基于改进QPSO-NN的冗余机械臂逆运动学算法

针对某种冗余机械臂逆运动学求解的问题,提出了一种基于改进量子粒子群神经网络的求解算法。以冗余机械臂末端位姿为输入,经神经网络求得其逆解;针对神经网络输出结果误差较大的问题,把神经网络求初值加入初始化的粒子群中,通过基于Metropolis准则改进量子粒子群算法,避免了量子粒子群算法的早熟现象;以关节坐标经正向运动学求得的末端位姿和期望位姿的误差为适应度函数,对机械臂关节坐标迭代寻优。仿真结果表明该方法结合了神经网络算法的快速性和改进量子粒子群算法的精确性,满足求冗余机械臂逆运动学问题的速度和精度要求。     

基于松弛序列凸优化的轮式机器人协同轨迹规划

针对威胁环境下的多智能体协同轨迹规划问题,以轮式机器人为对象,研究了基于序列凸优化方法的协同轨迹规划方法。首先通过对轮式机器人模型的分析,给出单独轮式机器人实际物理约束,同时以状态量、控制量加权为性能指标,考虑运动学方程、避障避碰约束、个体物理性能约束、终端约束,建立多轮式机器人协同轨迹规划问题;其次,对运动学方程、避障避碰约束进行凸化,证明了满足凸化后的避障避碰约束的解也满足原始避障避碰约束,并进行了几何直观解释;然后,将凸优化子问题进行离散化与松弛化,采用序列凸优化架构进行问题求解;最后,通过数值仿真,对比了松弛序列凸优化方法与现有非线性优化求解器的求解效率。结果表明,松弛序列凸优化方法在尽可能保证最优性的同时大大缩短了计算时间,具有一定工程意义。     

加油机器人操作臂设计及运动学研究

为减少污染和节省人力,使用加油机器人代替人力完成加油工作成为未来发展的必然趋势。为此,专门设计一种加油机器人操作臂的结构形式,在D-H坐标系中建立四自由度加油机器人操作臂的运动学模型,采用变换矩阵方法求解该操作臂正、逆运动学解析表达式,并运用Matlab软件的机器人工具箱对该操作臂正、逆运动学方程进行仿真验证。研究结果证明正、逆方程运动学方程解的正确性以及设计方法的可行性。     

管道检测机器人的测力定位法理论与方法

介绍并分析了管道检测机器人的定位现状,并针对它们的不足,根据牛顿力学和运动学定律提出了管道机器人的测力定位法.对测力定位法的性能进行了分析,发现误差有时间的累积性,并以时间的二次方递增.指出了它和光电码盘定位法的综合运用将是有效解决长距离输油管道机器人的高精度的独立定位问题的最佳切入点.最后,对测力定位法在整个管道检测机器人的检测、定位中的应用进行了分析,并给出了应用结构流程图.     

三关节机器人的神经网络补偿自适应控制器设计

三关节机器人广泛用于工业生产、轮式或履带式排爆机器人,为了补偿由于机器人结构参数、作业环境干扰等不确定性因素造成的机器人动力学模型的不确定性,将机器人动力学模型分解为名义模型和误差模型两部分,其误差模型采用RBF神经网络进行补偿,得到其估计信息,神经网络的输出权值根据Lyapunov稳定性理论采用自适应算法进行调整。所设计的神经网络补偿自适应控制器解决了不确定性机器人动力学系统控制器设计的不确定性问题,同时,通过定义Lyapunov函数,证明了控制器能渐近、稳定地跟踪期望轨迹。机器人的3个关节在控制器的作用下,约在5 s时达到期望轨迹,神经网络约在5 s时逼近机器人动力学模型的误差模型,实验结果表明了机器人关节对期望轨迹具有良好的轨迹跟踪性能。     

随机网络的α最短路径问题

为了求解随机网络中满足置信度为α的最短路径问题,提出了一种BP神经网络遗传算法。首先给出了随机网络的定义,建立了α最短路径模型;然后采用BP神经网络拟合非线性函数,遗传算法优化BP神经网络输出的方法求解该问题。实验结果表明,提出的模型和算法能有效求解随机网络的α最短路径问题。     

