基于神经网络的机器姿态逆解

首次实现自组织神经网络求解机器人姿态逆解，突破了文献局限于研究益逆解的状况，应用本文创新的自组织神经网络训练方法机器人运动学特性，建立了工业机器人姿态逆解的神经网络方法，对ＰＵＭＡ５６０机器人的计算机仿真结果表明，该方法姿态控制精度高。     

INVERSE KINEMATICS FOR A 6 DOF MANIPULATOR BASED ON NEURAL NETWORK

运用神经网络求解机器人运动学位姿逆解，突破了文献局限于研究位置逆解的状况，首次实现自组织神经网络求解机器人姿态逆解。通过深入分析基于Ｋｏｈｏｎｅｎ网络原理和Ｖｉｄｒｏｗ－Ｈｏｆ误差修正的Ｍ．Ｒ．Ｓ．自组织神经网络及机器人运动学特性，创新了自组织神经网络训练算法并建立了一类工业机器人位姿逆解的神经网络方法。对ＰＵＭＡ５６０机器人的计算机仿真结果表明，本算法在自组织能力和定位控制精度方面大幅度提高。     

无人机4D制导系统研究

基于逆运动学方法设计了无人机四维制导系统。基本姿态控制器采用基于在线神经网络的非线性动态逆控制器。动态逆控制器用来对消无人机的非线性，在线神经网络补偿对消不精确引起的状态误差。制导系统的任务就是由给定的三维航迹，解算出航迹角，并生成三个姿态角指令，同时设计发动机控制回路以控制航迹速度，最终实现精确的四维航迹跟随。     

基于神经网络动态逆的歼击机自适应跟踪控制

基于神经网络动态逆方法，给出了一种非线性模型参考自适应跟踪控制方案。应用神经网络直接对非线性系统求逆方法解决了逆系统方法的两个“瓶颈”问题，并且克服了传统的控制设计中将过程模型线性化，从而将不可忽视的非线性关系用线性关系代替或者忽略的弊端。对由于建模误差、不确定因素等引起的非线性系统逆误差，通过自组织模糊小脑模型关节控制器(Self—organizing fuzzy cerebellar model articulation controller，SOFCMAC)神经网络在线进行修正。SOFCMAC神经网络扩大了寻优空间，使其能更好地重构系统逆误差，最终实现准确的鲁棒自适应跟踪控制。通过将这种方法用于某型歼击机姿态系统控制的仿真研究，表明了本文方法的有效性和可行性。     

神经网络自适应控制在攻击直升机中的应用

研究了神经网络自适应控制在直升机飞行控制系统中的应用。首先将直升机姿态角系统划分为快慢回路 ,并分别采用动态逆方法进行设计 ;针对动态逆方法的优点和不足 ,提出了小波神经网络自适应逆控制方案 ,把BP小波神经网络和基于李亚普诺夫稳定的小波神经网络分别应用于直升机飞行控制系统中 ;最后对典型机动飞行进行了仿真 ,说明小波神经网络方法应用的正确性和有效性。仿真结果证明 ,本文采用的小波神经网络自适应控制方法效果好 ,具有工程应用价值     

电化学加工机器人动态性能设计与优化研究

工业机器人工作空间大、姿态灵活、可配置性高，且成本低，广泛应用于搬运、装配、喷涂和焊接等多个领域。但由于机器人末端轨迹精度不高，低速波动大，在电化学加工领域的应用很少。根据电化学加工低速、高轨迹精度特点，提出采用象限法设定电化学加工机器人工作区域，建立电化学加工机器人动力学优化函数，采用第三代非支配遗传算法NSGA-Ⅲ求解各设计参数最优Pareto解集，通过仿真和实验进行了动态性能测试验证。结果表明在设定工作区域内，电化学加工机器人直线轨迹精度可达0.073 mm，圆弧轨迹精度可达0.145 mm，低速工况下轨迹精度相比传统工业机器人提高近10倍。     

基于自组织与LVQ神经网络的足球机器人协作策略学习

足球机器人系统目前已成为人工智能应用技术研究的重要实验平台，系统的核心部分就是决策子系统。本文主要研究机器人足球比赛中协作策略的学习问题，采用了自组织与学习向量量化（LVQ）神经网络算法实现了两个足球机器人的传球学习。提出了一种协作策略学习的改进算法。该算法通过对网络权值矩阵进行改进，可以显著提高网络的训练质量。仿真和实验结果表明了该方法的可行性与有效性。     

模糊逻辑的神经网络实现

研究了模糊控制中，模糊推理规则由多层神经网络实现问题。将模糊推理规则中的每一个规则的前件知识，直接嵌入神经网络的权中，然后利用神经网络的自学习功能；自动辨识控制规则，且对隶属函数进行微调整。其学习方法主要采用误差逆传播算法。     

一种在线神经网络在补偿飞机模型不确定性误差中的应用

讨论了一种基于神经网络动态逆的直接自适应控制方法，并应用于超机动飞机的飞行控制中。基本控制律采用非线性动态逆方法进行设计，对由于模型不准确导致的逆误差采用单隐层神经网络进行在线补偿。仿真结果表明，神经网络通过补偿由于模型不准确引起的逆误差，弥补了非线性动态逆要求精确数学模型的缺点，提高了整个控制系统的鲁棒性，而且可以大大简化动态逆控制律的设计。     

