神经网络用于机器手臂控制大全.docxVIP

神经网络课程设计 神经网络用于机器手臂的控制 神经网络用于机器手臂的控制 机械手是一种高度非线性、强耦合、时变的系统 , 对它的控制基本为两种 : 基于精确数学模型的传统控制和与模型无关的智能控制。 由于机械手系统的复杂 性 , 其精确的数学模型难以建立 , 使应用传统的控制手段对其进行的控制效果欠 佳。常用的智能控制手段如模糊控制、 人工神经网络等又有各自的局限性。 一般说来 , 模糊逻辑方法虽然长于表达近似与定性的知识 , 却通常无学习能力 ; 神经网络具有学习能力 , 但内部知识的表达方式又是不清楚的 , 这样神经网络在每次学习时只能从任意初始条件开始 , 不能利用必要的初始经验或知识 , 收敛速度慢 , 易陷入局部极限 ; 而由于缺乏学习能力 , 模糊逻辑方法只能主观或试凑地选择隶属 函数和模糊规则 , 不能根据积累的经验自动地改善系统的性能。上世纪 70 年 代 ,J.S.Albus 根据神经生理学小脑皮层的结构特点 , 提出了一种小脑模型关联 控制 (cerebellar model articulation controller), 即 CMCA神经网络 , 是一种 类似于 Perceptron 的相联记忆方法 , 与模糊逻辑不但是相互补充的 , 而且也是相互结合的。首先它用连接主义来表达模糊逻辑控制器 , 引入了学习机制 , 也带来了两者结合的诸多优点 , 如存储容量的减小 , 泛化能力的增加 , 以及连接主义结构的容错性等。其次 , 在 CMAC的分布表达中 , 一个值由散布于许多计算单元的活性模式表示 , 每个计算单元又涉及许多不同值的表达 , 因此每个计算单元都有一个感 受野 (receptive field), 即它表达的所有值的集合 , 这相当于每个计算单元都对应一个模糊集合 , 或者说感受野相当于隶属函数 , 这正是它们能够有机结合的一个基础。 1．CMAC的优越性 神经网络可分为全局逼近神经网络和局部逼近神经网络 , 如果网络的一个和 多个连接权系数或自适应可调参数 , 在输入空间的每一点对任何一个输出都有影 响 , 则称该神经网络为全局逼近网络。如 BP网络 , 每一次样本学习都需要重新调整网络的所有权值 , 收敛速度慢 , 易陷入局部最小 , 很难满足控制系统的实时性要求 ; 若对输入空间的某个局部区域 , 只有少数几个连接权影响网络的输出 , 则称该网络为局部逼近网络 , 从而使局部逼近网络具有学习速度快的优点。 CMAC、 RBF 以及某些模糊神经网络是局部逼近网络。 CMAC比其他神经网络的优越性体现在 : (1) CMAC神经网络把信息存储在局部的结构上 , 在保证函数逼近的前提下 , 张建文 1030319100 张卜南 1030319078 神经网络课程设计 神经网络用于机器手臂的控制 学习速度快。 CMAC函数逼近器对学习数据出现的次序不敏感 , 因此 ,CMAC在时变、非线性系统控制中得到广泛应用。 CMAC结构简单 , 易于硬件实现和软件实现。因此 ,CMAC已被越来越多的学者所关注 , 并得到广泛的应用。 2．CMAC模型结构 CMAC的模型结构如图 1 所以，它的工作过程是一系列映射。 输入状态空间 S 的维数由对象决定。一般来说，输入是模拟量，需要进行量化，然后才能送入存 储区 A，状态空间中的每一点将同时激活 A 中的 c 个单元。网络输出 F（si ）为 c 个对应单元中的值（即权 wi ）累加的结果，如对应 s1 输入单眼有 c＝4 个，则 4 F (s1 ) wi i 1 Fig1 CMAC结构模型 可把 c 看作是信号检测单元的感受野大小，其值与泛化能力有关，所以有时称 c 为范化参数。 如果输入 S 有 m个分量（输入向量时 m维的），而每一分量有 q 个量化等级， 则 S 的可能状态有 qm个，它们都要映射到 A 中，并有其对应的（权）值。在 S 张建文 1030319100 张卜南 1030319078 神经网络课程设计 神经网络用于机器手臂的控制 中比较接近的那些样本在 A 中会出现交叠，如图 1 中 s2 与 s3，它们有两个权时 交叠的，从而其输出 F（ s2 ）和 F（ s3 ）也较相近，这可起到泛化的作用， ，对 S 中相距很远的矢量这种泛化是不起作用的。如果用 Hamming距离 d 表示 si ， sj 的差异程度， 则在 A 存储区内交叠的单元数约为 c－dij ，c－dij 0 时没有交叠， c － dij 0 的那些交叠区可以看作聚类的领域。这样，输入空间 S 中相近的向量映 射后产生聚类。 对一些实际系统， qm往往很大，例如 10 维输入，每个量化为 100 个等级，则输入空间有 100 个可能的状态， 这个需要 A