理论教育 自适应控制神经网络学习算法及实现

自适应控制神经网络学习算法及实现

时间:2023-11-02 理论教育 版权反馈
【摘要】:定义状态向量,系统的状态方程表述如下:式中;选取终端变量作为输出,输出方程表达式为2.2.2.2自适应控制神经网络学习算法及实现对NNI首先进行离线辨识,运行一定程度后,再采用在线学习的方式,以达到加快学习过程的目的,具体如图2.16所示。图2.16机械臂的自适应控制神经网络参考模型方框图在该过程中,NNI把e1的值反传回各自身的神经元,进行权值的修正;NNI在误差e0通过后,可以经过运算计算出e2,再进行NNC的权值修正。

自适应控制神经网络学习算法及实现

2.2.2.1 机器人动力学描述

依据拉格朗日(Lagrangian)公式,对机器人建立的动力学方程表述如下:

式中 q∈Rn——机械臂的位形变集合;

u(t)∈Rn——机械臂的关节输入的扭矩向量;

D(q)∈Rn×n——机械臂的惯性矩阵

h(q,)∈Rn——机械臂的哥氏力向量和离心力;

g(q)∈Rn——机械臂的重力作用向量。

定义状态向量,系统的状态方程表述如下:

式中 

选取终端变量作为输出,输出方程表达式为

2.2.2.2 自适应控制神经网络学习算法及实现

对NNI首先进行离线辨识,运行一定程度后,再采用在线学习的方式,以达到加快学习过程的目的,具体如图2.16所示。

图2.16 机械臂的自适应控制神经网络参考模型方框图

在该过程中,NNI把e1的值反传回各自身的神经元,进行权值的修正;NNI在误差e0通过后,可以经过运算计算出e2,再进行NNC的权值修正。

参考模型是一个稳定的线性定常系统:

(www.daowen.com)

式中 

1和∧2——含有ωi项和2ξiωi项的n×n对角矩阵。

误差表示用Ei(i=0,1),NNI和NNC的算法如下。

NNC的整定指标:

NNC的学习算法可以得到

NNI的整定指标:

和NNC的求取方法一样,可得

为了完成上述计算过程,可以分为以下步骤:

(1)自动从片外的权值存储器读出初始权值、阈值至片内权值的各个RAM。

(2)前向网络开始计算,并输出个节点的结果。

(3)反传和更新模块接收各节点的计算结果,计算出误差和修正后的权值、阈值。

(4)判断误差大小和训练次数。

(5)修正后的权值、阈值写入各个RAM。

(6)重复第(1)至(5)步,直至误差足够小或达到指定训练次数。

(7)将训练好的复合系统需求的权值、阈值存入片外权值存储器备用。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