快速高效地完成中间任务,从而驱使机器人到达目标点并进行仿真．     

神经网络在机器人控制中的研究进展

通过对近10年来,国内外学者和工程技术人员在机器人神经网络控制领域中所发表的文献进行分析比较,概述了神经网络在该领域内的研究现状与进展;按照神经网络与机器人不同研究方向的结合,分别介绍了国内外学者在本领域所取得的成功的理论和方法;在当前最新研究成果的基础上,若能将神经网络与柔性机器人、冗余机器人和协调机器人结合起来,将是机器人研究的又一重要方向。此外,神经网络在机器人系统中的实际应用也是今后努力的方向之一。     

管内作业机器人视觉伺服控制中的实时图像处理

针对管内作业机器人视觉伺服控制的要求,在分析视觉传感器成像机理的基础上,提出了一种实时图像处理算法。即预先将理想的特殊图像和联想记忆神经网络存储起来,在使用时,先将原始数字图像进行压缩,再用神经网络进行处理。仿真证明该方法是快速、有效的,而且具有较强的抗干扰能力。     

基于BP神经网络控制的多机器人运动规划(Ⅰ)

对多个机器人在简单环境中的运动的研究,利用多机器人控制的神经网络模型,将BP神经网络应用于机器人与障碍物,机器人与机器人之间的避碰行为控制,对机器人进行的行为设计.讨论了机器人训练神经网络及运动规划.实验结果表明了该方法的有效性.     

基于BP神经网络控制的多机器人运动规划(Ⅰ)

对多个机器人在简单环境中的运动的研究,利用多机器人控制的神经网络模型,将BP神经网络应用于机器人与障碍物,机器人与机器人之间的避碰行为控制,对机器人进行的行为设计.讨论了机器人训练神经网络及运动规划.实验结果表明了该方法的有效性.     

6-PRRS并联机器人正运动学求解

采用分类神经网络形式,利用运动学逆解,通过遗传算法结合Levenberg-Marquardt训练方法,可实现机器人位置从关节变量空间到工作变量空间的非线性映射,从而求得并联机器人运动学正解估计值,然后通过拟牛顿迭代计算可求得精确解,将此方法应用于6-PRRS并联机器人,结果表明:该方法计算精度高,耗时少,可应用于并联机器人的任务空间实时控制或求解并联机器人的工作空间。     

基于BP神经网络控制的多机器人运动规划（1）

对多个机器人在简单环境中的运动的研究，利用多机器人控制的神经网络模型，将BP神经网络应用于机器人与障碍物，机器人与机器人之间的避碰行为控制，对机器人进行的行为设计．讨论了机器人训练神经网络及运动规划．实验结果表明了该方法的有效性。     

混合粒子群优化算法和案例推理方法的多机器人学习

以未知环境下多机器人学习为研究平台,因案例推理方法可存储以前的问题和解信息,用该方法的长期记忆特性可帮助粒子群优化算法更好地解决新的问题。在特定的仿真环境里,粒子群优化算法可训练机器人的几个基本行为,经过学习使机器人具有更好的鲁棒性和自适应学习能力。根据机器人不同行为在复杂环境下的性能指标,CBR可从案例库中选择特定的行为,并将其参数传送到粒子群优化算法的初始解库,从而加速整体的学习过程。利用机器人仿真软件MissionLab,采用基于行为的多机器人编队任务,用来测试该算法的有效性。仿真和实验结果表明,案例推理方法和粒子群优化算法相结合,使机器人获得更优的控制参数,同时在未知环境下的多机器人编队具有更好的性能。     

基于模糊神经网络的机器人感知系统多源信息融合的研究

提出了利用基于模糊神经网络的传声器阵列和双目摄像机信息融合,实现对声源的精确定位和实时跟踪的方法.该方法建立了五层模糊神经网络,设计了各层的输入和输出,利用BP算法调整模糊神经网络的权重和参数获得不同的隶属函数,从而生成相应的模糊规则实现模糊决策.利用Matlab仿真了机器人的感知过程,得到了实际输出和实验输出的误差曲线,验证了基于模糊神经网络多源传感融合算法对于机器人控制的有效性.     

基于神经网络模型的拱泥机器人控制

拱泥机器人是为打捞沉船的关键工序—水下攻打千斤洞而设计的特种机器人.分析了拱泥机器人在水下泥土环境中受力情况,建立了基于MATLAB的拱泥机器人头部的动力学模型.针对拱泥机器人工作环境的不确定性,将传统PID控制与神经网络相结合,建立了一种应用BP神经网络实现PID参数自整定的自适应PID控制模型.控制器由PID控制器、神经网络NNC和NNI组成.神经网络NNC能够根据拱泥机器人动态特性的变化,自动整定PID参数,从而改善了控制性能.神经网络NNI为NNC提供学习的梯度信息.计算机仿真结果表明该方法是有效的.     

