柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法

提出一种基于径向基神经网络(Radial basis function, RBF)的力/位置混合自适应控制方法并用于机器人轨迹跟踪控制,解决机器人柔性末端执行器轨迹跟踪过程中柔性和摩擦力模型难以精确描述的问题。RBF神经网络是一种高效的前馈式神经网络,具有其他前向网络所不具有的非线性逼近性能和全局最优特性,并且网络结构简单,训练速度快。设计一种基于RBF神经网络非线性逼近能力来估计模型中的不确定参数的自适应控制器,给出控制器中神经网络权值更新规则,并证明所设计控制器输出力和位置误差的最终一致有界性。将该控制器应用于风管清扫机器人仿真试验,结果表明该自适应控制器能很好地用于柔性和摩擦力不确定条件下轨迹跟踪控制,与传统自适应控制方法相比具有更精确的跟踪特性和更强的鲁棒性。     

RBF神经网络在非线性系统辨识中的应用研究

用RBF神经网络代替BP神经网络 ,通过函数逼近完成对非线性系统的辨识 ,然后结合RBF网络的特性在RBF网络的泛化性能的提高方面进行了分析研究 ,并结合实例仿真进行检验     

采摘机械臂的PSO-RBF神经网络自适应控制

针对采摘机械臂系统的不确定性为控制带来的问题,设计一种PSO-RBF神经网络自适应控制方法.该方法使用径向基函数神经网络来逼近并补偿系统模型误差,用粒子群优化算法来优化RBF的权值参数,确保PSO-RBF控制性能更好.MATLAB仿真结果表明:与RBF神经网络控制相比,PSO-RBF神经网络控制精度和性能更好.     

基于径向基函数神经网络的液力变矩器基本性能参数分析

径向基函数(RBF)神经网络是一种在逼近能力、分类能力和学习速度等方面均优于BP网络的另一种网络.针对液力变矩器性能试验中的数据处理和分析需要,提出了应用径向基网络对试验数据进行辅助分析,实现数据分析处理的自动化.通过对仿真后的数据、图表的分析,为液力变矩器与发动机匹配提供了数据基础.     

基于神经网络的冗余机械臂运动学逆解研究

针对冗余自由度机械臂逆运动学求解的难题,提出了一种基于RBF神经网络的新方法。针对一款新型的七轴冗余机械臂,建立了机械臂的正运动学方程,提出了一种基于加权最小二乘法的"最佳柔顺性"规则,基于此规则运用遗传算法求解了全局最优解,由此得到了训练神经网络的样本数据,对神经网络进行了训练,使网络达到了稳定状态。设计了仿真和实验对RBF神经网络进行了测试,分析了神经网络的性能。研究结果表明,该RBF神经网络精度高、收敛速度快,从而为任意冗余机械臂逆解求解提供了一种新方法。     

基于视觉反馈的机器人全调节RBF神经网络自适应反演控制

针对具有参数不确定刚性机器人系统的跟踪控制问题,提出了一种基于视觉反馈和全调节RBF神经网络的自适应反演控制器设计方法。根据安装在末端执行器的CCD摄像机提取的特征点确定期望位置,利用与一般设计不同的全调节RBF神经网络逼近系统的不确定项及外界干扰。在调节RBF神经网络权值的同时调节中心点值和影响范围,使得全调节RBF神经网络具有了更强的在线逼近能力。应用Lyapunov稳定性理论,证明了系统的所有信号均有界,控制器可以保证机械臂的运动按指数收敛到期望位置。仿真结果验证了所提控制器的有效性。     

神经网络方法在循环流化床燃烧中的应用

本文分析了循环流化床锅炉燃烧控制系统的特点。针对主蒸汽压力控制系统。提出一种新型的基于改进BP神经网络的PID控制方法。该方法将神经网络和PID控制策略相结合。既具有神经网络自学习、自适应及逼近任意函数的能力。又具有常规PID控制器结构简单的特点。仿真研究表明这种BP神经网络PID控制能克服对象的大惯性、抗干扰性。大大改善控制品质。     

基于RBF神经网络的机械手逆运动学求解

针对用于求运动学逆解的代数法存在计算量大、求解精度低等问题,提出了一种将RBF神经网络与正交最小二乘法相结合的求解方法。根据RBF神经网络的非线性局部逼近能力及快速学习能力,确定了进行运动学逆解所要的RBF神经网络参数,利用正交最小二乘算法对RBF神经网络进行稳定性训练,并设计了其逆运动学求解的算法流程图。运用MATLAB软件对该算法进行仿真分析,结果表明采用该方法能有效减少人工计算量且具有较高求解精度。     

基于RBF神经网络的四旋翼无人机姿态控制

针对四旋翼无人机姿态系统难以建立精确模型问题,提出一种基于RBF神经网络的自适应非奇异快速终端滑模控制方法:将系统模型不确定部分及外界扰动之和定义为系统的总扰动,利用RBF神经网络逼近系统的总扰动,将总扰动估计值反馈给控制器,用以补偿系统总扰动的影响。建立无人机姿态系统的模型,设计基于RBF神经网络的自适应非奇异快速终端滑模控制器,根据Lyapunov稳定性定理证明控制系统的稳定性。通过对仿真结果图像和数据分析表明,控制方法能快速逼近的未知模型,有效抑制系统总扰动影响,具有响应速度快、鲁棒性和自适应能力强的特点。     

