六自由度Stewart平台运动学遗传神经网络正解

近年来,舰载相控阵雷达发展迅速,对其隔振措施和隔振机构的要求也越来越高。Stewart平台为一种通常的空间六自由度并联机器人,在舰载相控阵雷达中具有广泛的应用。为了解析Stewart平台工作空间和设置机构误差步长,必须运动学求解。本文针对当前Stewart平台正解法存在的问题,基于传统的正解法和Stewart平台结构,提出一种遗传神经网络正解算法,通过仿真验证可知,该方法具有较高的收敛性和较快的速度,有进一步推广应用的潜力。     

基于HGANN的全方位推进器运动学正解研究

针对潜器全方位推进器的调距机构运动学位置正解求解高度非线性、计算速度慢、准确率低的特点，提出了一种改进的混合编码遗传神经网络算法（HGANN）。算法兼具了遗传算法的全局寻优能力和神经网络对于非线性映射的强大逼近能力，同时由于采用了二进制和浮点数混合编码方案及3层的染色体结构对遗传神经网络算法进行了改进，优化了网络结构和权值矢量，解决了遗传神经网络算法计算过程中短基因组实际交叉、变异机会过小的问题，使后代种群具有更好的多样性，结合Solis＆wets算子生成后代的方法丰富了遗传搜索空间，加快了收敛速度。仿真结果表明，HGANN算法有效地加快了遗传算法的收敛速度，提高了调距机构的位姿精度。     

虚拟样机技术在传感器结构优化中的应用

基于Stewart平台的并联传感器结构的好坏直接影响着传感器的各项性能指标。本文采用ADAMS虚拟样机技术参数化传感器模型,以Stewart平台的各向同性指标为目标函数,以Stewart平台的5个基本结构参数为设计变量,对传感器的结构进行优化。找出了各向同性指标与各变量之间的变化关系,为传感器的结构设计提供重要依据。     

模块化6 - SPS SteWart机床位置参数识别

描述了模块化Stewart机床的基座关节位姿识别的一种方法，即通过测量动平台的位置，基座 关节位姿的变化及可伸缩连杆长度增量产生一套识别参数的非线性方程。对于Stewart机床的实际应 用具有重要的指导意义。     

模块化6—SPS Stewart机床位置参数识别

描述了模块化Stewart机床的基座关节位姿识别的一种方法，即通过测量动平台的位置，基座关节位姿的变化及可伸缩连杆长度增量产生一套识别参数的非线性方程，对于Stewart机床的实际应用具有重要的指导意义。     

船舶运动模拟器运动学正解数值解法对比分析

为研究船舶运动模拟器运动学正解的数值解法,建立其运动平台的数学模型,将运动学正解问题转化为非线性方程组的无约束最优化问题。分别采用数值迭代算法中的牛顿法、逆Broyden秩1法、BroydenFletcher-Shanno(BFS)秩2法及Broyden-Fletcher-Goldfarb-Shanno(BFGS)法进行求解,运用MATLAB编程并采用同一数值模型对这4种算法进行对比分析。分析结果表明:4种算法在工作空间内都收敛且数值稳定,BFS秩2法的迭代效率最高,BFGS法可用于奇异场合。通过仿真试验对各算法进行适当的修改,优化各算法的迭代效率并增加其对初值的鲁棒性,为位姿正解应用于实时控制场合提供理论指导。     

基于混合学习算法的水下机器人神经网络辨识

借鉴Elman和Jordan神经网络的特点,构造了一种新的动态神经网络.该网络能对隐含层的历史进行状态记忆,实时调整过去的信号对现在值的影响,并且增加了输出层节点的反馈以增强神经网络的信号处理能力.将基于遗传算法(GA)和误差反传算法(BP)的混合学习算法用于神经网络权值的修改,既可提高收敛速度又能避免陷于局部极小值.最后,将改进的神经网络应用于水下机器人动力学模型辨识,仿真结果表明,基于混合学习算法的神经网络提高了学习的收敛速度和辨识精度.     

云平台和神经网络的舰船目标检测

为了解决当前舰船目标检测过程中存在的检测误差、检测实时性差的缺点,设计了一种云平台和神经网络的舰船目标检测方法。首先采用混合高斯模型对舰船目标所在区域进行获取,然后采用粒子滤波算法对舰船目标进行跟踪和检测,并采用神经网络对舰船目标粒子滤波算法的权值进行优化和更新操作,解决粒子滤波算法的缺陷,最后基于云平台对舰船目标检测方法进行了设计,并进行了舰船目标检测仿真模拟实验。结果表明,本文方法可以对各种环境中的舰船目标进行准确的检测,提高了舰船目标检测的鲁棒性,而且舰船目标检测实时性也得到了明显的改善,克服了当前舰船目标检测方法存在的缺陷,是一种有效的舰船目标检测方法。     

基于人工神经网络的海洋平台振动主动控制

将经典最优控制算法与人工神经网络相结合，采用BP神经网络模型，实现了受随机波浪力作用下的海洋平台的振动主动控制。由于神经网络的鲁棒性、容错性和很好的泛化能力，仿真结果表明控制是可行、有效的，并且克服了传统算法本身的时滞问题，为海洋平台的振动控制提供了一条新的思路。     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

分形技术与概率神经网络在船舶柴油机故障诊断中的应用

船舶自动化程度的提高对能源的需求也日益增长,而船舶的柴油机系统作为能源的主要来源,其重要性也越来越明显。为提高柴油机的稳定性能,降低故障发生率,本文提出一种基于分形技术和神经网络算法的故障诊断模型。该模型中的分形理论能够甄别出故障的非线性特征,精确锁定故障的来源;然后利用神经网络算法对柴油机故障的诊断进行深度训练。最后利用LabVIEW仿真平台和Matlab软件进行故障诊断能力仿真验证,本文提出的综合诊断方法能够有效识别故障来源和类型。     

