【含图纸】矿井井口液压站毕业设计整套资料

神经网络为人工智能开辟了条崭新的途径，成为人工智能研究领域中的后起之秀。

控制工程。

神经网络在诸如机器人运动控制工业生产中的过程控制等复杂控制问题方面有独到之处。

较之基于传统数字计算机的离散控制方式，神经网络更适于组成快速实时自适应控制系统。

联想记忆。

联想记忆的作用是用个不完整或模糊的信息联想出储存在记忆中的个完整清晰的模式来。

如何提高模式存贮量和联想质量仍是神经网络的热点之。

目前在这方面的应用有内容寻址器人脸识别器知识数据库等。

信号处理。

神经网络的自学习和自适应能力使其成为对各类信号进行多用途加工处理的种天然工具，主要用于解决信号处理中的自适应和非线性问题。

包括自适应均衡自适应滤波回波抵消自适应波束形成和各种非线性问题。

虽然神经网络在许多领域都有成功的应用案例，但神经网络也不是尽善尽美的。

目前，神经网络的理论研究和实际应用都还在进步的探索之中，相信随着人工神经网络研究的进步深入，其应用领域会更广，用途会更大。

神经网络人工神经网络以其具有自学习自组织较好的容错性和优良的非线性逼近能力，受到众多领域学者的关注。

在实际应用中，的人工神经网络模型是采用误差反传算法或其变化形式的网络模型简称网络，目前主要应用于函数逼近模式识别分类和数据压缩或数据挖掘，神经网络结构如图所示。

线性神经网络的学习算法只能训练单层神经网络，而单层神经网络只能解决线性可分的分类问题。

多层神经网络可以用于非线性分类问题，但需要寻找训练多层神经网络的学习算法。

图神经网络年提出了个适合多层网络的学习算法，年美国加州的小组将该算法用于神经网络的研究，才使之成为迄今为止最著名的多层网络学习算法算法，由此算法训练的神经网络，称之为神经网络。

在人工神经网络的实际应用中，网络广泛应用于函数逼近模式识别数据压缩等。

神经元与其它神经元的不同之处是神经元的传输函数为非线性函数，最常用的函数是和函数，有的输出层也采用线性函数。

其输出为神经网络般为多层神经网络。

网络的信息从输入层流向输出层，因此是种多层前馈神经网络。

如果多层网络的输出层采用形传输函数，其输出值将会限制在个较小的范围内，而采用线性传输函数则可以取任意值。

在确定网络的结构后，要通过输入和输出样本集对网络进行训练，亦即对网络的阈值和权值进行学习和修正，以使网络实现给定的输入输出映射关系。

神经网络的学习过程分为两个阶段第阶段是输入已知学习样本，通过设置的网络结果和前次迭代的权值和阈值，从网络的第层向后计算出各神经元的输出。

第二阶段是对权值和阈值进行修改，从最后层向前计算各权值和阈值对总误差的影响，据此对各权值和阈值进行修改。

以上两个过程反复交替，直到达到收敛为止。

由于误差逐层往回传递，以修正层与层间的权值和阈值，所以称该算法为误差反向传播算法。

标准的算法和学习规则样是种梯度下降学习算法，其权值的修正是沿着误差性能函数梯度的反方向进行的。

针对标准算法出现了几种基于标准算法的改进算法，如变梯度算法牛顿算法等。

神经网络的主要改进算法定理求得关节力矩，求得关节力矩结果如图。

数据较多可在中编程求解。

将所得力矩数据与对应肌电信号数据置于同表格中，便于进步处理。

图正常行走膝关节力矩本章小结本章建立了人体下肢动力学多刚体模型，直接利用多刚体系统动力学理论进行力学建模，方法简便，是研究人体运动的常用建模方法之。

对惯性传感器记录的数据进行处理，利用角动量定理和关节质量质心回归方程，求得关节力矩，并将表面肌电信号关节力矩信号数据整合，为下章表面结电信号的识别做好准备。

第四章基于神经网络的力矩预测人工神经网络概述神经网络控制属于先进控制技术，是用计算机做数字控制器的类算法。

它是世纪年代以来，由于人工神经网络研究所取得的突破性进展，并且与现代控制理论相结合，而发展起来的自动控制领域的前沿学科之。

它已成为智能控制的个新分支，为解决复杂的非线性不确知不确定系统的控制问题开辟了新途径。

人工神经网络的特点人工神经网络，是在人类对大脑神经网络认识理解的基础上人工构造的能够实现种功能的神经网络。

它是理论化的人脑神经网络的数学模型，是模仿大脑神经网络结构和功能而建立的种信息处理系统。

它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性全局作用，是能够进行复杂的逻辑操作和实现非线性关系的系统。

