基于PSO-BP算法的水下机器人运动模型辨识

将粒子群算法(PSO)与误差反传算法(BP)相结合,利用粒子群算法的全局突变性,使BP算法避免在神经网络权值寻优过程中陷入局部极小值.对Elman神经网络结构进行调整,并将PSO-BP算法用于改进后的Elman网络的权值修改.最后,对比了3种不同算法、结构的神经网络对水下机器人运动学模型的辨识结果,证明了基于PSO-BP算法的改进Elman神经网络对水下机器人运动模型,有较高的辨识精度.     

水下机器人运动系统的神经网络辨识

建立了水下机器人的动力模型，分析了辨识该模型的神经网络结构，采用带自反馈的Elman网络来获得更精确的结果。针对BP算法即误差反传算法的缺陷，提出了用混合优化算法——误差反传算法和遗传算法的混合算法（又称：GA＆BP算法）修正网络权值。最后，将改进的Elman网络应用于水下机器人的非线性辨识。通过仿真证明了该方法用于高阶非线性系统的实用性。     

基于粒子群优化神经网络的水下链式机器人直航阻力预报

多单体水下机器人串联组成的水下链式机器人具有航行效率高、稳定性能好、搭载能力强等优势,对其直航阻力的精确预报可实现更有效的运动控制和更合理的动力编组。针对由于水下链式机器人各单体间耦合关系复杂及使用计算流体力学分析阻力耗时较长导致无法快速准确进行阻力预报问题,开展了水下链式机器人直航阻力预报研究。利用计算流体力学分析获得大量输入量（单体数量、航速和单体间间距）与输出量（直航阻力）样本数据,使用BP神经网络建立输入量与输出量模型关系,并通过粒子群算法优化神经网络的初始权值和偏差以改善BP神经网络易陷入局部极值点和过拟合等问题。由大量测试样本的预报结果可知：基于粒子群优化的BP神经网络算法比传统BP神经网络算法预报结果更准确,在给定不同速度和间距测试中均方误差分别降低了2.04×10^-5和7.40×10^-6;在5单体水下链式机器人以0.25 m/s²的加速度做匀加速运动过程中,基于粒子群优化的BP神经网络模型预报结果的平均相对误差为0.42%,精度较高。试验结果说明所提方法是可行且有效的。     

基于神经网络的空间7R机器人模型辨识及其实验研究

针对空间冗余机器人建模中不确定因素的影响 ,采用神经网络辨识空间 7R机器人输入输出间的非线性关系 ,建立机器人的运动学模型。对Elman动态递归网络结构作了改进 ,提出一种状态延迟输入动态递归神经网络 ,提高了网络的学习速度。将该网络应用到机器人系统模型的辨识问题上 ,以德国PowerCubeTM模块化机器人为研究对象 ,根据机器人返回的关节位置信息及利用OPTOTRAK 30 2 0三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本 ,对包含各种影响因素的机器人运动模型进行了辨识 ,得到了满意的结果 ,说明了神经网络在此类问题中应用的优越性     

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。     

基于神经网络智能结构振动控制中的辨识

以智能结构振动控制为对象,采用BP神经网络进行辨识研究。分析了神经网络系统辨识的原理及BP神经网络的算法。仿真结果表明,神经网络是建立智能结构振动控制系统模型的一种有效的方法。     

微粒群优化倒立摆神经网络控制器设计研究

将微粒群算法和多层前馈神经网络相结合,提出了一种利用微粒群算法代替BP算法训练多层前馈神经网络权值,以实现神经网络控制的方法,并对非线性模型的辨识问题和一级直线倒立摆的控制问题进行了仿真研究。仿真实验表明：微粒群算法在神经网络控制及非线性模型辨识方面效果良好,具有良好的应用前景。     

智能水下机器人BP神经网络S面控制

针对智能水下机器人传统S面控制器参数设置过程依赖经验且设置不当将严重影响运动控制效果的问题,设计了BP神经网络S面控制器,由神经网络正向传播输出S面控制器参数,并在反向传播中实现参数的在线整定。采用某微小型智能水下机器人模型仿真实验的结果表明,该控制器能够自主完成控制参数初始化与调整,具有收敛速度快、超调与稳态误差小、干扰条件下能够迅速恢复稳定等优点,可以为实际工程中运动控制器设计提供参考。     

磁流变阻尼器神经网络模型的建立及优化

磁流变阻尼器在振动控制中有广阔的应用前景,建立其精确的力学模型是取得良好控制效果的关键因素之一.文中对某磁流变阻尼器进行了动力学性能测试;并通过统计学方法确定了该阻尼器正向、逆向模型的BP神经网络结构;针对传统遗传神经网络(GA-BP)早熟和收敛速度慢的问题,提出一种结合适应度线性变换、自适应交叉和变异概率的改进遗传神经网络(IGA-BP)算法;在此基础上,分别用BP神经网络、GA-BP神经网络和IGA-BP神经网络对阻尼器正向、逆向非参数化模型进行辨识.研究结果表明:文中提出的改进遗传神经网络算法收敛速度更快,模型精度更高,该非参数化模型能更准确地反映磁流变阻尼器的动力学特性.     