冗余空间机器人基座姿态调整的笛卡尔路径规划

空间机器人系统的机械臂和基座之间存在着动力学耦合,为了保证笛卡尔路径规划的同时可以调整基座的姿态,文章以冗余自由度空间机器人为研究对象,首先建立了空间机器人系统的运动学方程;由于存在一定的冗余度,通过将基座姿态运动方程与广义雅可比矩阵组合得到扩展后的雅可比矩阵,实现了基座和机械臂运动的协调规划;最后讨论了基座姿态无扰路径规划,并与零空间法进行了对比。建立平面三自由度空间机器人系统,分别采用零空间法和扩展雅可比矩阵法进行了基座姿态无扰路径规划和基座姿态跟踪路径规划,仿真结果验证了方法的有效性。     

二维非线性正交异性材料的瞬态热传导反问题研究

针对正交异性材料的二维非线性热传导反问题,本文采用顺序函数法对表面热流辨识进行了研究。在求解反问题时用到有限体积法、牛顿-拉夫逊法并引入未来时间步长的概念。在每个时间步内,将待辨识热流视为非线性方程组的未知量,通过一个迭代过程进行求解。从文中的例子可以看出,真实热流和辨识热流结果相近,从而证明了本方法在辨识二维非线性热传导反问题时是准确、稳定、有效的。     

二维非线性正交各向异性材料的瞬态热传导反问题数值方法

针对正交各向异性材料的二维非线性热传导反问题,采用顺序函数法进行表面热流辨识问题的研究。在求解反问题时,采用有限体积法、牛顿-拉夫逊法并引入未来时间步的概念。在每个时间步内,将待辨识热流视为非线性方程组的未知量,通过一个迭代过程进行求解。算例的研究表明,热流辨识结果与真实热流相近,从而证明了本方法在辨识二维非线性热传导反问题时是准确、稳定、有效的。     

弹药自动装填机器人免疫遗传模糊神经滑模控制

提出了一种基于改进免疫遗传算法的弹药自动装填机器人自适应模糊神经滑模控制器(IIGAAFNSMC)。用径向基神经网络来近似等效滑模控制中的不确定参数,通过自适应免疫遗传算法在线调整径向基神经网络非线性隐含层的结构和参数。利用最小二乘法计算线性输出层的权值,自适应模糊系统调节滑模控制的增益,减小了网络逼近误差和外部干扰并消除了传统滑模控制中的抖振问题。仿真结果表明,该方法比传统的神经网络滑模控制器具有更高的逼近精度和速度。     

基于遗传算法和神经网络的混合自学习策略

通过对神经网络自学习方法和基因遗传算法的研究 ,采用自适应基因遗传算法对神经网络进行训练 ,形成基于遗传算法和神经网络的混合自学习策略 ,克服了神经网络自学习方法的不足 ,提高了系统的自学习能力     

军事电子信息处理中的人工神经网络技术

本文首先分析了现代战场环境对军事电子系统智能信息处理的应用需求，然后对人工神经网络理论与技术在军事电子信息处理中的现实应用与潜在前景给出了一个较为详细的介绍与分析。着重介绍了神经网络在雷达、红外及声纳目标的检测、识别、多机动目标跟踪及武器系统的智能控制等方面的应用情况，力图展示神经网络用于军事电子信息处理的特色与优势。最后分析了人工神经网络技术发展与应用中存在的一些问题。     

城市居民小区地震火灾发生率的非线性预测

利用人工神经网络对地震火灾发生率进行非线性预测具有实用价值和理论意义。分析了人工神经网络预测的优势和不足，并提出算法改进意见，在综合分析人工神经网络预测的工作机理、构造方式以及影响城市居民小区地震火灾发生率的主要因素的基础上，构造人工神经网络模型进行火灾发生率的实例预测，并针对预测结果分析了各影响要素对地震火灾发生率发生影响的强弱程度，非线性预测的结果与预期结果相符。     

基于ANN的高炮火力单元射击有利度评估

采用ANN(人工神经网络)方法对高炮火力单元射击有利度进行评估是一种新的尝试。在对各影响因素进行分析与量化处理的基础上,建立了基于ANN的高炮火力单元射击有利度评估网络模型,并提供了网络的解算方法。通过某型高炮对不同目标射击的已知有利度评估值对网络进行的训练,确定了网络的各权值,并使学习误差达到了预先规定的标准,实现了对该型高炮对空射击有利度的评估。     

