针对现有机械手移动偏差控制技术存在的轨迹控制不连续、复杂度高、综合效率低等问题,以机器学习和深度学习为基础提出一种混合神经网络控制算法。分析机械手各关节、连杆的空间坐标转换关系,以RBF为基础构建混合神经网络模型,选用逆多二次函数作为模型的激活函数,分别确定中间隐层和输出层的权值;引入lstm长短记忆算法,利用lstm算法的输入门、遗忘门和输出门结构设计,抑制坐标数据训练时出现的梯度膨胀问题,并给出精确的轨迹修正指令。仿真结果表明:提出的混合神经网络算法采样点轨迹偏差均值为0.02 mm, VARP值趋近于0,具有更好的自动控制稳定性和更高的控制效率。
太阳暗条是低温高密度等离子体的结构,位于磁场极性反转线之上,高度从色球一直延伸到日冕,对研究大尺度太阳磁场的时空演变至关重要.极冠暗条(Polar crown filaments,PCFs)位于高纬度沿极冠腔边界的极性反转线上方,将极区磁场与中纬度的大尺度磁场分离.在Ha观测到的太阳图像,暗条像一条纤维状的暗黑色带状物,其间伸出若干分叉、倒钩.太阳活动变化会对地球空间环境造成影响,从而影响航天技术、无线通讯技术、人造卫星、强烈的太阳活动会造成地球磁场的变化,对地面上的生命的生存环境造成影响.暗条作为指示太阳活动的重要参数,其特殊的以磁场为支撑的结构,为理解太阳磁场提供重要的研究线索.因此统计分析暗条的时空演变,掌握太阳活动的变化规律具有重要的意义.时间序列预测以及拟合趋势在各个领域广泛应用,传统方法及深度学习等在时间序列预测上的统计分析方法不断进步.基于数学模型的时间序列分析方法,长短时记忆网络算法(Long Short Term Memory,lstm)、差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)、神经网络自回归算法(Neural Network AutoRegressive,NNAR)、线性回归拟合原理等,将时间序列模型的研究延伸对天文领域的研究.本文针对太阳暗条数据特征,以lstm、ARIMA、NNAR、线性回归拟合等数学模型为理论依据,研究太阳暗条的时空演变特性.首先采用来自世界日地物理数据中心(World Data Center for Solar-Terrestrial Physics,WDCSTP)的暗条数据以及来自格林威治皇家天文台太阳黑子数据(Royal Observatory Greenwich,RGO)进行处理分析,运用lstm算法对第22至24太阳活动周的暗条数据进行预测,并使用太阳黑子数据对预测过程中的暗条数据进行校准,从而得到第16至第24太阳活动周的暗条数据集.采用lstm算法预测第25太阳活动周的暗条数据变化,并与ARIMA模型及NNAR算法预测的第25太阳活动周的结果进行对比,对预测结果进行分析发现lstm的预测效果更好.其预测暗条数据的最大值为73.68、峰值出现在2023年10月、活动周持续时间到2031年,第25太阳活动周比第24太阳活动周强25.6%等.然后,对太阳高纬度地区的极冠暗条采用人工识别的方法,根据极冠暗条的位置,形状等特征对百年暗条数据集进行筛选,获得极冠暗条数据集.通过线性回归模型统计分析极冠暗条纬度随时间变化规律,研究结果表明极冠暗条在太阳的上升阶段有极向迁移趋势,同时显示了太阳活动的下降阶段暗条有向中纬度迁移的趋势.并计算其迁移速度,分析暗条迁移速度的南北不对称性及归一化后的南北不对称性指数.
暂无评论