针对火电厂主蒸汽温度的大迟延、模型不确定性特点，提出一种使用径向基（RBF）神经网络整定PID串级主蒸汽温度控制策略。采用一种最近邻聚类法和梯度下降法相结合的混合学习算法构造RBFI神经网络，在线辨识被控对象并对PID主控制器参数进行在线调整。仿真结果表明，基于混合学习算法的RBF神经网络PID控制器具有控制精度高、响应速度快的优点，系统动态品质优于常规算法的RBF神经网络PID控制。

针对工业机器人作业过程中的运动碰撞问题,提出一种基于非均匀损失场的机器人无碰撞路径生成方法。该方法主要分为3个阶段:数据准备、粗规划和精规划。在数据准备阶段,通过标定手段确定工作站模型,拟构最小包围盒构造空间损失场;通过空间降维技术将原问题转化为二维规划问题。在粗规划阶段,通过排列组合法确定粗规划路线。精规划以粗规划的结果作为初始值,应用多项式插值法减少搜索范围,应用梯度下降法求解最优无碰撞路径。所提出的方法在设立的实验中取得了良好的结果,证明了其有效性及合理性。

针对仿真转台用连续回转电液伺服马达,由系统的非线性和摩擦、泄漏等外界因素导致的不确定性,严重影响了连续回转电液伺服马达的控制精度,提出了一种模糊RBF神经网络控制策略。将RBF神经网络的学习能力引入模糊机制中,利用神经网络高效的非线性拟合能力以及基于专家经验的模糊规则,以避免RBF神经网络的权值更新陷入最优解,同时选择遗传算法优化模糊RBF神经网络的中心宽度、阈值和权值的初始值,以提高控制算法的收敛速度以及收敛精度;最后通过仿真对比说明,该控制算法较PID更能有效提高系统的低速稳定性,拓展系统的频响,实现伺服系统的精确控制。

针对移动机器人运动过程中姿态解算精度较低的问题,提出一种基于三轴陀螺仪、三轴加速度计和三轴磁力计的改进梯度下降算法并应用于移动机器人姿态解算中。改进梯度下降法具有计算量小、解算精度较高的优点,其通过引入动量对梯度下降过程进行加速,提升了原算法的收敛速度。通过引入加速度计信任度,有效降低了加速度计因外界因素造成的剧烈变化而带来的误差。实验结果表明:在加速度计有干扰与未有干扰的情况下,改进算法相较于传统算法的精度分别约提高了3°与0.5°。

为了设计一个实用、高精度的BP网络算法,对双隐层BP网络进行了深入研究。从对双隐层BP网络的设计入手,给出了设计该网络的所有关键因素,并且推导了两输入单输出类型的双隐层BP网络的学习算法。为了分析双隐层BP网络逼近能力,选取了4个具有代表性的函数,同时使用双隐层BP网络和单隐层BP网络进行逼近实验,从而比较双隐层BP网络与单隐层BP网络。实验数据表明,双隐层BP网络具有更高的训练样本的输出精度和更强的泛化能力,为BP网络的使用提供了另一条路径。同时也表明了超过两个隐含层的BP网络的实用性可能不太大。