学位论文 > 优秀研究生学位论文题录展示

基于递归神经网络的机器人建模与控制研究

作　者: 杜佩君
导　师: 李军
学　校: 兰州交通大学
专　业: 控制理论与控制工程
关键词: 回声状态网络辨识控制非线性系统算法
分类号: TP183
类　型: 硕士论文
年　份: 2013年
下　载: 4次
引　用: 0次
阅　读: 论文下载

内容摘要

递归神经网络(Recurrent Neural Networks,RNN)是在神经网络(Neural Networks,NN)的基础上加入反馈层，相对于前馈神经网络(Feed Forward Neural Networks,FFNN)，RNN使网络由单一的静态映射变为动态输入/输出映射，更适合非线性动态系统的建模与控制。但RNN训练时需要调整网络中的所有权值，学习算法相对比较复杂，影响了其实际应用，回声状态网络(Echo State Networks,ESN)是一种新型的RNN，它特有的状态储备池(State Reservoir,SR)使其具有很强的动态逼近能力，且训练时只需调整网络的输出权值，一些用RNN现有算法难以解决的问题却很容易用ESN来实现。因此，在研究ESN及其算法的基础上，针对包括机器人系统在内的复杂非线性动态系统的建模与控制，提出改进的ESN离线及在线学习算法。将改进ESN应用到非线性动态系统的建模与控制中，并与ESN、基本RNN及支持向量机(Support Vector Machines,SVM)等方法进行比较，实验结果证明了所提出方法的有效性与优越性。主要研究内容如下：(1)研究了RNN的基本结构及算法实现，深入研究了ESN的基本特性及学习算法，给出了其离线及递推最小二乘(Recursive Least Square,RLS)在线学习算法，提出了一种基于增广策略的改进ESN方法，改进ESN使用增广状态向量计算输出权值，增强了网络的非线性动态特性。(2)研究了改进ESN在非线性动态系统建模中的应用。具体包括：在某高阶NARMA模型实例及液压驱动机器人臂的单输入单输出系统建模中的应用；在某多维非线性动态系统实例及7自由度SARCOS拟人机器人臂的多输入多输出系统建模中的应用。结果表明，与SVM、FFNN等方法相比，改进ESN的建模精度更高，学习速度更快。(3)研究了改进ESN在非线性动态系统控制中的应用。分别为在二阶、三阶非线性动态系统基准实例中的应用。首先用改进ESN辨识系统的不确定部分，然后求出控制律，使闭环系统的输出能够跟踪参考模型的输出。结果表明，与SVM、FFNN等方法相比，改进ESN的控制性能更好，且ESN无需估计系统的时滞阶数，具有很好的鲁棒性。(4)研究了改进ESN在二自由度机械手轨迹跟踪控制中的应用。首先用改进ESN辨识机械手不确定部分的逆模型，用PD反馈控制器补偿误差，然后设计ESN控制器。通过实验与ESN及其它RNN方法相比较，改进ESN具有较好的轨迹跟踪效果。

全文目录

摘要  4-5
Abstract  5-9
1 绪论  9-12
  1.1 选题背景及意义  9
  1.2 国内外研究现状  9-11
  1.3 研究内容和安排  11-12
2 递归神经网络理论  12-30
  2.1 递归神经网络的结构  12-16
    2.1.1 Elman 网络  12-13
    2.1.2 Jordan 网络  13-14
    2.1.3 对角递归神经网络  14
    2.1.4 回声状态网络  14-16
  2.2 递归神经网络的学习算法  16-24
    2.2.1 反向传播算法  16-19
    2.2.2 沿着时间的反向传播算法  19-21
    2.2.3 实时递归学习算法  21-22
    2.2.4 扩展卡尔曼滤波学习算法  22-24
  2.3 回声状态网络的学习算法  24-29
    2.3.1 离线学习算法  24-26
    2.3.2 递推最小二乘在线学习算法  26-28
    2.3.3 回声状态网络的改进学习算法  28-29
  2.4 小结  29-30
3 递归神经网络在机器人建模中的应用  30-40
  3.1 基于神经网络的系统辨识  30-33
    3.1.1 系统辨识的基本原理  30-31
    3.1.2 基于神经网络的系统辨识  31-33
  3.2 数据预处理和评价指标  33-34
    3.2.1 数据预处理  33
    3.2.2 辨识精度评价  33-34
  3.3 回声状态网络的建模仿真分析  34-39
    3.3.1 高阶非线性系统的建模仿真  34-36
    3.3.2 液压驱动机器人臂系统的建模仿真  36-37
    3.3.3 多输入多输出系统的建模仿真  37-38
    3.3.4 多自由度 Sorces 机器人臂系统的建模仿真  38-39
  3.4 小结  39-40
4 递归神经网络在机器人轨迹跟踪控制中的应用  40-55
  4.1 神经网络控制  40-43
    4.1.1 基于 ESN 网络的直接逆模型控制  40-42
    4.1.2 基于 ESN 网络的内模控制  42-43
  4.2 在非线性系统自适应控制中的应用  43-47
    4.2.1 二阶非线性系统自适应控制  43-44
    4.2.2 三阶非线性系统自适应控制  44-45
    4.2.3 仿真分析  45-47
  4.3 在二自由度机械手轨迹跟踪控制中的应用  47-53
    4.3.1 机器人控制的主要问题  47-48
    4.3.2 控制过程  48-52
    4.3.3 仿真分析  52-53
  4.4 小结  53-55
结论  55-56
致谢  56-57
参考文献  57-61
攻读学位期间的研究成果  61

基于递归神经网络的机器人建模与控制研究

内容摘要

全文目录

相似论文