针对轮式移动操作机器人的非完整性和不确定性,为其设计了鲁棒跟踪控制器.即采用分段运动学到动力学方法为移动平台设计动力学跟踪控制器,并分别为移动平台和机械手设计神经网络控制器,利用遗传算法来搜索神经网络的优化权系值,从而补偿平台与机械手间的不确定量.通过Matlab的Simulink以及CMEX文件对所设计的控制器仿真,结果表明此控制器具有较强的鲁棒性

9.1 层次分析法 9.2 人工神经网络与神经网络优化算法 9.3 遗传算法 9.4 模拟退火算法 9.5 神经网络权值的混合优化学习策略

6.1 神经网络概念与特性 6.2 神经网络模型辨识中常用结构 6.3 辨识中常用网络训练算法 6.4 改进的BP网络训练算法 6.5 神经网络辨识MATLAB仿真举例 6.6 基于改进遗传算法的神经网络及其应用 6.7 模糊神经网络及其应用 6.8 小结

7.1.1智能控制理论体系 模糊智能控制(Fuzzy Control)神经网络控制(Neurocontrol)模糊神经网络与神经模糊控制 遗传算法与进化控制(Genetic Algorithm/ Control)软计算(Soft Computation)

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法