基于遗传神经网络的机器人腕力传感器动态建模与补偿方法

介绍用于MotomamV3X机器人上的新型多维腕力传感器,比较遗传算法与人工神经网络的特点,将遗传算法的交叉和变异操作进行改进,提出一种融合改进遗传算法(Genetic algorithm, GA)的函数连接型人工神经网络(Functional link artificial neural network, FLANN),并将其用于所介绍的新型机器人腕力传感器动态建模与动态性能补偿中。介绍动态建模与动态补偿原理及改进遗传神经网络算法,给出该传感器的动态模型和动态补偿模型。该方法利用腕力传感器的动态标定数据,采用改进遗传神经网络搜索和优化模型参数,保留了遗传算法的全局搜索能力和FLANN结构简单,鲁棒性好,且具备自学习能力的特点,克服了FLANN容易陷入局部极小的缺陷,具有快的网络训练速度及高的动态建模精度。理论分析和试验结果都证实了所提出的动态建模与动态补偿方法的有效性。     

基于遗传算法和神经网络的油气弹簧非参数化建模

将遗传算法应用于油气弹簧神经网络模型的优化,首先利用遗传算法的全局搜索能力得到神经网络权值的次优解,然后利用BP算法精确搜索到权值的最优解,从而克服了传统BP算法易陷入局部最小点的缺点。与采用传统BP算法的神经网络比对结果表明,遗传算法能显著地提高神经网络的精度,建立的油气弹簧人工神经网络模型可以对油气弹簧的输出特性进行可靠地预测。     

基于卷积神经网络的林火烟雾识别

基于传统的人工神经网络(Artificial Neural Network, ANN)提出了一种算法用来进行森林林火烟雾的图像识别。应用卷积神经网络(Convolutional Neural Network, CNN)结合反向传播法(Backpropagation, BP),选取适当的激励函数,训练神经网络。同时通过适当的池化方法大大提高了算法的效率,从而有效地通过神经网络对目标图像的特征学习,识别出烟雾图像。在对图像识别学习前对图像进行灰度化,并且在对图像进行二值化之后,再进行学习训练,排除了所需识别目标之外图像引入的干扰,从而提高了图像识别准确率。     

改进遗传算法在图像分割中的应用

图像分割是图像处理和分析的基础,通过分析遗传算法(Genetic Algorithm,GA)在图像分割中的应用优劣,提出利用模拟退火思想的改进遗传退火(Genetic Simulated Annealing Algorithm,GASA)的图像阈值分割算法,算法整个运行过程由冷却温度进度表控制,使用改进的最小误差公式代替遗传算法的适应度函数,将问题转化,从而求得灰度图像的一个最佳阈值。实验数据表明,基于改进遗传退火算法的最小误差图像分割方法能较好提高算法的全局搜索能力,避免遗传算法陷入局部最优,并且能更快速、更稳定收敛到最佳的分割阈值,得到更好的图像分割效果。     

基于免疫遗传算法的优化设计

遗传算法作为一种生物进化计算模型,在优化计算中得到了广泛应用,但其存在的缺陷,影响了其在一些问题求解中的正确性和有效性.将生物免疫算法与遗传算法相结合,提出了一种基于免疫遗传机理的优化计算模型,避免了遗传算法易出现早熟、搜索效率低及不能很好保持个体多样性等问题.并以免疫遗传算法为基础,研制了优化设计支持IGBODS(Immune & Genetic based Optical Design Support) 系统, IGBODS系统已在多个优化问题中得到应用,优化计算结果表明,免疫遗传算法在优化设计中,具有很大的优越性与良好的应用前景.     

基于神经网络-遗传算法优化柴油机油台架试验

根据15W/40 CD柴油机油的模拟实验与台架试验的基础数据,用人工神经网络(ANN)的反向传播算法建立了模拟实验与台架试验神经网络预测模型,该神经网络模型合适的拓扑结构为5-7-1,学习速率为0.2,动量因子为0.9。探讨了用模拟实验数据预测台架试验结果的可能性,检验证明用人工神经网络方法建立的模型能准确预报15W/40CD柴油机油的台架试验结果。该神经网络预测模型用遗传算法优化,得到了15W/40 CD级柴油机油能通过台架试验的最优模拟实验结果。     

基于ANN和SVM的质量预测方法研究

针对随机抽取的质量数据序列的特点,提出时序空间(Time Seauence Space,TSS)的概念,将人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support VectorMachine,SVM)回归模型引入质量数据预测领域.并给出了相应的过程和算法.使用均方误差对拟合精度进行检验,用相对误差对预测精度进行检验.结果表明,相对于传统的多项式回归模型,人工神经网络和支持向量机回归模型的拟合精度较高,相对误差较小,泛化能力较强,可以作为质量数据的预测方法.     

特征值逆问题求解的遗传算法-神经网络方法研究

研究了基于遗传算法-神经网络集成的特征值反问题求解模型。将问题归结为一个求结构重量最轻并受频率约束的结构优化问题,利用人工神经网络作为结构近似分析器,可获得不同结构尺寸下的结构响应值;利用遗传算法作为寻优工具,可直接利用神经网络提供的离散数值,搜索效率高,获得全局最优解的概率大。数值例子表明了该方法的有效性。     

基于PCNN的图像纹理分析研究——评《脉冲耦合神经网络图像处理(第2版)》

作为计算机模式识别和视觉识别的重要内容,纹理分析即对目标的纹理进行描述、分割分类和检索等.脉冲耦合神经网络(Pulse Coupled Neural Network,简称PCNN)是近年来计算机领域研究的热点,其是一种新型的第3代人工神经网络模型,这种网络模型的时空总和特性较好,还具有动态脉冲发放特性等优良特性,目前研究人员正在研究其在图像处理、人工生命和目标的自动识别等领域的应用.人工神经网络是以生 物神经网络为基础,从而模拟人脑的结构建立的一个系统,是近年来神经心理学和信息科学等综合学科的研究重点.由林德布莱德编著、高等教 育出版社出版的《脉冲耦合神经网络图像处理(第2版)》一书,详细论述了神经网络对图像的识别和纹理分析的各种方法,还列举了大量的应用实例从事信息处理、生物医学图像处理和计算机视觉等研究人员可通过该书进一步深入了解关于PCNN图像处理的相关内容.     

基于MSCNN与STFT的滚动轴承故障诊断研究

针对现有基于CNN(Convolution Neural Network)的滚动轴承故障诊断方法难以有效挖掘和利用数据中包含的多尺度信息问题,提出了一种多尺度卷积特征融合的滚动轴承故障诊断方法。加入上采样层,通过递归方式建立具有多尺度特征提取和融合能力的卷积神经网络MSCNN(MultiScale Convolution Neural Network)结构,提升模型对输入信号的理解能力。利用美国凯斯西储大学(CWRU)数据库对所提方法的有效性进行验证,采用短时傅里叶变换对滚动轴承信号进行频谱分析,将频谱样本输入到MSCNN网络中,数据分析表明,该方法能有效地提升故障的诊断精度。