基于BP神经网络的齿爬式升船机横导向装置结构损伤识别*

为了准确有效地实现齿爬式升船机横导向装置的损伤识别，提出以固有频率变化率、应力、位移作为输入特征参数，由损伤结构分类器、损伤位置分类器、损伤程度分类器构成的结构损伤识别模型。以向家坝升船机横导向装置为例，对18种损伤状态下的横导向装置进行模态分析和静力学分析，得到1 646组训练样本和100组测试样本，分别采用BP神经网络、支持向量机和贝叶斯算法进行结构损伤识别模型的训练与识别准确率测试。结果表明：基于BP神经网络算法的横导向装置结构损伤识别模型对损伤结构、损伤位置、损伤程度的识别准确率分别为93%、90%和91%，比基于支持向量机、贝叶斯算法的识别准确率分别平均提高7%、13%，该模型能够有效准确地对横导向装置进行损伤识别。     

GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化（GWO）算法和Elman神经网络模型对2010―2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化（GWO）算法来优化Elman神经网络的权重（w）和神经元阈值（b）;将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明：GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。     

基于SVM-BP集成学习的舰船蒸汽动力系统故障诊断

传统故障诊断算法用于舰船蒸汽动力系统非均衡类样本问题存在准确率低且误分类的情况,本文提出一种基于支持向量机-BP神经网络集成学习的故障诊断模型。使用主层次分析法降低原始数据集的特征维度以改善数据量之间的冗余问题,然后设计3个并行的支持向量机分类器进行故障诊断,将分类器的结果数据融合作为BP神经网络的输入,进行二次诊断,得到最终的结果。用仿真平台采集的样本数据进行验证并重复运行30次获取结果,最终模型平均召回率为84%、平均准确率为95.04%。对比传统诊断算法及常用集成算法,该方法的准确率以及少数类样本的召回率明显高于其他诊断方法。     

高海况下船舶动力定位混合控制器开发

在海洋资源开发中,船舶的动力定位精度至关重要。传统的定位锚泊技术受到海深、洋流、海浪以及海风等多种因素影响,难以达到控制要求。本文提出一种基于改进PID算法、神经网络算法以及模糊控制算法的船舶动力定位混合控制器,设计混合控制器的整体结构,对混合控制器中的改进PID算法控制器、神经网络控制器和模糊控制器进行详细设计和仿真。仿真结果表明,本文设计的船舶动力定位混合控制器能够实现对干扰信号的预测和跟随,且能够适应快速响应控制,因而具有较大的实用性和先进性。     

基于神经网络的柴油机混合建模方法研究

针对柴油机性能仿真中的建模问题,分析不同建模方法的特点,提出机理和神经网络相结合的混合建模方法,采用神经网络在线补偿机理模型的误差,提高模型精度,并能够适应柴油机的时变特性。以6PA6型涡轮增压柴油机为例,在Matlab环境下建立机理-神经网络混合模型。仿真分析得出混合建模的一些结论。     

基于深度学习技术的舰船无线通信应用研究

随着人工智能技术在各产业应用领域的深入,未来的人工智能技术也将应用于不同的落地场景中,会向着差异化方向发展,并通过最佳的模型和算法设计匹配场景特征.该文介绍了人工智能技术原理及发展现状,将深度学习技术引入舰船无线通信网络应用领域,基于舰船平台特点设计具有时序记忆特征的深度学习神经网络,分析神经网络模型实现落地应用有关的关键理论和工程技术,为舰船平台通信细分领域应用人工智能技术提供参考.     

基于ASM和FNN的人脸识别

将主动形状模型ASM(Active Shape Model)与模糊神经网络FNN(Fuzzy Neural Networks)相结合并用于人脸识别。针对经典ASM对初始化位置敏感、收缩速度慢的现象和传统模糊神经网络难以解决高维模式分类的问题进行了分析和改进。ORL人脸库上的试验表明了该算法的有效性。     

基于粒子群改进算法的水下滑翔机路径优化

水下滑翔机以其低功耗、低成本和低噪声等优势在海洋科研、环境监测、资源探测和军事侦察等领域具有广阔的应用前景。基于效率最优原则的水下滑翔机路径规划对降低滑翔机的功耗和快速到达指定位置至关重要。基于水下滑翔机效率模型的路径规划问题是一种非线性混合整数规划问题,针对此类问题在建立水下滑翔机效率模型的基础上提出粒子群改进算法。利用该算法,在效率最优原则下对水下滑翔机到达指定位置的路径进行优化。通过与其他算法比较可知,该算法能够比较快速地找到质量较高的最优解,适合解决非线性混合整数规划问题。     

基于机器学习算法的海洋平台结构整体安全度评估

以保障海洋平台结构整体安全度,延长海洋平台使用寿命为目的,提出基于机器学习算法的海洋平台结构整体安全度评估方法。基于层次全息建模理论,从环境、技术状态、功能模块等6个角度出发,共选取22个评估指标构建海洋平台结构整体安全度评估指标体系;采集评估指标数据,利用数据清洗与转换等处理方法预处理指标数据。将海洋平台结构整体安全度划分为5个等级。利用机器学习算法中的卷积神经网络构建评估模型,将评估指标数据作为输入,指标数据特征提取与数据降维等过程输出海洋平台结构整体安全度评估等级。实验结果显示该方法指标数据利用率较高,可准确评估海洋平台结构整体安全度,提升海洋平台使用的安全性。