人工神经网络是由人工神经元相互连接组成的网络，它是从微观结构和功能上对人脑的抽象简化，是模拟人类智能的条重要途径，反映了人脑功能的若干基本特征，如并行信息处理学习联想模式分类记忆等。

神经网络对控制领域有吸引力的特征能逼近任意范围上的非线性函数。

信息的并行分布式处理与储存。

便于用超大规模集成电路或光学集成电路系统实现，或用现有的计算机技术实现。

可以多输入，多输出。

能进行学习，以适应环境的变化。

决定神经网络的整体性能的三大要素神经元之间相互连接的形式拓扑结构。

神经元信息处理单元的特性。

为适应环境而改善性能的学习规则。

年建立的第个神经元模型模拟生物神经元模型，为神经网络的研究与发展奠定了基础。

至今，已建立了多种神经元与网络的模型，取得了相当的成果，其中些模型被用于自动控制领域。

神经网络在控制领域的进展随着人工神经网络技术的发展，其用途日益广泛，应用领域也在不断扩展，已在各工程领域中得到广泛应用。

人工神经网络技术可用于如下信息处理工作函数逼近感知觉模拟多目标跟踪联想记忆及数据恢复等。

具体而言，主要用于解决下述几类问题模式信息处理和模式识别。

神经网络经过训练可有效地提取信号语音图像雷达声纳等感知模式的特征，并能解决现有启发式模式识别系统不能很好解决的不变测量自适应抽象或概括等问题。

神经网络可以应用于模式识别的各个环节，如特征提取聚类分析边缘检测信号增强噪声抑制数据压缩等。

模式识别是人工神经网络特别适宜求解的类问题，神经网络模式识别技术在各领域中的广泛应用是神经网络技术发展的个重要侧面。

人工智能。

专家系统是人工智能领域研究时间最长，应用最成功的技术，但人们在应用专家系统解决诸如语音识别图像处理和机器人控制等这类类似于人脑的形见表检查报告份。

结束语结合地域的实际情况，最终对平面控制网的设计我们采取的是利用全站仪作首级控制网，高程控制布置四等水准网。

这样既节省了时间，也节省了人力。

碎部点采集，我们用的是全站仪。

对比其他测图方法，我觉得全站仪数字测图具有速度快，效率高的特点。

对于观测数据的处理，我们采用绘制测站草图，对碎部点进行编号，然后阅读草图，进行地形图的绘制。

这样避免了编码记忆繁杂的缺点，从而减小了出错的几率，顺利地完成地形图的测绘任务。

参考文献赵文亮地形测量黄河水利出版社年月杨国清控制测量学黄河水利出版社年月徐宇飞数字测图技术黄河水利出版社年月测绘技术设计规定测绘技术总结编写规定潘正风杨正尧数字测图原理与方法武汉武汉测绘科技大学出版社，年周秋生测量控制网优化设计北京测绘出版社，年李世林宋英华大比例尺地形图绘制北京测绘出版社，年致谢历时个月，我的毕业设计终于完成了。

而我的三年大学生涯也即将圈上个句号。

此刻我的心中却有些怅然若失，因为我即将和我熟悉的测量专业的老师们以及各位可爱的同学们挥手告别了。

但是很荣欣，在大学三年里，我能接受到师老师李老师许等测量专业的精英老师们的教育和指导。

正是由于这些老师们的敬业精神和严谨的治学态度，鞭策着我们前进。

在大学生活中我们过得很充实，不曾虚度光阴，工程测量的专业知识学得很到位。

每当遇到问题，老师们都会悉心给以指导解答，让我倍受感动，尤其在我们面临就业而目标却不明确时，是他们给我们讲述怎样择业怎样去融入社会。

同时我还要向给予我指导和帮助的所有老师表示感谢，在本次整个毕业设计过程中，我的指导老师师老师给我提出了许多宝贵的建议，并非常详细的对我设计初稿进行认真修改，从而使我的毕业设计能够最终顺利完成。

