基于BP神经网络算法的四杆机构轨迹分析

论文摘要

由于四连杆曲线类型的复杂性,数学上几乎无法准确给出连杆曲线的公式,而四连杆曲线在机械工程领域的应用几乎无处不在,因此对于四连杆曲线的研究历来受到许多学者的关注。目前采用人工神经网络算法对连杆曲线的研究受到了广泛关注,本文将引入神经网络算法中的BP网络算法来对四连杆曲线进行分析。本文首先描述了四连杆曲线的分类,然后针对不同分类的连杆曲线进行了分析,得出了连杆曲线与四杆参数存在着一定的非线性关系。借助Delphi编制的软件可将四连杆参数准确地绘制出对应分类的连杆曲线,再利用matlab.提取了连杆曲线的数字化特征值——不变矩,建立了四连杆参数数值与对应的连杆曲线不变矩之间的样本库。通过样本库,以不变矩作为输入量,利用BP网络算法得出了连杆曲线与四杆机构参数之间的权值系数。最终借助权值系数得到一条待分析曲线对应的四杆机构参数。由于不变矩具有放大,缩小的不变性,所以,当待分析的曲线与BP计算后得到的曲线形状相似时,则可根据对应的比例获得相应的四连杆参数。本文以卵圆形曲线和8字形曲线等两条待求四连杆曲线为例,采用上述方法对曲线进行了处理,所得四连杆曲线的相对误差一般能满足设计,从而验证了BP网络算法对于卵圆形曲线和8字形曲线与四连杆参数之间均具有较好的非线性关联,也就验证了本方法在连杆曲线综合方面具有一定的可行性、实用性。

论文目录

• 摘要
• Abstract
• 致谢
• 第一章 绪论
• 1.1 引言
• 1.2 平面四连杆机构的简要概述
• 1.2.1 平面四杆机构的分类
• 1.2.2 平面四杆机构的演化
• 1.2.3 平面四杆机构的主要运动特性
• 1.3 平面四连杆机构研究的历史及最近的研究进展
• 1.3.1 四连杆机构的发展历史
• 1.3.2 四连杆机构最近的研究进展
• 1.4 本文研究的目的及主要内容
• 1.4.1 本文研究的目的
• 1.4.2 本文研究的主要内容
• 第二章 连杆曲线图谱的生成与相关分析
• 2.1 曲线图谱
• 2.1.1 软件实现曲线图谱的产生
• 2.1.2 曲线轨迹的图形描述
• 2.2 图形分类及其对应部分图示
• 2.2.1 卵形线（图2-3-a）
• 2.2.2 8字形线（图2-3-b）
• 2.2.3 双8字形（图2-3-c）
• 2.3 图形的规律性分析
• 2.3.1 图形的曲线图谱
• 2.3.2 图形的演变规律
• 2.4 图形的数字特征描述
• 2.5 本章小结
• 第三章 人工神经网络综述及BP网络的重点介绍
• 3.1 几个有代表性的神经网络算法的介绍
• 3.1.1 多层感知网络（误差逆传播神经网络,即BP神经网络法）
• 3.1.2 竞争型（KOHONEN）神经网络
• 3.1.3 Hopfield神经网络
• 3.1.4 模拟退火算法（SimulatedAnnealing,SA）
• 3.1.5 以上几种算法的比较
• 3.2 BP（Back-Propagation）人工神经网络
• 3.2.1 BP网络的基本结构
• 3.2.2 BP网络的基本原理
• 3.2.3 BP网络的工作过程
• 3.2.4 BP网络的过程说明
• 3.3 本章小结
• 第四章 基于BP神经网络的四杆机构轨迹分析
• 4.1 几个主要的机构轨迹分析方法及其比较
• 4.2 BP网络在连杆轨迹曲线中的具体应用
• 4.2.1 BP网络的输入量-特征提取
• 4.2.2 BP网络的输出量
• 4.2.3 BP网络的中间隐层
• 4.3 模式识别
• 4.4 实验数据分析
• 4.5 本章小结
• 第五章 软件实现部分
• 5.1 Delphi语言中的实用性技术
• 5.1.1 面向对象（OO,Object-Oriented）技术
• 5.1.2 UML理论概述
• 5.1.3 ModelMaker-OO与UML在Delphi中的结合
• 5.2 Delphi程序实现四连杆机构的运动曲线轨迹部分
• 5.2.1 曲线生成部分-连杆曲线的生成
• 5.2.2 曲线处理部分-数字特征提取前的二值化分析
• 5.2.3 神经网络部分
• 5.3 matlab部分-数字特征提取
• 5.4 实例分析一
• 5.4.1 实例分析前的BP算法系数求解
• 5.4.2 利用已求系数后的实例分析
• 5.4.3 两曲线比较分析
• 5.5 实例分析二
• 5.5.1 实例分析前的BP算法系数求解
• 5.5.2 利用已求系数后的实例分析
• 5.5.3 两曲线比较分析
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 对论文内容的说明
• 6.1.1 论文总结
• 6.1.2 论文的创新点
• 6.2 工作展望
• 参考文献
• 攻读硕士学位期间发表论文