基于神经网络的振镜式线结构光三维测量系统的标定

振镜式线结构光三维测量系统是一种新型系统,具有扫描速度快、测量精度和集成度高等优点,在三维测量领域具有广泛的应用前景。为了避免建立复杂的系统数学模型,提高系统的标定精度,提出了一种基于神经网络的标定方法。该方法首先基于双重交比不变原理,利用棋盘格靶标和电动平移台获取大量精确的标定点坐标,以标定点的图像坐标及光平面转角为输入,对应的三维世界坐标为输出,建立系统的神经网络模型,通过训练完成系统标定。试验表明,本文提出的标定方法简化了系统的标定过程,标定精度高且通用性好。     

基于BP神经网络的外姿态测量系统线阵CCD标定

在基于线阵CCD相机的空间物体外姿态测量系统中,线阵CCD相机的标定是空间合作目标定位的一个重要步骤。利用神经网络所具有的处理复杂非线性映射问题的能力,提出了基于反向传播(BP)神经网络的线阵CCD标定方法。该方法能够很好地描述外姿态测量系统中三维空间合作目标与像点之间的映射关系,无需建立复杂的数学模型,可直接恢复空间合作目标的三维信息,从而计算空间物体的姿态信息。实验结果表明:基于BP神经网络的线阵CCD标定方法与传统的DLT方法比较精度可提高41.7%。     

四路激光跟踪干涉三维坐标测量系统自标定与仿真

介绍了四路激光跟踪干涉三维坐标测量系统的工作原理，由于系统具有冗余特性，可以实现系统的自标定。重点研究了系统自标定的原理，采用初始动点的概念代替初始长度，建立了正确的自标定模型。提出了系统的标定和测量过程相互统一的新特征。最后综合运用各种数值算法对自标定模型进行了计算机仿真。仿真结果表明，激光跟踪干涉仪的测量误差对自标定参数的计算结果有重大影响。因此，自标定过程中需要保证激光跟踪干涉仪的测距精度。     

基于BP和RBF网络结合的相位测量轮廓术系统标定

相位测量轮廓术(PMP)是目前众多光学三维测量方法中比较成熟可靠的一种,其系统标定包括Z和(X,Y)坐标标定.在借鉴传统标定方法优缺点的基础上,提出了一种基于BP和RBF神经网络结合的PMP系统面内标定新方法,该方法将黑白棋盘图案在有效视场内沿世界坐标系Z轴多次放置,获取数据样本.在BP网络对数据样本进行训练和仿真后,利用RBF网络对误差数据进行训练和测试.实验中,BP网络训练步数仅为21步,RBF网络测试样本的平均距离误差仅为0.008 mm,此方法具有较高的标定效率和标定精度.     

基于单应性矩阵的线结构光测量快速标定方法研究

针对线结构光三维测量中的测量系统标定问题,对相机成像与畸变模型、单应性矩阵模型、线结构光移动扫描等方面进行了研究,对现有的线结构光测量系统标定方法的特点进行了归纳,提出了一种基于单应性矩阵的线结构光测量快速标定方法。利用机械辅助装置,使标定板和结构光平面平行并且共面,避免了多次调整位置,实现了线结构光三维测量系统的快速标定;利用标定板对扫描过程中单帧时间间隔内线结构光测量模块的位移量进行了计算,完成了对被测物整体扫描后全局点云的拼接;利用移动平台对单应性矩阵和测量点云数据的准确性进行了测试。研究结果表明:该方法能够快速建立线结构光测量系统的测量模型,标定过程简单、高效,能够满足有一定精度要求的三维扫描。     

基于BP神经网络的摄像机标定方法研究

在摄像机标定中,由于摄像机镜头存在多种非线性畸变,传统的标定方法需要建立复杂的数学模型来描述,因而增加了系统的复杂性和不稳定性.神经网络可以较好的处理非线性问题.提出了一种基于BP神经网络的标定方法,通过隐式标定来处理二维图像点和世界坐标系中的三维点之间的映射关系,使系统不经过复杂的摄像机内外参数标定,就可以获得物体的三维信息.实验表明,该方法有效可行.     

融合线性方法和神经网络的摄像机并行标定技术

从摄像机成像模型的基础原理出发,针对神经网络的特性,构建不同的训练点集以获得不同的神经网络.提出对物点的世界坐标(XW,YW,ZW)信息分别进行标定,称之为并行标定.此方法不局限于单个平面位置的标定,标定过程中让标定模板沿ZW方向移动,覆盖一个三维标定区域.与以往标定方法相比,由于该方法减少了标定点数目,此方法在提高了标定精度的同时提高了标定速度.实验结果表明,该方法在XW轴和YW轴方向上的距离测量精度优于0.1%,在ZW轴方向上的距离测量精度优于1%.     

