非标链轮
您现在的位置:网站首页 > 链轮资讯 > 基于非标链轮网络及应用的机器人运动控制算法

基于非标链轮网络及应用的机器人运动控制算法

作者:subbundle | 发布于:2015年10月24日 | 浏览:418 次

    非标链轮

       非标链轮机械臂轨迹跟踪控制是机械手运动控制的重要内容。机械手控制系统是轨迹的高度复杂的非线性系统,具有多变量、 强耦合的特点,根据给定的预期轨迹的机械臂跟踪控制。基于径向基神经网络 (径向基函数神经网络和径向基函数神经网络),MRAC (模型参考自适应控制模型参考自适应控制) 非标链轮具有径向基神经网络强大的动态逼近和自适应能力,改善控制和实时的干扰,所以被广泛应用于非线性控制。但是传统的径向基神经网络学习算法基于 k-均值聚类算法对算法的初始值,非常敏感,需要所有给定的输入的样本,以及径向基函数的数目。对基于 k-均值聚类改进的径向基神经网络学习算法的初值问题的敏感性基于 EC-熵聚类径向基函数 (RBF,熵聚类 RBF) 训练径向基神经网络学习算法的神经网络。采用这种方法,实现机械手逆运动学神经网络算法。将该算法应用于神经网络模型参考自适应控制的机械手臂 (神经网络模型预估控制,NNMRAC) 两个径向基神经网络学习系统和未知的轨迹跟踪控制机械动态模型辨识和。与传统的 k-均值聚类算法比较仿真结果表明,该算法是更有效、 更有利。主要研究内容如下: (1) 基于熵聚类,即 EC-径向基函数的基本原理和结构的径向基神经网络和径向基神经网络学习算法的研究。传统的 k-均值聚类使用熵聚类优化初值和确定径向基神经网络的聚类个数网络结构和提高响应能力和神经网络泛化能力。(2) 对研究运动学方程的两个不同的机械臂,EC-RBF 训练径向基神经网络学习算法,非标链轮实现机械手逆运动学神经网络分析和 SCARA 型工业机械手动力学方程的建立。仿真结果表明,非标链轮与传统的 k-均值聚类方法相比,使用 EC RBF 径向基神经网络学习算法的机械手逆运动学程度更高的精度和更快的网络速度训练。(3) 基于 EC-rbf 神经网络的训练应用程序模型识别在机械手中的径向基神经网络学习算法。

上一篇:非标链轮的拓扑结构低阶的身体数组可以是以下 下一篇:机械链轮厂手控制基于视觉技术的研究
收缩