基于遞歸神經(jīng)網(wǎng)絡(luò)的機(jī)器人建模與控制研究.pdf

1、遞歸神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNetworks，RNN)是在神經(jīng)網(wǎng)絡(luò)(NeuralNetworks，NN)的基礎(chǔ)上加入反饋層，相對(duì)于前饋神經(jīng)網(wǎng)絡(luò)(FeedForwardNeuralNetworks，F(xiàn)FNN),RNN使網(wǎng)絡(luò)由單一的靜態(tài)映射變?yōu)閯?dòng)態(tài)輸入/輸出映射，更適合非線性動(dòng)態(tài)系統(tǒng)的建模與控制。但RNN訓(xùn)練時(shí)需要調(diào)整網(wǎng)絡(luò)中的所有權(quán)值，學(xué)習(xí)算法相對(duì)比較復(fù)雜，影響了其實(shí)際應(yīng)用，回聲狀態(tài)網(wǎng)絡(luò)(EchoStateNetworks，

2、ESN)是一種新型的RNN，它特有的狀態(tài)儲(chǔ)備池(StateReservoir，SR)使其具有很強(qiáng)的動(dòng)態(tài)逼近能力，且訓(xùn)練時(shí)只需調(diào)整網(wǎng)絡(luò)的輸出權(quán)值，一些用RNN現(xiàn)有算法難以解決的問題卻很容易用ESN來實(shí)現(xiàn)。因此，在研究ESN及其算法的基礎(chǔ)上，針對(duì)包括機(jī)器人系統(tǒng)在內(nèi)的復(fù)雜非線性動(dòng)態(tài)系統(tǒng)的建模與控制，提出改進(jìn)的ESN離線及在線學(xué)習(xí)算法。將改進(jìn)ESN應(yīng)用到非線性動(dòng)態(tài)系統(tǒng)的建模與控制中，并與ESN、基本RNN及支持向量機(jī)(SupportVector

3、Machines，SVM)等方法進(jìn)行比較，實(shí)驗(yàn)結(jié)果證明了所提出方法的有效性與優(yōu)越性。主要研究?jī)?nèi)容如下:
　　(1)研究了RNN的基本結(jié)構(gòu)及算法實(shí)現(xiàn)，深入研究了ESN的基本特性及學(xué)習(xí)算法，給出了其離線及遞推最小二乘(RecursiveLeastSquare，RLS)在線學(xué)習(xí)算法，提出了一種基于增廣策略的改進(jìn)ESN方法，改進(jìn)ESN使用增廣狀態(tài)向量計(jì)算輸出權(quán)值，增強(qiáng)了網(wǎng)絡(luò)的非線性動(dòng)態(tài)特性。
　　(2)研究了改進(jìn)ESN在非線性動(dòng)態(tài)系

4、統(tǒng)建模中的應(yīng)用。具體包括:在某高階NARMA模型實(shí)例及液壓驅(qū)動(dòng)機(jī)器人臂的單輸入單輸出系統(tǒng)建模中的應(yīng)用;在某多維非線性動(dòng)態(tài)系統(tǒng)實(shí)例及7自由度SARCOS擬人機(jī)器人臂的多輸入多輸出系統(tǒng)建模中的應(yīng)用。結(jié)果表明，與SVM、FFNN等方法相比，改進(jìn)ESN的建模精度更高，學(xué)習(xí)速度更快。
　　(3)研究了改進(jìn)ESN在非線性動(dòng)態(tài)系統(tǒng)控制中的應(yīng)用。分別為在二階、三階非線性動(dòng)態(tài)系統(tǒng)基準(zhǔn)實(shí)例中的應(yīng)用。首先用改進(jìn)ESN辨識(shí)系統(tǒng)的不確定部分，然后求出控制律