无人直升机自适应神经网络姿态控制

回顾了自适应飞行控制技术、反馈线性化和模型逆理论，分析了误差动力特性．设计了自适应神经网络姿态控制系统。其中，模型逆基于悬停状态，基于神经网络的自适应控制律能够确保跟踪误差和控制信号的有界。仿真结果表明：模型逆增强的非线性神经网络能够对无人直升机的不确定性和建模误差进行自适应。而且对PD控制器和鲁棒项系数变化的仿真结果进行了比较。     

SVM和神经网络在电能质量扰动分类应用中的对比

提出了一种电能质量动态扰动特征向量的提取方法,分析比较了多种分类器对电能质量动态扰动的分类能力。首先采用小波包分解算法对电能质量信号某一频段内的信息进行精细分解从而提取出特征向量,然后针对该特征向量构造了相应的BP神经网络、学习向量量化(Learning vector quantization,LVQ)神经网络、自组织特征映射(Self-organizing map,SOM)神经网络及支持向量机(Support vector machine,SVM)分类器,并模拟实际电网中的复杂扰动信号提取其特征向量集,对多种分类器的分类能力进行对比。仿真结果表明,在较复杂的电能质量扰动情况中,支持向量机分类器仍能实现对信号的精确分类,对电能质量监测具有很好的应用价值。     

模糊自组织网络在刀具磨损状态监测中的应用(英文)

应用模糊逻辑和无教师自组织神经网络进行车削过程刀具磨损状态监测.根据典型切削条件组合建立由多个子网络组成的自组织网络阵列,其中每一子网络对应一种典型切削条件,并进行训练.对于具体切削条件,运用模糊逻辑技术选取对应的优化子网络.文中所建名为Fuzzy-SOM-TWC监测系统的运行基于加工过程实时采集的切削力、声发射以及电机电流信号.切削实验用于训练和检验监测系统,实验结果显示其对于刀具磨损状态的识别正确率可达到98%-100%.     

基于神经网络的机器人迭代学习控制

针对机器人动力学模型的不确定性和负载扰动,提出了一种采用神经网络的机器人迭代学习控制方法。该方法将反馈控制和神经网络学习控制相结合,反馈控制沿时间轴方向使关节运动跟踪期望轨迹,神经网络学习控制沿迭代轴方向使关节运动逼近期望轨迹。文中还给出了基于ＢＰ神经网络的学习控制算法。仿真结果表明,该方法能克服机器人动力学模型的不确定性和负载扰动,具有良好的鲁棒性和控制性能。     

基于自组织神经网络的空中交通复杂度参数优化及预测

首先介绍了国内外关于空中交通复杂度的定义及研究现状。然后在现有的空中交通复杂度模型中挑选空中交通复杂度参数,再利用自组织神经网络,分析所选取的空中交通复杂度参数之间的关系,达到将高维空中交通复杂度参数进行降维分析的目的。然后对于优化了的空中交通复杂度参数使用RBF神经网络进行预测,比较预测结果,得到最优的空中交通复杂度参数。     

5自由度机器人手臂模糊自适应控制

为了在一定的跟踪精度范围内且存在不确定性因素的情况下控制机器人跟踪设定的轨迹,给出了一种基于控制器输出误差法的自适应模糊控制法来控制机器人手臂.采用梯度下降法调节部分或全部参数以减小输出误差.该方法被应用于5自由度机器人控制系统中,仿真结果显示模糊逻辑控制器参数得到了实时调整,该方法有效.     

柔性机器人终端振动抑制准时间最优控制

机器人运行速度的提高受到其高的加、减速度所激励的振动的限制。因为手臂的振动降低了手臂到达终点的定位精度,并延长了定位到终点的时间。本文提出了一个用死拍控制规律来提高柔性机器人的运行速度、抑制终端振动及提高定位精度的设计方法,它可提高如航天飞机舱外遥控机械手的定位精度,以及机器人自动化生产的劳动生产率。     

基于奇异摄动与神经网络的柔性臂控制

运用拉格朗日法建立了臂杆柔性的机械臂的动力学方程。为解决柔性臂末端位置的跟踪及克服柔性臂在运动中的振动问题。运用奇异摄动法将系统分解成快、慢两个子系统，设计混合控制器。通过设计神经网络控制器线性化慢系统。使其轨迹跟踪期望值。用线性状态反馈配置极点稳定快系统，抑制振动。一个单杆柔性机械臂的仿真算例表明，本文的控制方法保证了柔性臂刚性运动的精确跟踪，同时消除了弹性振动，避免了零动力学不稳定问题。     

采用DSP实现的神经网络实时仿真系统

采用DSP设计完成了神经网络实时仿真系统，从神经网络协处理器的硬件结构，协处理器中的神经网络算法，神经网络协处理器及其宿主机间数值交换等方面系统地描述了该仿真系统，在神经网络在线算法的实现中，利用DSP能与其宿 主机实现并行工作的特点，采用DSP和计算机并行工作，在宿 主机中实现BP网络对受控对象的辩识，在神经网络处处理中完成模糊神经网络在线控制算法，从而加快了神经网络运算速度，使其能达到在线控制的要求，文末给出了一个直升机总矩通道在本仿真系统的仿真实例，说明了本系统的实用性。     

一种模糊Modular神经网络模型及其应用

将神经网络模糊系统与模糊C均值聚法相结合，对模糊Modular神经网络进行研究，提出了该模糊神经网络模型的多输出结构及其学习算法，据此开发了模糊神经网络诊断系统，并将其用于某电源分系统的诊断分析，运行的结果表明，该网络模型优于一般神经网络。