Parameters Inversion of Fluid-Saturated Porous Media Based on Neural Networks

The multi-layers feedforward neural network is used for inversion of material constants of fluid-saturated porous media. The direct analysis of fluid-saturated porous media is carried out with the boundary element method. The dynamic displacement responses obtained from direct analysis for prescribed material parameters constitute the sample sets training neural network. By virtue of the effective L-M training algorithm and the Tikhonov regularization method as well as the GCV method for an appropriate selection of regularization parameter, the inverse mapping from dynamic displacement responses to material constants is performed. Numerical examples demonstrate the validity of the neural network method.

Modeling and optimization of semiconductor manufacturing process with neural networks

A neural network-based process model is proposed to optimize the semiconductor manufacturing process. Being different from some works in several research groups which developed neural network-based models to predict process quality with a set of process variables of only single manufacturing step, we applied this model to wafer fabrication parameters control and wafer lot yield optimization. The original data are collected from a wafer fabrication line, including technological parameters and wafer test results. The wafer lot yield is taken as the optimization target. Learning from historical technological records and wafer test results, the model can predict the wafer yield. To eliminate the "bad" or noisy samples from the sample set, an experimental method was used to determine the number of hidden units so that both good learning ability and prediction capability can be obtained.

单相机全向立体视觉研究

折反射全向成像系统是由普通透视相机和反射镜面组成的全向成像装置，可实时获取360°无需拼接的全景图像，近年来已成为研究热点并在视频会议、三维重建和移动机器人导航等领域有着广泛的应用。 本文主要对单相机全向立体视觉系统的设计、标定、匹配以及三维重建展开研究。介绍了一种可实时获取全向三维信息的折反射全向立体视觉光学装置OSVOD（Omnidirectional Stereo Vision Optical Device），OSVOD由两个双曲面镜和一个普通透视相机组成。其中两个双曲镜面上下同轴、间隔一定距离固定在一个玻璃筒内，下镜面中间开有一孔，上镜面通过下镜面的孔在相机像平面上成像，这样空间一点经上下反射镜的反射在像平面上有两个像点，用一个相机实现了立体视觉。两镜面的共同轴和相机镜头的光轴共线，共同焦点和镜头的光心重合，该配置能保证系统满足单一视点约束SVP（Single View-Point）。本结构配置也使系统的外极线呈一系列的放射线，对应点匹配简单。此外两镜面的间隔安装也使得系统的等效基线较长，从而具有较高的精度。 本文第一部分对当前的各种全向成像方法进行了简单介绍，并对各方法的特点做了归纳。第二部分介绍折反射全向视觉的研究现状，就各种反射镜面的成像特点做了对比。 第三部分介绍OSVOD的设计方法，包括机构的设计和镜面的设计，并对设计的结果做了误差分析。 第四部分是OSVOD的标定研究。给出了一种包括OSVOD中相机和镜面位置关系在内的系统参数的标定方法。该方法利用空间坐标已知的标定点在像平面上成的像，结合系统成像模型反算出标定点的空间坐标，再利用标定点的已知空间坐标和反算出的空间坐标建立方程，运用基于Levenberg-Marquardt的反向传播算法(backpropagation)标定相机与反射镜面间的安装偏差。该标定方法可推广到所有的折反射成像系统。 第五部分是基于全向图像的匹配研究。针对系统获取的立体图像对之间成像比例存在较大的差异，首先将图像展开成柱面投影图像，然后就下镜面成像展开的柱面做Canny边缘检测，得到了图像的边缘点；就得到的边缘点在展开的两幅柱面图像上做直接相关匹配。最后将获取的匹配点做一致性校验，并对一致性校验通过的匹配点做三维计算，生产稀疏的三维图像。 最后是结论和将来的工作展望。

基于人工神经网络的PC钢棒力学性能预报模型

提出一种PC钢棒抗拉强度的人工神经网络模型方法,采用4×9×1的三层前向BP网络结构,模型主要因素为淬火温度、回火温度、含碳量和单位长度质量。经1500余次训练后,误差平方和

