gaprbf自增长自消减神经网络在机器人上的应用 word格式.docxVIP

摘要近年来神经网络被广泛应用于控制系统中，但是控制系统的性能很大程度上决定于辨识网络的逼近性能,而结构设计是径向基函数（Radial BasisFunction，RBF）神经网络的关键。网络结构设计是指对隐单元个数和中心的选取,其对网络的收敛速度、辨识精度和泛化能力有着很大的影响。因此，本文针对隐单元个数和中心的选取进行了深入的研究，详细地介绍了RAN、MRAN和GAP-RBF三种顺序局部增量式算法。通过与反向传播（Back Propagation，BP）算法在逼近Hermite多项式和Mackey-Glass时间序列预测上的比较以及在机器人沿墙导航上的应用，验证了RAN、MRAN和GAP-RBF三种顺序局部增量式算法相对于批处理算法的优良性能。本文所要完成的具体工作如下：首先，详细介绍了对顺序局部增量式算法研究的意义与背景，对几种RBF神经网络结构优化算法进行了比较，并着重对比了批处理学习算法与顺序局部增量式算法之间的优缺点。简要地说明了几种常用的顺序局部增量式算法的研究现状。其次，概括地说明了神经网络的神经元模型和两种常用的神经网络结构，并引出对RBF神经网络的详细介绍。接着具体地阐述了RAN、MRAN和GAP-RBF 三种算法，呈现出三种算法的实现步骤，并与BP 神经网络在逼近Hermite 多项式和Mackey-Glass时间序列预测的应用上进行了性能比较，验证了三种算法在逼近非线性函数上的优良性能。最后，简要地介绍了KheperaII机器人平台，并设计了RBF神经网络控制器。然后将RBF神经网络控制器应用到KheperaII机器人平台上，实现了机器人在仿真环境和实时环境下沿墙导航，通过数据分析验证了RAN、MRAN和GAP-RBF 三种算法在机器人应用上的可行性和性能优劣。关键词：RBF神经网络，顺序局部增量式算法，BP 神经网络，沿墙导航ABSTRACTInrecentyears,neuralnetworkiswidelyusedincontrolsystem,butthe performanceofcontrol systemdepends largelyontheapproximationpropertiesof identification network. And the structuredesign isthe keyof radial basis function neural network.Thenetworkstructuredesignreferstotheselectionofthenumberandcenter ofhiddenunits,whichhavegreatinfluenceontheconvergencespeedofthenetwork andtheidentificationaccuracyaswellasthegeneralizationability.Therefore,aimingat theproblemwhichistheselectionofthenumberandcenterofhiddenunits,thispaper makesafurtherstudyandintroducesthreekindsofsequential,local,incremental algorithmsuchasRAN,MRAN,GAP-RBFindetail.Throughthecomparisonwith backpropagation(BackPropagation,BP)algorithmintheapproximationofHermite polynomialandthepredictionofMackey-Glasstimeseriesaswellastheapplicationof robotnavigationalongthewall,itisprovedthatthethreekindsofsequential,local, incrementalalgorithmmentionedabovearefarbetterthanthebatchlearningalgorithm. Thespecificwork whichneeds to complete inthis paper is as follows:Firstly,weintroducethesignificanceandbackgroundofresearchonsequential, local,incrementalalgorithmindetail.Thenseveralkindsofoptimizationalgorithmsof thestructureofRBF neural networ