機(jī)械臂畢業(yè)論文參考范文(2)
機(jī)械臂畢業(yè)論文參考范文篇3
試談基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的機(jī)械臂路徑規(guī)劃設(shè)計(jì)
1 引言
在現(xiàn)代機(jī)械制造領(lǐng)域中，隨著工廠機(jī)械制造機(jī)器人的普及，機(jī)械臂已經(jīng)變得越來越重要。與傳統(tǒng)的工業(yè)機(jī)械臂相比，未來的機(jī)械臂要能夠完成更加復(fù)雜的機(jī)械加工任務(wù)。在實(shí)際的機(jī)械制造機(jī)器人應(yīng)用中，衡量機(jī)械臂的工作性能主要是工作效率和工作可靠性指標(biāo)。
機(jī)械臂是一個(gè)開鏈?zhǔn)降亩噙B桿機(jī)構(gòu)，用固定基座來進(jìn)行固定，機(jī)械臂可以根據(jù)需要在自由端安裝執(zhí)行器來實(shí)現(xiàn)工廠生產(chǎn)操作，關(guān)節(jié)之間的運(yùn)動(dòng)可以帶動(dòng)連桿運(yùn)動(dòng)，使得機(jī)械臂運(yùn)動(dòng)來達(dá)到不同的姿態(tài)。本文主要針對這個(gè)問題展開研究，探討機(jī)械臂的路徑規(guī)劃問題。
2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)介紹
神經(jīng)網(wǎng)絡(luò)具有分布式存儲(chǔ)、并行協(xié)同處理和對信息具有自組織自學(xué)習(xí)等優(yōu)點(diǎn)，所以廣泛應(yīng)用在人工智能方面。神經(jīng)網(wǎng)絡(luò)的大量神經(jīng)元之間的連接權(quán)值和分布分別代表著特定的信息，當(dāng)網(wǎng)絡(luò)受損時(shí)可以保證網(wǎng)絡(luò)的輸出正確，這種信息處理方式大大提高了網(wǎng)絡(luò)的容錯(cuò)性和魯棒性。
徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是基于函數(shù)逼近理論的，是根據(jù)系統(tǒng)的海量樣本數(shù)據(jù)來選擇隱含層神經(jīng)元的徑向基激活函數(shù)，可以用基函數(shù)來表示，能夠無限的逼近真實(shí)的算法表達(dá)，它選擇合理的隱含層單元個(gè)數(shù)和作用函數(shù)，能夠把原來的非線性不可分問題映射成線性可分問題，把不好處理的非線性問題方便的簡化為線性問題。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，在給定訓(xùn)練樣本后學(xué)習(xí)算法要解決的核心問題是：設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和求解相關(guān)的參數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)主要包括網(wǎng)絡(luò)的輸入、網(wǎng)絡(luò)的輸出個(gè)數(shù)，隱含層節(jié)點(diǎn)數(shù)目。相關(guān)的參數(shù)主要包括涉及的參數(shù)有徑向基函數(shù)的中心值、以及函數(shù)寬度和權(quán)值。
徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)屬于一種性能較優(yōu)的前饋型神經(jīng)網(wǎng)絡(luò)，它具有多維度非線性的映射能力和并行信息處理的能力，以及強(qiáng)大的聚類分析能力。與BP神經(jīng)網(wǎng)絡(luò)相比，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)采用的是徑向?qū)ΨQ的核函數(shù)，這樣可以大幅提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，同時(shí)能夠避免陷入局部極小，具有較好的全局尋優(yōu)能力，同時(shí)也具有較好的逼近任意非線性映射能力。
3 機(jī)械臂路徑規(guī)劃設(shè)計(jì)
機(jī)械臂軌跡規(guī)劃主要研究的是機(jī)械臂在多維空間中的運(yùn)動(dòng)路線，即給定一個(gè)初始狀態(tài)位姿，一個(gè)期望的末端執(zhí)行器的位姿，根據(jù)規(guī)定的要求來尋找連接初始狀態(tài)和期望狀態(tài)的最優(yōu)有效路徑，然后把最優(yōu)路徑轉(zhuǎn)變?yōu)闄C(jī)械臂各個(gè)關(guān)節(jié)的空間坐標(biāo)，進(jìn)一步轉(zhuǎn)化為機(jī)械臂的各個(gè)關(guān)節(jié)的位移、速度和加速度，就形成了機(jī)械臂的路徑。
機(jī)械臂的動(dòng)力學(xué)狀態(tài)模型為：
其中：D(q)為對稱正定的慣量矩陣，為哥式力與離心力矩陣，G(q)為重力項(xiàng)矩陣，q為機(jī)械臂關(guān)節(jié)角位移矢量，為機(jī)械臂的角速度矢量，為機(jī)械臂的角加速度矢量，為機(jī)械臂各關(guān)節(jié)控制力矩輸入矢量。
機(jī)械臂的動(dòng)力學(xué)參考模型為：
其中，y為2n+1的參考模型狀態(tài)矢量，r為n×1的參考模型輸入矢量。
徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)包括一個(gè)輸入層、一個(gè)隱層和一個(gè)輸出層。隱層由一個(gè)徑向基函數(shù)組成，和每個(gè)隱層節(jié)點(diǎn)相關(guān)的參數(shù)為網(wǎng)絡(luò)中心向量和半徑。本文選擇高斯函數(shù)作為徑向基函數(shù)。本文選擇的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法為：輸入層到隱層用無導(dǎo)師的聚類算法來訓(xùn)練，常用的是K-均值算法和模糊聚類算法，來確定神經(jīng)網(wǎng)絡(luò)的中心向量和半徑，隱層和輸出層的權(quán)值調(diào)整用有導(dǎo)師指導(dǎo)算法，來確定權(quán)重向量。
算法流程如下：首先對樣本數(shù)據(jù)進(jìn)行聚類，然后確定神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)的中心的初始值，將這些樣本進(jìn)行分組，然后將訓(xùn)練樣本按照距離的遠(yuǎn)近向隱層節(jié)點(diǎn)的中心聚類，完成后計(jì)算樣本的均值，將樣本均值賦值給隱層中心作為下一次迭代的聚類中心，下一步要判斷聚類過程是否結(jié)束，聚類結(jié)束標(biāo)志是當(dāng)劃分的每個(gè)聚類的樣本中心不再變化。然后再計(jì)算下寬度半徑，寬度半徑等于每個(gè)聚類中心與該訓(xùn)練樣本之間的平均距離。
通過算法驗(yàn)證，對機(jī)械臂的路徑規(guī)劃驗(yàn)證了算法的合理性和可行性，規(guī)劃后支反力和扭矩等動(dòng)力性能較好，完全滿足工程需求。
4 結(jié)語
針對機(jī)械臂的路徑規(guī)劃問題，本文采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)算法來對機(jī)械臂路徑進(jìn)行規(guī)劃，本文算法可以實(shí)現(xiàn)路徑規(guī)劃的快速收斂和近似逼近，具有較高的容錯(cuò)能力和魯棒性，可以避免因約束的輸入順序不同而產(chǎn)生的影響，使得路徑規(guī)劃達(dá)到了工程上的平滑要求。
猜你喜歡：