神经网络在自行火炮发动机燃油系统故障诊断中的应用

在讨论神经网络快速算法的基础上,研究了自行火炮发动机燃油供给系统几种常见故障的诊断方法,并在发动机实际运行中进行试验,结果表明,神经网络的采用使诊断模型具有智能化特点,用于发动机故障诊断效果是明显的。     

基于ANN模式识别的某型导弹测试车配电系统故障诊断

人工神经网络诊断特点与基于模式识别的诊断特点非常相似。将ANN模式识别技术应用于某型导弹测试车配电系统故障诊断。根据测试车配电系统的故障特点,设计ANN为4层BP网络,具有9个输入、10个输出,两个隐含层神经元数目分别为9和6。测试结果表明该方法能有效诊断测试车配电系统故障。     

武警总队应急车辆故障诊断系统研究

将人工神经网络和基于案例推理技术结合用于车辆故障诊断系统中，构建了ANN与CBR结合模型，阐述了各子系统的基本功能及相互关系，并对关键技术进行了详细解释。实例诊断表明，ANN和CBR方法的结合有效地弥补了它们各自的缺陷，提高了应急条件下车辆的维修保障能力。     

Prediction of flow stress of 7017 aluminium alloy under high strain rate compression at elevated temperatures

An artificial neural network(ANN) constitutive model and JohnsoneC ook(Je C) model were developed for 7017 aluminium alloy based on high strain rate data generated from split Hopkinson pressure bar(SHPB) experiments at various temperatures. A neural network configuration consists of both training and validation, which is effectively employed to predict flow stress. Temperature, strain rate and strain are considered as inputs, whereas flow stress is taken as output of the neural network. A comparative study on Johnsone Cook(Je C) model and neural network model was performed. It was observed that the developed neural network model could predict flow stress under various strain rates and temperatures. The experimental stressestrain data obtained from high strain rate compression tests using SHPB over a range of temperatures(25 e300 C), strains(0.05e0.3) and strain rates(1500e4500 s 1) were employed to formulate JeC model to predict the flow stress behaviour of 7017 aluminium alloy under high strain rate loading. The JeC model and the back-propagation ANN model were developed to predict the flow stress of 7017 aluminium alloy under high strain rates, and their predictability was evaluated in terms of correlation coefficient(R) and average absolute relative error(AARE). R and AARE for the J-C model are found to be 0.8461 and 10.624%, respectively, while R and AARE for the ANN model are 0.9995 and 2.58%, respectively. The predictions of ANN model are observed to be in consistent with the experimental data for all strain rates and temperatures.     

Neural network modeling to evaluate the dynamic flow stress of high strength armor steels under high strain rate compression

An artificial neural network (ANN) constitutive model is developed for high strength armor steel tempered at 500 °C, 600 °C and 650 °C based on high strain rate data generated from split Hopkinson pressure bar (SHPB) experiments. A new neural network configuration consisting of both training and validation is effectively employed to predict flow stress. Tempering temperature, strain rate and strain are considered as inputs, whereas flow stress is taken as output of the neural network. A comparative study on Johnson–Cook (J–C) model and neural network model is performed. It was observed that the developed neural network model could predict flow stress under various strain rates and tempering temperatures. The experimental stress–strain data obtained from high strain rate compression tests using SHPB, over a range of tempering temperatures (500–650 °C), strains (0.05–0.2) and strain rates (1000–5500/s) are employed to formulate J–C model to predict the high strain rate deformation behavior of high strength armor steels. The J-C model and the back-propagation ANN model were developed to predict the high strain rate deformation behavior of high strength armor steel and their predictability is evaluated in terms of correlation coefficient (R) and average absolute relative error (AARE). R and AARE for the J–C model are found to be 0.7461 and 27.624%, respectively, while R and AARE for the ANN model are 0.9995 and 2.58%, respectively. It was observed that the predictions by ANN model are in consistence with the experimental data for all tempering temperatures.     

多重结构神经网络在平台罗经故障诊断中的应用

提出了基于层次分类诊断模型的多重结构神经网络 (MNN)在平台罗经故障诊断中的应用方法 ,并对其温控子系统的人工神经网络 (ANN)进行了Matlab实现