A MULTILAYER FEEDFORWARD NEURAL NETWORK MODEL FOR VISUAL MOTION PERCEPTION

The local visual motion detection mechanism used in the visual systems of primatescan only sense the motion component oriented perpendicularly to the contrast gradient of thebrightness pattern.But the visual system of higher animals can adaptively determine the actualdirection of motion through a learning process.In this paper a multilayered feedforward neuralnetwork model for perception of visual motion is presented.This model employs W.Reichardt'selementary motion detectors array and T.Kohonen's self-organizing feature map.We explored theself-organizing principles for perception of visual motion.The computer simulations show thatthis neural network is able to recognize the true direction of motion through an unsupervisedlearning process.In addition,the neurons with the same or similar motion direction selectivitytend to appear in“functional columns”which seem to be qualitatively similar to the corticalmotion columns observed by electrophysiological and cytohistochemical studies in certain higherareas such as MT.It proves that motion-detection by spatio-temporal coherences,mapping,co-operation,competition,and Hebb rule may be the basic principles for the self-organization ofvisual motion perception networks.     

遗传神经网络在风电场风速估计中的应用

风速的波动会影响风电场发电量的随机变化,对风速比较准确的估计可用于提高风力发电控制系统的性能.但由于风速的随机性和非线性,用常规的方法难以预测.将时间序列分析法、神经网络及遗传算法相结合,提出一种预测风速的建模方法.采用时序分析法确定网络输入变量数,用遗传算法动态调整BP网络的连接权值和阅值的方法来逼近和学习风速的非线性.实验结果表明,该模型性能良好,能有效跟踪风速和风力机发电功率的变化趋势,具有良好的估计精度.     

网络控制系统的自整定PID 控制器设计

结合广义预测控制（GPC）方法和PID反馈结构,设计了一种具有预测功能的PID控制器,PID参数根据未来时刻的预计输出误差进行整定.控制器导出多步控制序列,置于执行器端的延迟补偿器根据网络时延从控制序列中选择控制信息并作用于控制对象,从而对时延进行补偿,使控制性能得到极大改善.控制器结合了PID控制和预测控制的优点,具有较强的鲁棒性和工程意义.最后通过构造Lyapunov函数对闭环系统的稳定性进行了分析,并通过仿真验证了该算法的有效性.     

网络控制系统PI预测控制及稳定性分析

将PID反馈原理引入广义预测控制（GPC）思想,把GPC目标性能函数改造成具有PI的结构形式,根据反馈时延导出多步控制序列,通过时延补偿器对前向时延进行补偿,使控制性能在网络环境下得到极大改善。控制器结合了PID控制和预测控制的优点,具有较强的鲁棒性和工程意义。构造Lyapunov函数对闭环系统的稳定性进行分析,并通过仿真验证了该算法的有效性。     

基于Elman网络的时延预测及其改进

分析了网络传输时延的组成和特点,提出了利用Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明Elman神经网络能很好地预测网络时延,为了进一步提高神经网络的逼近能力和动态特性,提出了一种改进的基于输入层、隐藏层、输出层神经元的动态递归神经网络。实验证明,改进的Elman神经网络比原来的网络具有更好的动态性能。     

基于行为模糊控制的机器人绕墙走研究

本文建立了一种基于行为的模糊逻辑控制系统,将模糊逻辑推理运用到移动机器人基于行为控制的结构中,利用超声波的信息并结合移动机器人的外部环境,使机器人能够完成绕墙走运动,并把机器人在运动过程中遇到的一般障碍物当作墙.可同时实现简单地绕障碍物运动.将本文提出的控制策略通过Mobitsim软件仿真证明其可行性.     

基于知识和遥感图像的神经网络水质反演模型

为进一步提高遥感图像水质反演的精度，提出了一种基于知识和遥感图像相结合的神经网络水质反演模型。该模型利用遥感图像数据以及与水质相关的知识数据作为BP神经网络的输入，经训练后，确定神经网络的结构，在训练好的BP神经网络基础之上对水质进行反演。以中国太湖为例进行实证研究，实验中，使用的知识数据包括太湖的地理信息知识和先对太湖TM图像上的水域解译进而对水质进行分类的知识。实验结果表明，本文提出的水质反演模型较常规的线性回归模型和传统的神经网络模型有更高的反演精度。     

偏心渐开线齿轮传动的不等分模型及其数值解法

针对等分模型下配对齿工作齿廓出现实际啮合不会发生的齿廓交叉或者分离现象,根据渐开线齿廓啮合几何关系,提出一种不存在假设误差的偏心渐开线齿轮传动不等分模型,以奇数齿偏心齿轮传动为例,给出不等分模型数值求解的完整算法。根据内公切线与两轮配对齿工作齿廓的交点数不同,啮合点搜索算法能处理任意转角关系下连续转动的4种情形,能正确产生7种不同的配对结果。计算结果表明,几何中心连线与内公切线段的交点不相互等分两线段,啮合点不总是在内公切线上,和轴心距大小无关。当基准齿工作齿廓坐标点数为5 000点时,啮合点搜索的坐标控制精度可达到0.001 mm,转角误差精度可达到0.001°,计算方法可以得到非常精确的转角关系,可以为偏心齿轮传动的准确分析和优化设计提供依据。     

基于神经网络-证据理论的遥感图像数据融合与湖泊水质状况识别

为了进一步提高湖泊水质状况识别的准确性，提出了一种基于神经网络．证据理论的遥感图像数据融合处理方法，并以太湖水质监测数据为例进行了实证分析。该方法先对不同的遥感输入图像，采用各自相应的神经网络进行处理，然后对神经网络输出的结果做归一化处理，再利用D-S证据理论进行数据融合，最终给出水质的识别结果。该方法的优点为(1)可增加水质识别的容错性；(2)由于融合了多源水质遥感图像的数据，因而水质状况识别的可信度更高。     

面向机械臂操作的视觉信息实时重建方法

现阶段的机械臂技能传授方法主要通过三维实时重建技术搭建虚拟空间进行模拟训练。然而人与机械臂视角不同，传统视觉信息重建方法由于重建误差大、时间长，而且实验环境苛刻、所需传感器较多等原因，导致机械臂在虚拟空间内习得的技能不能很好地迁移于现实环境。针对以上问题，提出了一种面向机械臂操作的视觉信息实时重建方法。首先，通过Mask-RCNN(Mask-Region Convolutional Neural Network)对实时采集到的RGB图像提取信息；然后，将提取后的RGB图像及其他视觉信息联合编码，并通过ResNet-18将视觉信息映射为机械臂操作空间的三维位置信息；最后，为减小重建误差，提出了一种聚类簇中心距离受限离群值调整方法（CC-DIS），并利用OpenGL(Open Graphics Library)将调整后的位置信息可视化，完成机械臂操作空间三维实时重建。实验结果表明，所提的实时重建方法具有较快的重建速度和较高的重建精度，完成一次三维重建仅需62.92 ms，重建速度高达每秒16帧，重建相对误差约为5.23%，能有效用于机械臂技能传授任务。