分布式网络管理中的任务管理与任务调度的研究

分布式网络管理是现在网络管理的重要发展方向，而任务管理与任务调度又是分布式网络管理的核心问题．本文从计算机网络管理角度出发，利用网络管理的方法，实现任务的主动管理，并通过调度算法对任务进行有效调度，解决网络中大部分的计算机资源因未被充分利用而造成的浪费及单个计算机中多个大任务的执行花费过多时间的问题．不仅使多个大任务在最短时间内完成．而且最大限度地利用网络资源。     

变频调速变压供水控制系统的研究与实现

目前自来水变频调速供水系统多为恒压供水,用于调节供水管网压力的PID调节器设定值在供水期间始终保持不变.针对这种情况,采用一种随着用水量变化而自动改变供水压力设定值的控制方法,并以三台供水泵为例给出了相应的电气主电路及其控制电路原理图,结合具体型号的变频器和软起动器,给出了控制端接线图,说明了供水压力设定值的调节方法.实践证明,采用这种控制方法的供水系统渗漏减少,可靠性更高,更节能,效果理想.     

神经网络并行MIMD处理器的研究及实现

为了能高速地实现多种神经网络,拓展神经网络在工业控制中的实时性、嵌入式应用,设计了一种多指令多数据流(MIMD)的通用型神经网络处理器(APP)。处理器的处理单元组之间、处理单元组与乘累加协处理器之间均可以并行执行任务、处理单元组与其他存储器之间可以并行通信。在FPGA上仿真验证了处理器的功能,并实现了用于轧辊偏心在线控制的BP网络和用于字符识别的Hopfield网络等两种不同的拓扑结构。实验数据表明,该体系结构具有较高的并行性,其性能优于其他常见的通用型实现手段。     

基于神经网络的交通标志识别方法

介绍了神经网络分类器的基本原理,针对3类交通标志,即禁止标志、警告标志和指示标志,提出了应用神经网络分类器进行交通标志自动识别的基本方法。神经网络分类器由两层网络联结而成,前层网络由单个BP网络完成交通标志的粗分工作,后层由3个BP网络将粗分结果分别进行细分,完成识别任务。此设计结构与传统的单层分类器相比,在训练速度和识别正确率方面都有较大的提高;显然,这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时,增加新的训练样本时,只要对相应网络进行训练即可,而不必对整个网络进行重新训练。实验结果表明,基于神经网络的交通标志自动识别方法,具有很好的识别效果。     

用改进的匈牙利算法实现粗粒度的子任务调度

分布式应用系统可根据设计任务的复杂程度和系统资源状况进行任务调度，主要通过寻找可行的匹配方案来实现相应的目标模型。指出了实际应用中对任务调度和负载平衡的迫切需求，分析了任务的粒度和调度算法，构造了资源评估矩阵，描述了粗粒度调度的数学模型，提出了改进的匈牙利算法，并给出了算法实例，进一步说明了改进的匈牙利算法应用于服务器集群系统时可以优化对网络资源的使用。     

基于改进CNN的阀门泄漏超声信号识别方法

为了检测输气管道阀门泄漏，对改进AlexNet网络结构进行了研究，提出了基于改进卷积神经网络（CNN）的阀门泄漏超声信号识别方法.针对泄漏信号短时稳定的窄带线谱特征，从图像邻域信息密度角度出发，将卷积核形状由图像识别领域通常使用的"正方形"改进为"扁横状".同时，对AlexNet层数进行优化，重新确定卷积核和全连接层神经元数目，并选择小尺寸卷积核，在减少参数量的同时增加网络容量和模型复杂度，防止模型出现过拟合.分别建立二分类和不同泄漏量下的多分类模型，通过输气管道实验平台采集阀门泄漏数据集，生成对应时频图样本，包括不同阀门开度、不同管道压力下的泄漏及背景声信号.结果表明，对比传统的CNN分类模型，改进CNN分类模型在测试集上取得了更高的识别性能.     

一种能耗约束的多核系统任务调度算法

不同的任务调度算法将任务分配在不同的处理单元,会产生不同的能耗。在基于片上网络的多核系统中,将任务分摊到所有处理器核能提高系统利用率,但导致大量的簇间通信,增加数据传输能耗。本文在对系统能耗进行建模的基础上,提出一种能耗约束的任务调度算法。该算法结合任务间依赖关系,动态计算任务分配时产生通信开销最小的簇和系统利用率最大的簇,通过计算在相应簇上产生的系统能耗,选择产生系统能耗小的分配方案以平衡系统利用率和簇间通信开销。仿真实验结果证明,算法在减少了簇间通信开销并提高系统利用率的同时,降低了系统能耗。     

基于神经网络的印制线路板图件识别研究

对基于人工神经网络的印制线路板（PCB）图件识别进行了研究。识别过程主要分为两个阶段：图像的预处理和模式识别。图像预处理阶段运用数字图像处理技术，从原始PCB图中提取出待识别的图件对象；在模式识别阶段，采用BP神经网络模型对PCB图件图像进行识别，为降低网络规模，经深入分析比较，提出了一种行、列扫描提取图件图像特征向量的算法，并对标准BP学习算法进行了改进，获得了较好的效果。     

基于语义连通图的场景图生成算法

提出了基于语义连通图的场景图生成算法. 将关系检测过程分为关系建议和关系推理两步; 以目标检测算法得到的候选对象为节点集合,构建一个全连接图; 使用物体的类别信息和相对空间关系计算物体之间存在关系的概率; 通过设置阈值来删除图中的无效连接,得到稀疏的语义连通图; 使用图神经网络聚合物体节点的特征进行聚合,融合上下文信息. 根据语义连通图的连接关系,结合更新后的主语和宾语特征以及两个物体联合区域的特征,构建关系特征,预测图中的每条边对应的关系类别.     

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.