2023年全國(guó)碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩77頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、機(jī)械臂軌跡跟蹤控制是機(jī)械臂運(yùn)動(dòng)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(diǎn),軌跡跟蹤控制要求機(jī)械臂按照給定的期望軌跡運(yùn)動(dòng)?;赗BFNN(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(dòng)態(tài)逼近能力以及自適應(yīng)能力,又能夠提高控

2、制的實(shí)時(shí)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(duì)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(duì)初值敏感性問題,本文對(duì)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(shí)現(xiàn)機(jī)械臂運(yùn)動(dòng)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(gè)RBFNN的學(xué)習(xí)當(dāng)中,實(shí)現(xiàn)未知的機(jī)械臂動(dòng)力學(xué)模型辨識(shí)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?jī)?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(dòng)學(xué)方程的建立,利用EC-RBF學(xué)習(xí)算法訓(xùn)練RBFNN,實(shí)現(xiàn)機(jī)械臂運(yùn)動(dòng)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(dòng)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(duì)機(jī)械臂運(yùn)動(dòng)

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(shí)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(shí)器),利用EC-RBF學(xué)習(xí)算法對(duì)其進(jìn)行學(xué)習(xí),實(shí)現(xiàn)對(duì)未知機(jī)械臂的動(dòng)力學(xué)模型離線辨識(shí)。仿真結(jié)果表明,該RBFNNI具有良好的模型辨識(shí)能力,能夠較準(zhǔn)確的逼近機(jī)械臂

6、動(dòng)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(jì)NNMRAC系統(tǒng),利用RBFNNI辨識(shí)結(jié)果代替未知機(jī)械臂模型,用一個(gè)RBFNNC(Radial Basis Function Neural Networks Control,徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)控制器)實(shí)現(xiàn)系統(tǒng)控制。兩個(gè)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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論