基于RBF神經(jīng)網(wǎng)絡(luò)的機(jī)械臂運(yùn)動控制算法及應(yīng)用研究.pdf

1、機(jī)械臂軌跡跟蹤控制是機(jī)械臂運(yùn)動控制的重要內(nèi)容。機(jī)械臂控制系統(tǒng)是一種極其復(fù)雜的不確定非線性系統(tǒng),具有多變量、強(qiáng)耦合等特點,軌跡跟蹤控制要求機(jī)械臂按照給定的期望軌跡運(yùn)動。基于RBFNN(Radial Basis Function Neural Networks,徑向基函數(shù)神經(jīng)網(wǎng)絡(luò))的MRAC(Model Reference Adaptive Control,模型參考自適應(yīng)控制)既具有RBFNN的強(qiáng)大的動態(tài)逼近能力以及自適應(yīng)能力,又能夠提高控

2、制的實時性和抗干擾性,因此在非線性控制中得以廣泛應(yīng)用。但是傳統(tǒng)的基于K-means聚類算法的RBFNN學(xué)習(xí)算法對算法的初值非常敏感,且要求預(yù)先給定全部輸入樣本以及徑向基函數(shù)的數(shù)目。針對初值敏感性問題,本文對基于K-means聚類的RBFNN學(xué)習(xí)算法進(jìn)行改進(jìn),運(yùn)用基于EC-RBF(Entropy Clustering-Radial Basis Function,熵聚類的徑向基函數(shù))的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法來訓(xùn)練RBFNN。通過采用這種改進(jìn)的方法

3、,實現(xiàn)機(jī)械臂運(yùn)動學(xué)逆解的神經(jīng)網(wǎng)絡(luò)求解。將該改進(jìn)算法應(yīng)用到機(jī)械臂神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制(Neural Networks Model Reference Adaptive Control,NNMRAC)系統(tǒng)的兩個RBFNN的學(xué)習(xí)當(dāng)中,實現(xiàn)未知的機(jī)械臂動力學(xué)模型辨識及其軌跡跟蹤控制。并與傳統(tǒng)K-means聚類算法作比較,仿真結(jié)果表明改進(jìn)算法更具有效性和優(yōu)越性。主要研究內(nèi)容如下:
　　(1)研究了RBFNN的基本原理和結(jié)構(gòu),以及基于熵

4、聚類的RBFNN改進(jìn)學(xué)習(xí)算法,即EC-RBF。利用熵聚類優(yōu)化傳統(tǒng)K-means聚類初值以及確定聚類數(shù)目,確定RBFNN網(wǎng)絡(luò)結(jié)構(gòu),增強(qiáng)神經(jīng)網(wǎng)絡(luò)的響應(yīng)能力及其泛化能力。
　　(2)研究了兩種不同機(jī)械臂運(yùn)動學(xué)方程的建立,利用EC-RBF學(xué)習(xí)算法訓(xùn)練RBFNN,實現(xiàn)機(jī)械臂運(yùn)動學(xué)逆解的神經(jīng)網(wǎng)絡(luò)求解;分析并建立SCARA型工業(yè)機(jī)械臂動力學(xué)方程。仿真結(jié)果表明,與傳統(tǒng)K-means聚類方法相比,利用EC-RBF學(xué)習(xí)算法訓(xùn)練的RBFNN對機(jī)械臂運(yùn)動

5、學(xué)逆解有更高的求解精度,且網(wǎng)絡(luò)學(xué)習(xí)速度更快。
　　(3)研究了運(yùn)用EC-RBF學(xué)習(xí)算法進(jìn)行訓(xùn)練的RBFNN在機(jī)械臂模型辨識中的應(yīng)用。構(gòu)造RBFNNI(Radial Basis Function Neural Networks Identification,徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)辨識器),利用EC-RBF學(xué)習(xí)算法對其進(jìn)行學(xué)習(xí),實現(xiàn)對未知機(jī)械臂的動力學(xué)模型離線辨識。仿真結(jié)果表明,該RBFNNI具有良好的模型辨識能力,能夠較準(zhǔn)確的逼近機(jī)械臂

6、動力學(xué)模型。
　　(4)研究了基于EC-RBF學(xué)習(xí)算法的RBFNN在機(jī)械臂軌跡跟蹤控制中的應(yīng)用。設(shè)計NNMRAC系統(tǒng),利用RBFNNI辨識結(jié)果代替未知機(jī)械臂模型,用一個RBFNNC(Radial Basis Function Neural Networks Control,徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)控制器)實現(xiàn)系統(tǒng)控制。兩個RBFNN采用EC-RBF學(xué)習(xí)算法進(jìn)行在線學(xué)習(xí)和調(diào)整。仿真結(jié)果表明,與傳統(tǒng)K-means聚類方法相比,基于EC-RB