基于RBF神经网络的镜头畸变校正方法

提出了一种径向基(RBF)神经网络的畸变校正方法。该方法利用RBF网络的以任意精度逼近连续函数的能力,通过采用张正友平面标定法得到样本数据训练网络,最终建立网络模型。该方法算法简易,适合于对摄像机捕获的图像进行几何校正。实验研究表明,该方法大大提高了校正精度。     

基于BP和RBF神经网络的滚动轴承故障诊断比较

通过仿真实例,应用BP和RBF神经网络对滚动轴承的故障诊断进行了比较研究,结果表明,BP网络和RBF网络仿真效果都比较理想,但RBF网络构建简单,训练速度快且比较稳定,体现了RBF神经网络的优越性。     

基于神经网络的余度舵机系统故障诊断

对复杂的余度舵机系统进行故障诊断对提高飞行控制系统的可靠性和容错能力具有重要意义。文章提出1种变结构径向基神经网络学习算法,使用梯度下降法对网络参数进行优化,利用径向基神经网络对某型飞机余度舵机系统进行故障模式识别。仿真结果表明设计的神经网络具有较强的故障模式识别能力。     

电液负载模拟器的RBF神经网络控制

针对传统控制器自适应能力和鲁棒性差、参数调节繁琐等缺陷,提出了神经网络自适应控制方案,同时针对神经网络控制器计算复杂和稳定性证明缺乏理论依据等不足问题,在传统控制理论的基础上设计了基于PID的神经网络控制方案。根据电液负载模拟器的结构特点和目前神经网络控制的发展水平,提出了基于RBF神经网络的PID控制器,并构建了负载模拟器的神经网络控制与基于Jacobian的消扰(消除多余力)结构,仿真和试验证明其具有很好的自适应性和鲁棒性。     

基于神经网络的光纤布拉格光栅触觉信号解耦研究

针对应用于电子皮肤的柔性光纤布拉格光栅触觉传感器的输出信号是施加载荷位置、大小等信息的非线性、多维耦合问题,在对光纤布拉格光栅触觉传感阵列进行力学有限元仿真的基础上,提出了将误差逆传播神经网络和径向基函数神经网络应用于仿真和实验的触觉信号解耦方法。对实验数据的神经网络解耦结果表明,相对于误差逆传播神经网络,径向基函数神经网络具有更强的抗噪声能力,能够更好地逼近含有噪声的触觉多维非线性实验数据之间的映射关系。经径向基函数神经网络解耦后,传感器阵列的空间分辨率为5 mm,对压力位置和大小感知的最小相对误差为3.00%和4.82%。本文的研究成果对开展电子皮肤柔性触觉传感器的研究和推广具有一定的实用价值。     

基于频谱与轴心轨迹图的汽轮机RBF神经网络故障诊断研究

通过对比频谱分析的汽轮机故障诊断技术,提出一种频谱与轴心位置相结合的基于RBF网络的故障诊断方法,并且通过ZT-3转子模拟试验台得出的试验数据和轴心轨迹图作为训练样本,对RBF网络的故障诊断方式进行仿真。     

水下机械臂运动空间分析与轨迹跟踪算法优化

针对水下机械臂动力学模型不确定和未知外界干扰问题，采用基于HJI理论的径向基函数神经网络自适应控制算法对水下机械臂进行控制。首先，以水下六自由度机械臂为例，基于D-H法则对水下机械臂的运动学进行分析，通过仿真验证该方法的正确性；接着，基于蒙特卡洛法构建水下六自由度机械臂的运动空间云图，真实反映水下机械臂的运动空间；然后，以二自由度水下机械臂为例，设计基于HJI理论的RBF神经网络自适应控制器，利用神经网络的万能逼近原理逼近不确定干扰项，考虑到神经网络逼近存在误差，将逼近误差看作外界干扰项并通过HJI理论对逼近误差在线评价，评价系统对干扰项的抑制能力，并采用自适应算法在线估计网络权值，加快系统收敛；最后，通过仿真可知，该机械臂能较好地完成轨迹跟踪。     

基于RBF神经网络的电阻层析成像算法的研究

本文提出了一种基于RBF神经网络的ERT图像重建算法,并用作者开发的ERT仿真软件得到了数据进行图像重建,与其它传统的成像算法作了对比。研究表明,RBF神经网络适合解决ERT图像重建的非线性问题,该算法具有速度快、精度高的优越性。     

基于AIC的RBF网络在旋转机械故障诊断中的应用

提出了一种适用于各类旋转机械的精度高、响应快的故障诊断方法。首先利用赤迟信息准则(AIC)确定RBF神经网络的隐含层节点数和中心,然后建立基于该神经网络的故障诊断模型,再利用旋转机械振动信号来分析并判定其运行状况。以柴油机连杆铜套磨损故障为例进行分析,实验及仿真结果表明:基于AIC的RBF网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单一故障的识别率为100%,对其他复杂旋转机械的振动诊断同样具有参考价值。     

基于RBF神经网络的自动变速器换档控制系统

研究了车辆自动变速器的换档控制问题，利用神经网络在不能获得精确数学模型的非线性系统中能达到最优控制的特性，根据所获得的车辆的状态与最佳档位之间相应的数据对人工神经网络进行离线训练。仿真结果证明：径向基神经网络（RBF）的换档控制系统能够有效地用于档位的判断。