基于虚拟立体视觉的气液两相流三维测量系统的标定

研究了基于虚拟立体视觉的气液两相流三维测量系统的标定技术。首先,基于单台高速摄像机和两组反射镜组构建虚拟立体视觉测量系统,建立高速摄像机透视投影变换模型以及虚拟立体视觉三维测量模型,对虚拟立体视觉系统中摄像机及虚拟立体视觉传感器进行标定。用靶标基准球模拟气泡在水中的分布,以其空间距离作为测量评价指标,比较了不同标定方法对三维重建精度的影响。实验结果表明,将标定参照物置于水箱内,并且分别对左、右虚拟摄像机及传感器进行标定,三维重建精度最高,测量空间距离绝对误差优于0.13 mm,相对误差优于0.49%。实验认为,对基于虚拟立体视觉的气液两相流三维测量系统进行标定时,必须充分考虑折光分光光路以及管壁折射对三维重建所带来的影响。     

三维机器视觉测量系统的标定模型研究

针对单幅二维数字图像计算三维坐标信息的三维机器视觉测量系统,建立了相应的摄像机标定模型和激光三角测距标定模型,为三维机器视觉系统走向实用奠定了基础。     

基于 VG400 CD-100的微惯性测量组合标定

在对微惯性测量组合的发展和应用进行分析的基础上,从微惯性测量组合的结构及基本工作原理出发,针对微惯性测量组合系统进行了误差源分析和标定技术研究。以微惯性测量模块VG400 CD-100为研究对象,分析了微惯性测量的组合技术,建立误差模型方程,研究了微惯性测量组合系统的标定,给出了三维陀螺仪标定的比例系数和交叉耦合误差系数以及三维加速度计标定的比例系数和交叉耦合误差系数。然后利用MATLAB数据分析工具,采用最小二乘法回归理论,对标定实验数据进行分析和处理,最终完成对微惯性测量器件,即微陀螺仪和微加速度计各误差系数的标定。     

胶囊内窥镜无线遥测定位的校正

为了进一步提高采用交流励磁定位无线跟踪胶囊内窥镜的定位精度,减小系统误差,提出了改进的神经网络定位校正方法。首先,设计了适应于胶囊内窥镜定位校正的神经网络结构;然后,采用Levenberg-Marquart算法结合贝叶斯正则化方法改进校正网络,抑制校正网络的过拟合。通过定位实验平台,建立了定位目标的跟踪位置与实际位置的样本对照数据表,并应用校正网络对定位数据进行校正。定位校正实验表明,改进的神经网络校正法可进一步减小定位误差,校正后的X,Y,Z,α,β分量的平均误差分别减小至8.7 mm,10.1 mm,7.3 mm,0.086 rad和0.081 rad。与基本BP算法相比,采用Levenberg-Marquart贝叶斯正则化的改进算法有效提高了定位校正网络的泛化能力和收敛精度。     

EPS助力特性的改进RBF神经网络方法

针对电动助力转向(EPS)助力特性的非线性问题,提出应用径向基(RBF)神经网络强非线性能力进行电动助力转向(EPS)助力特性曲面拟合方法,并做出改进。应用改进均值聚类方法(k-means)对数据进行聚类,获取基函数参数,再用梯度下降法训练网络权值,并利用最优停止法对网络进行了优化。实验结果表明,该改进方法避免了过拟合现象,提高了网络的泛化能力,并且具有网络训练时间短,拟合的曲面精度高,预测能力强等优点。     

神经网络集成方法在产品完工期预测中的应用

针对单个神经网络模型易出现过拟合而导致泛化能力较弱的缺点,引入了神经网络集成方法,对传统的Bagging方法进行改进,提出了一种基于0.632误差聚类的Bagging方法.通过实验对比和假设检验,证实了该方法的优越性,并探讨了最佳聚类数目.最后,通过应用实例展示了利用集成神经网络进行产品完工期预测的全过程.实验结果显示,该方法明显地提高了预测精度.     

