换一批
项目年度编号
2200010035
中图分类号
TP183
成果公布年份
2021
成果简介
随着大数据时代的到来和计算机算力大幅度提升，神经网络己在许多学科领域中有突出表现。神经网络受到了学术界和工业界的广泛关注，已经成为人工智能领域的研究热点。但是，时变问题的实时求解仍然面临着诸多挑战，传统的求解方法大多借助于短时不变性假设，将其近似为静态问题来处理，所得结果存在较大的滞后误差。在噪声干扰和收敛速度方面，传统的求解方法也无法胜任。该项目充分利用时变系数的时间导数信息，提出了一类可以有效求解时变问题的递归神经网络设计方法，在有限时间神经网络模型设计、时变问题求解、机器人的运动规划应用等方面取得了以下重要发现和创新成果。
(1)通过设计演化公式以及非线性激活函数，提出了一类有限时间收敛的递归神经网络模型，理论上证明了该网络能有效求解时变李雅普诺夫方程和时变非线性方程，并计算出相应模型的收敛时间上界。针对实际环境中噪声干扰的问题，进一步提出了一类可以容忍噪声的有限时间收敛的递归神经网络模型。该递归神经网络不仅能在多种噪声干扰下精确地求解出时变问题的最优解，而且还能实现有限时间收敛。
(2)针对传统方法在求解时变问题的局限性，提出一类求解时变不等式、时变二次最小化、时变矩阵求逆问题的新型递归神经网络设计方法。区别于传统数值算法和梯度神经网络，该类新型递归神经网络充分利用时变系数的时间导数信息，提前预测其变化趋势，解决了依赖短时不变性假设来处理动态问题的难题，能够有效地求解时变问题。
(3)基于新型递归神经网络求解时变问题的有效性，将该新型递归神经网络设计方法应用于机械臂运动规划和控制中，提出一种加速度层的重复运动方案，实现冗余机械臂的重复运动，其中机械臂的末端可以进行精确跟踪，误差仅有毫米级。此外，新型递归神经网络设计方法被成功地应用在移动机械臂的路径跟踪，并通过使用非线性激活函数，机械臂的跟踪效果得到显著增强。
8篇代表作发表在IEEE Trans. Neural Netw.(现改为IEEE Trans. Neural Netw. Learn. Syst., IF= 10.451), IEEE Trans. Cybern. (IF=11.448), IEEE Trans. Ind. Informatics (IF=10.215)等高质量期刊上，总IF达72.406，IF大于10的5篇。SCI他引179次,单篇最大SCI他引51次(ESI高被引)。研究成果受到了国内外多位知名专家、IEEE Fellow的正面引用与肯定评价。EEE/IEA Fellow,澳大利亚斯威本科技大学副校长Qing-Long Han教授在IEEE Trans. Circuits Syst.Ⅱ的论文肯定了我们项目的研究意义，指出“任何系统本质上都是时变的，在实际应用中外部噪声也是不可避免的”；IEEE/IFAC/AAAS/CAA Fellow、自动化学报英文版主编、新泽西理工学院MengChu Zhou教授在IEEE-TNNLS的论文肯定了课题组的研究工作，指出“通过设计一个多功能的激活函数，提出一个可以有效求解时变矩阵求逆问题的噪声容忍神经网络模型”。基于这些成果，第一完成人成功获得湖南省自然科学基金优秀青年项目。
完成人
学术成果认领
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
