【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。
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
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。
有关数学建模典型应用案例及理论分析的文章