论文部分内容阅读
神经网络具有较强的逼近非线性函数的能力,并具有自适应学习、并行分布处理和较强的鲁棒性及容错性等特点,为解决未知不确定非线性系统的建模和控制问题提供了一种有效的途径。神经网络已被广泛应用于机器人、生物医学工程、和金融领域等。当前神经网络主要应用于离线建模,在神经网络在线建模方面的研究还不多,因而神经网络的在线建模技术得到了越来越多的关注和重视。本文研究了RBF神经网络的在线建模能力,并将RBF神经网络在线建模算法应用于移动机器人的轨迹跟踪控制中,提出了一种新型的控制策略。通过非线性系统建模、移动机器人的轨迹跟踪控制仿真研究,验证了本文提出的方法的有效性。
在分析RBF神经网络的结构的基础上,本文提出了一种改进RBF神经网络(improvedradialbasisfunctionneuralnetwork,IRBFNN),将非对称高斯型函数作为RBF神经网络的径向基函数,提高了RBF网络的泛化能力。我们提出一种改进的资源分配网络算法(improvedresourceallocatingnetwork,IRAN)。这个改进算法运用资源分配网络在线产生新的网络隐单元,输出权值调整采用滑动窗口的方法,提高网络的收敛速度,并给出了有效的隐单元在线合并和删除策略,简化和控制了网络规模。通过对典型的非线性函数逼近和非线性动态系统在线建模的仿真研究,表明IRBFNN和IRAN具有很强的非线性逼近和在线建模能力。
针对移动机器人的模型不确定问题,本文在分析移动机器人运动学模型和动力学模型的基础上,将IRBFNN应用于非完整约束移动机器人的轨迹跟踪控制上,提出了一种基于IRBFNN的转矩控制器,实现了移动机器人的轨迹跟踪控制。为了进一步改善鲁棒控制性能,通过滑模控制导出基于IRBFNN和鲁棒补偿控制的新型的转矩控制器。仿真结果表明这类新型的控制策略有效的实现了移动机器人的动态轨迹跟踪。