基于神经网络的三自由度摇摆台运动学反解

针对传统的数值解法不能满足实时控制算法的要求，研究使用BP网络和径向基函数（RBF）神经网络求解三自由度摇摆台运动学反解的方法。通过离线的迭代算法生成高精度的样本点来训练神经网络，使用动量法、变学习率法和共轭梯度法提高BP网络的收敛速度。使用正交最小二乘法训练的RBF网络具有更小的泛化误差，更适合于实时控制应用。     

基于灰色神经网络的传感器分段标定

针对大量程高精度传感器不能一次完成标定实验的情况,提出一种将优化灰色GM(1,1)模型与BP神经网络相结合来预测分段标定过程中特征值缺失的方法,从而实现传感器的分段标定。首先,根据实验数据建立传统灰色GM(1,1)模型,对待标定传感器和标准传感器的测量值进行缺失数据的预测;然后,为弱化传统灰色GM(1,1)模型序列变化的幅度,提高模型的预测精度,利用中心逼近的思想对传统的GM（1,1）模型进行优化;最后,利用BP神经网络对优化的灰色GM(1,1)残差序列进行修正,以较高的精度实现对分段标定过程中缺失特征值的预测。结果表明,待标定传感器和标准传感器组合预测模型的平均残差分别为0.023%和0.401%,证明了组合预测模型的有效性。所提出方法为解决大量程高精度传感器分段标定时静态特性曲线的拟合提供了一种新思路。     

基于分布式多子网神经网络的多组分混合气体识别

目前采用神经网络技术进行多组分混合气体浓度识别时通常存在着识别精度差、识别范围小等问题。为此本文首次提出一种新的神经网络结构：分布式多子网络神经网络。该网络包含多个子网和一个总网。工作时通过总网的分解处理将一复杂任务自动分解成多个子任务,并交由相应的子网处理。这种多子网、分而治之的特点大大提高了网络的学习速度和泛化能力。特征其用于多组分混合气体的识别中,大大提高了混合气体的识别效果和可积识别范围。文章最后给出了模拟实验结果。     

Temperature drift modeling and compensation of RLG based on PSO tuning SVM

Precision and generalization ability are the two main requirements for modeling the temperature drift of a Ring Laser Gyroscope (RLG). Traditional methods such as the least square fitting and artificial neural network cannot achieve the optimal performance for both aspects. To solve this problem, a novel modeling method based on particle swarm optimization (PSO) tuning support vector machine (SVM) with multiple temperature variables input is proposed. First, the temperature drift data for modeling is preprocessed by adaptive forward linear prediction (FLP) filter. Then, the SVM method is employed to construct the drift model and guarantee the generalization ability. And the PSO algorithm is used to tune the parameters of SVM and improve the precision of established model. The results of experiment validate the superiority of the proposed method in both aspects. The method has been practically applied to a high precision RLG position and orientation system.     

RBF神经网络在传感器校正中的应用

提出了一种基于RBF神经网络的传感器非线性校正方法,传感器的输出及待测物理量的实际数值用于训练RBF神经网络,以得到非线性校正用的逆模型,只需较少的神经元就可构成上述逆模型,便于单片机软件实现或“因化”在硬件中,通过一个二维位移传感器的例子表明,采用RBF神经网络的传感器非线性校正精度和网络训练速度均大大优于BP神经网络,能满足实用要求。     

基于LS-SVM的柴油机润滑油中磨粒含量预测

介绍了最小二乘支持向量机(LS-SVM)回归算法的基本原理,并以490BPG型柴油机润滑油中磨损磨粒为研究对象,使用LS-SVM对磨粒的浓度数据进行了回归拟合并预测,并与基于人工神经网络的预测模型的预测结果进行了比较.结果表明,LS-SVM的预测模型的精确度较高,泛化能力强,是用于润滑油中磨粒浓度预测的一种有效的方法.     

基于mRMR的发电机DCS信号神经网络趋势预测方法

针对神经网络方法在发电机信号趋势预测过程中如何合理选择网络输入节点的问题,提出了一种基于最大相关和最小冗余(mRMR)算法的神经网络输入信号选取准则。该方法研究了发电机分布式控制系统(DCS)监测数据的特点,采用了mRMR算法从原始特征集合中选择了与被描述对象具有最大相关性,且特征集元素间冗余量最小的特征子集作为网络输入,进而有效地提高了网络模型对输入输出间非线性函数关系的拟合精度。研究结果表明,当对某电厂DCS信号进行分析时,与直接利用神经网络进行趋势预测的准确性相比,该方法预测准确性高、泛化能力好,具有良好的工程适用性。