有缆水下机器人主动升沉补偿控制研究

针对母船的升沉运动影响有缆水下机器人的释放与回收的工程实际需求,提出了利用液压绞车降低中继器的升沉速度来实现水下机器人主动升沉补偿控制的方法,来提高水下机器人释放与回收的安全性能。建立液压绞车的数学模型并设计主动升沉补偿前馈控制器。水下机器人主动升沉补偿实验表明液压系统的非线性降低了液压绞车主动升沉补偿前馈控制的升沉补偿效率。针对液压绞车的非线性特性,设计了液压绞车主动升沉补偿预测控制算法,仿真实验表明基于液压系统参数辨识的液压绞车主动升沉补偿预测控制可以得到较高的升沉补偿效率。

自适应神经元实现的直线永磁同步电机伺服系统的预见前馈补偿

介绍了高精度微进给直线永磁同步电机伺服系统的 IP位置控制 ,提出了对该系统的最优预见前馈补偿 ,以提高系统的跟踪性能。为了能适应系统参数的变化 ,采用自适应神经元来实现预见前馈补偿。自适应神经元的输入向量为预见步数 ,权值为预见前馈系数 ,权值具有明确的物理意义 ,而且权的初始值不是随机数 ,而是系统在额定情况下算出的预见前馈系数 ,从而加快了神经元的调整速度 ,提高了系统的跟踪能力。仿真实验结果证明了所提出方案的有效性

机器人机械手的鲁棒性稳定跟踪控制

为工业机器人机械手提出了一种稳定跟踪控制法．这种控制方法由前馈控制器、反馈控制器组成．前馈控制根据期望轨线用计算力矩法得到；反馈控制由线性ＰＩＤ控制项和非线性ＰＤ控制项组成，这种控制方法能使跟踪误差逐渐趋近于零．最后，给出了ＰＵＭＡ５６０机器人的计算机仿真实验验证此控制方法的有效性

工业机器人机械手的小脑模型自适应控制

本文为动力学控制工业机器人机械手提出一种综合控制算法。该控制算法,利用小脑模型算术计算机模块模拟机器人机械手的动力学方程并计算实现期望运动所需力矩作为前馈力矩控制项;利用自适应控制器实现反馈控制,以消除由输入扰动和参数变化而引起的机器人机械手运动误差。这种控制方法在时间上是有效的,且很适合于定点实现。控制方法的有效性通过四自由度的直接驱动机器人前两个关节的计算机仿真实验得到验证。

广义预测极点配置前馈控制的一种算法

本文提出了广义预测极点配置前馈自校正控制算法,计算机仿真结果表明,该算法控制质量好,能够消除系统可测扰动对输出的影响。

前馈在快速高精度数字随动系统中的应用

本文给出了一种具有前馈等值的二阶无静差数字随动系统的设计方法。按照这种设计方法,只要在计算的基础上适当地调整前馈系数和开环增益,即可得到满意的系统性能指标。

基于神经网络的激光熔覆高度预测

激光成形过程中,对熔覆高度进行实时检测,从而实现熔覆高度闭环控制是成形高质量零件的保证。激光成形过程是一个多参数耦合的非线性过程,大量激光参数对成形熔覆表面质量具有重要影响。在分析激光参数对熔覆高度影响的基础上,建立利用激光工艺参数预测熔覆高度的误差反向传播(Backpropagation,BP)神经网络模型,完成了网络算法设计。通过激光成形试验采集样本,利用训练样本对所建立的网络进行训练,完成网络输入输出高度映射关系,并利用测试样本对所训练的网络进行检验。仿真试验表明,神经网络熔覆高度预测模型具有很高的精度,验证了该预测模型在理论和实践上的可行性与有效性。神经网络熔覆高度预测模型为实现激光加工过程熔覆高度实时预测与闭环控制打下基础,对提高成形产品质量具有重要意义。