文档介绍：硕士学位论文基于RBF神经网络的机械臂运动控制算法及应用研究Research on Algorithm and Application of Robot Manipulator Motion Control Based on RBF works作者姓名:张翠学科、专业:控制理论与控制工程学号:0211458 指导教师:杨剑锋副教授完成日期:2014年4月22日兰州交通大学Lanzhou Jiaotong University万方数据独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果,除了文中特别加以标注和致谢之处外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含获得兰州交通大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名:签字日期:年月日学位论文版权使用授权书本学位论文作者完全了解兰州交通大学有关保留、使用学位论文的规定。特授权兰州交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索,并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明)学位论文作者签名:导师签名:签字日期:年月日签字日期:年月日万方数据兰州交通大学硕士学位论文-I-摘要机械臂轨迹跟踪控制是机械臂运动控制的重要内容。机械臂控制系统是一种极其复杂的不确定非线性系统,具有多变量、强耦合等特点,轨迹跟踪控制要求机械臂按照给定的期望轨迹运动。基于RBFNN(Radial Basis Function works,径向基函数神经网络)的MRAC(Model Reference Adaptive Control,模型参考自适应控制)既具有RBFNN的强大的动态逼近能力以及自适应能力,又能够提高控制的实时性和抗干扰性,因此在非线性控制中得以广泛应用。但是传统的基于K-means聚类算法的RBFNN学****算法对算法的初值非常敏感,且要求预先给定全部输入样本以及径向基函数的数目。针对初值敏感性问题,本文对基于K-means聚类的RBFNN学****算法进行改进,运用基于EC-RBF (Entropy Clustering-Radial Basis Function,熵聚类的径向基函数)的神经网络学****算法来训练RBFNN。通过采用这种改进的方法,实现机械臂运动学逆解的神经网络求解。将该改进算法应用到机械臂神经网络模型参考自适应控制(Neural Networks Model Reference Adaptive Control,NNMRAC)系统的两个RBFNN的学****当中,实现未知的机械臂动力学模型辨识及其轨迹跟踪控制。并与传统K-means聚类算法作比较,仿真结果表明改进算法更具有效性和优越性。主要研究内容如下:(1) 研究了RBFNN的基本原理和结构,以及基于熵聚类的RBFNN改进学****算法,即EC-RBF。利用熵聚类优化传统K-means聚类初值以及确定聚类数目,确定RBFNN网络结构,增强神经网络的响应能力及其泛化能力。(2) 研究了两种不同机械臂运动学方程的建立,利用EC-RBF学****算法训练RBFNN,实现机械臂运动学逆解的神经网络求解;分析并建立SCARA型工业机械臂动力学方程。仿真结果表明,与传统K-means聚类方法相比,利用EC-RBF学****算法训练的RBFNN对机械臂运动学逆解有更高的求解精度,且网络学****速度更快。(3) 研究了运用EC-RBF学****算法进行训练的RBFNN在机械臂模型辨识中的应用。构造RBFNNI(Radial Basis Function Neural Networks Identification,径向基函数神经网络辨识器),利用EC-RBF学****算法对其进行学****实现对未知机械臂的动力学模型离线辨识。仿真结果表明,该RBFNNI具有良好的模型辨识能力,能够较准确的逼近机械臂动力学模型。(4) 研究了基于EC-RBF学****算法的RBFNN在机械臂轨迹跟踪控制中的应用。设计NNMRAC系统,利用RBFNNI辨识结果代替未知机械臂模型,用一个RBFNNC(Radial Basis Function works Control,径向基函数神经网络控制器)实现系统控制。两个RBFNN采用EC-RBF学****算法进行在线学****和调整。仿真结果表明,与传统K-means聚万方数据基于RBF神经网络的机械臂运动控制算法及应用研究-II-类方法相比,基于EC-RBF学****算法的RBFNN在机械臂轨迹跟踪控制中跟踪效果更好。关键词:径向基函数神经网络;熵聚类;模型参考自适应控制;机械臂;轨迹跟踪论文类型:应用基础研