在此我谨向师军良老师致以诚挚的谢意和崇高的敬意，我相信我的毕业设计在大比例尺地形测量中有些独到的个人见解。

但是由于时间仓促，未免有不尽完善之处，敬请各位老师批正。

最后，祝愿黄河水院测绘工程系的老师们身体健康，再接再厉为国家培育更多的测绘人才，互方式下进行绘图处理图形编辑修改整饰，最后形成数字地图的图形文件。

数字化成图作业步骤工作草图阅读内业作业员首先对野外绘制的工作草图进行充分阅读，了解图内各元素的来龙去脉相互关系各类控制点分布情况乡村路与大车路的区分电杆的走向联系地类界封闭情况对图内有疑问的地方应及时向外业作业人员提出，予以解决。

数字化作业采用分层分色的要求表示地物地貌。

将同类地物放在同层次，分色统，代码到位，尽量使用成图系统的菜单绘制图形，便于合并缩放接边数据提起等再处理工作。

数字化作业时捕捉解析编辑细部点，若数据与勘丈草图不符，应及时向检查员提出，问题解决后再行作业。

数字化图按定的顺序进行，对明显的具有分块作用的地物先输入，例如河流道路等。

然后依元素的主次讯到微机中，与控制点并展绘。

第六章内业数字化成图数字化作业采用南方版地形地籍测成图系统，本系统基于平台，图式运用规范图形美观具备国标属性代码，可拓展性强。

系统为数字测图提供了多种成图方法简编码象思维的问题时，却遇到很大困难。

神经网络为人工智能开辟了条崭新的途径，成为人工智能研究领域中的后起之秀。

控制工程。

神经网络在诸如机器人运动控制工业生产中的过程控制等复杂控制问题方面有独到之处。

较之基于传统数字计算机的离散控制方式，神经网络更适于组成快速实时自适应控制系统。

联想记忆。

联想记忆的作用是用个不完整或模糊的信息联想出储存在记忆中的个完整清晰的模式来。

如何提高模式存贮量和联想质量仍是神经网络的热点之。

目前在这方面的应用有内容寻址器人脸识别器知识数据库等。

信号处理。

神经网络的自学习和自适应能力使其成为对各类信号进行多用途加工处理的种天然工具，主要用于解决信号处理中的自适应和非线性问题。

包括自适应均衡自适应滤波回波抵消自适应波束形成和各种非线性问题。

虽然神经网络在许多领域都有成功的应用案例，但神经网络也不是尽善尽美的。

目前，神经网络的理论研究和实际应用都还在进步的探索之中，相信随着人工神经网络研究的进步深入，其应用领域会更广，用途会更大。

神经网络人工神经网络以其具有自学习自组织较好的容错性和优良的非线性逼近能力，受到众多领域学者的关注。

在实际应用中，的人工神经网络模型是采用误差反传算法或其变化形式的网络模型简称网络，目前主要应用于函数逼近模式识别分类和数据压缩或数据挖掘，神经网络结构如图所示。

线性神经网络的学习算法只能训练单层神经网络，而单层神经网络只能解决线性可分的分类问题。

多层神经网络可以用于非线性分类问题，但需要寻找训练多层神经网络的学习算法。

图神经网络年提出了个适合多层网络的学习算法，年美国加州的小组将该算法用于神经网络的研究，才使之成为迄今为止最著名的多层网络学习算法算法，由此算法训练的神经网络，称之为神经网络。

在人工神经网络的实际应用中，网络广泛应用于函数逼近模式识别数据压缩等。

神经元与其它神经元的不同之处是神经元的传输函数为非线性函数，最常用的函数是和函数，有的输出层也采用线性函数。

其输出为神经网络般为多层神经网络。

网络的信息从输入层流向输出层，因此是种多层前馈神经网络。

如果多层网络的输出层采用形传输函数，其输出值将会限制在个较小的范围内，而采用线性传输函数则可以取任意值。

在确定网络的结构后，要通过输入和输出样本集对网络进行训练，亦即对网络的阈值和权值进行学习和修正，以使网络实现给定的输入输出映射关系。

神经网络的学习过程分为两个阶段第阶段是输入已知学习样本，通过设置的网络结果和前次迭代的权值和阈值，从网络的第层向后计算出各神经元的输出。

第二阶段是对权值和阈值进行修改，从最后层向前计算各权值和阈值对总误差的影响，据此对各权值和阈值进行修改。

以上两个过程反复交替，直到达到收敛为止。

由于误差逐层往回传递，以修正层与层间的权值和阈值，所以称该算法为误差反向传播算法。

标准的算法和学习规则样是种梯度下降学习算法，其权值的修正是沿着误差性能函数梯度的反方向进行的。

针对标准算法出现了几种基于标准算法的改进算法，如变梯度算法牛顿算法等。

神经网络的主要改进算