文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > 基于模糊RBF神经网络自学习的不确定机器人模糊自适应控制
侵权投诉

基于模糊RBF神经网络自学习的不确定机器人模糊自适应控制

第8卷第l期2004年3月

电机与控制学报

V01.8No.】

ELECTRIC

MACHINESAND

CONTRoL

March,2004

基于模糊RBF神经网络自学习的不确定

机器人模糊自适应控制

温淑焕,

王洪瑞,

蔡建羡

(燕山大学电气工程学院,河北秦皇岛060304)

摘要:针对机器人系统的不确定、非线性特点,设计了模糊RBF神经网络控制器学习机器人系统的不确定性上界,并利用模糊推理机产生的分目标学习误差进行训练,避免了采用系统直接输出反馈误差进行训练所存在的权值饱和与过调整问题。此外,在反馈回路还设计了固定}匕例增益控制器FC,起着监督的作用,对系统实施渐近稳定的控制。仿真结果表明这种控制方案实现了对机器人系统的高精度控制。

关键词:模糊RBF神经网络;模糊推理机;机器人;力/位置控制

中图分类号:TP273

文献标识码:A

文章编号:1007-449X(2004)ol一0039—05

1

引言

效提高系统的精度和自适应能力。此外,本文对模糊RBF的学习算法进行了改进,仿真结果表明改进算法是有效的。

径向基(RBF)网络u1是一种性能良好的网络。已经证明RBF网络可以任意精度逼近任意的非线性函数,且具有全局逼近能力,从根本上解决了BP网络的局部最优问题,而且拓扑结构紧凑,结构参数可实现分离学习,收敛速度快。RBF神经网络与模糊推理[2,31过程具有函数等价性,这个等价性将两种不同构造的系统在函数上统一起来,使网络的参数和运算有了明确的物理意义。

本文针对典型的不确定非线性机器人系统,设计了一种模糊RBF神经网络控制器与反馈控制器相结合的控制方案。设计的模糊神经网络可以补偿机器人【4.51系统的不确定性,它利用模糊推理机产生的分目标学习误差代替反馈控制器的输出信号训练模糊RBF神经网络,使网络的学习与系统的实际跟踪过程相适应,避免了控制器的输出产生振荡或进人饱和状态,实现了对机器人复杂系统的快速无超调控制。在反馈固路还设计了固定比例增益控制器FC,不仅增强了模糊RBF神经网络控制策略的完备性,使整个控制系统具有良好的稳定性和鲁棒性,而且在系统出现干扰时,可通过FC的反馈补偿控制有

收稿日期:2002一ll一29

基金项目:河北省教委科技攻关资助项目(A393)

2控制系统设计

n关节机器人的末端操纵器与外界工作环境接触时,其动力学方程可表示为

M(q)ii+曰(q,西)=--T.+.,1/H(q,辱)=C(q,厅)毒+G(q)+Fm。毒+

Csgn(q,Hq(g,西,fJ

(1)

式中:q(O是,‘×1关节向量;M(q)是nx"对称惯性矩阵;C(q,4)4是n×1哥氏力和离心力向量;a(q)是

,l×1重力向量;‰是n×,l动态摩擦力矩阵;以是

n×I静态摩擦力向量;"rd(g,‘i,哆是外部扰动及未建模动力学;r是n×1广义关节力矩向量;厂是n×1机器人末端操纵器与外界工作环境之间的作用力向量;.,是n×,l的Jacobain矩阵。

,t关节机器人的末端操纵器与外界工作环境接触时,取总控制律为

一=T,+l:p+Jy

(2)

式中:T’为作用在机器人关节上的总力矩;t,为位置控制器的输出力矩;T,为力控制器的输出力矩。控制结构如图1所示。

作者筒介:温淑焕【1972一),女,博士研究生。研究领域为枫器人鲁棒控常l、神经网络控制、预测控制等;

王洪瑞(1956一),男.博士生导师,研究领域为控制理论与应用,机器人控制;

蔡建羡(1978一).女,硕士研究生,研究领域为机器人螟糊神经网络控制.力/位控翩等。

万方数据 

第1页

你可能喜欢

  • 模糊神经网络
  • MATLAB神经网络工具箱
  • 神经网络控制仿真
  • 神经网络控制技术

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email