基于BP神经网络的机器人运动学逆解新算法

介绍了BP神经网络原理及算法并利用改进的BP神经网络算法对UY自由度机器人运动学反解问题进行了探讨。通过BP网络建立运动学模型,选择贝叶斯算法,采用Matlab神经网络工具箱进行编程,同时按照一定的范围要求提供样本,在试验及数值模型提供的样本数据范围内,得出模型测试精度都能满足工程要求。文章还进行了BP网络训练,并用训练好的网络来求解运动学逆问题,取得了较好的效果,为机器人运动学逆问题算法提供了新的思路,对机器人动力学问题、轨迹规划、运动控制也有一定的启发作用。     

串联6自由度机器人关节刚度辨识与误差补偿研究

为提高串联6自由度机器人的绝对定位精度,针对几何参数误差补偿后的工业机器人关节刚度参数展开研究。首先,基于虚拟关节模型建立了工业机器人一维关节刚度误差模型。其次,为提高关节刚度参数的辨识精度与效率,利用BP神经网络对刚度误差模型进行拟合,以优化遗传算法的初始种群适应度。最后,利用激光跟踪仪AT930和ER10L-C10机器人进行实验,验证以上误差模型与关节刚度参数辨识算法。实验结果表明,经过关节刚度误差补偿后,机器人的平均距离误差与最大距离误差分别为0. 248 5 mm与0. 333 2 mm。相比于补偿前的距离误差,机器人定位精度提高了33. 7%。因此,通过改进遗传算法辨识得到的机器人关节刚度参数能够有效地提高机器人定位精度。     

液压四足机器人足端的力预测控制与运动平稳性

针对液压四足机器人在坚硬路面行走时,足端位置易受刚性冲击,导致运动姿态平稳性差的问题,提出一种液压四足机器人足端力预测控制方法。在分析液压四足机器人结构的基础上,根据运动学与力学模型构建了液压伺服系统的力控制模型;采用改进自适应布谷鸟优化BP神经网络算法建立足端力预测控制模型,通过仿真对比分析验证了该算法的可行性。最后通过液压四足机器人KL样机进行足端力及刚性地面行走测试,结果表明该方法能有效增强液压四足机器人腿部的力柔顺性,提高运动姿态平稳性。     

基于遗传算法的自治水下机器人水动力参数辨识方法

针对传统确定自治水下机器人(Autonomous underwater vehicle,AUV)水动力参数试验和理论计算的困难性及以往辨识方法优化结果趋于局部最优解的缺点,提出一种基于遗传算法的AUV水动力参数辨识方法,该方法不受参数初值选取的影响,具有较好的鲁棒性和全局寻优特性,可为AUV运动控制、状态预报及控制系统开发等提供动力学模型。针对开架式AUV原型样机CRanger-01,在对其进行动力学建模分析的基础上,利用该方法对其水平面运动水动力参数进行辨识,得出了CRanger-01的19个水平面水动力参数,与实际值进行比较后,辨识误差在允许范围之内。通过运动仿真对模型进行验证,结果表明该算法能有效辨识AUV水动力参数,可为工程实践提供参考依据。     

两栖球形机器人的路径规划策略

两栖机器人的水下路径最优规划是目前机器人运动控制研究领域的热点和难点。本文针对两种基于视觉伺服的广义约束优化(GCOP)和序列二次规划(SQP)的机器人运动控制算法进行对比分析,结合视觉伺服传感器,实现了两栖机器人最佳路径的规划、监测动态目标标定、移动目标监测、水下障碍物识别和目标跟踪。利用球形机器人的结构对称特性及阿基米德浮力原理,并结合模糊控制算法对水舱水位进行实时控制,使球形两栖机器人在水下能实现水下多自由度运动。最后,进行了算法的仿真和水下运动实验。实验结果表明,GCOP算法和SQP算法在相对障碍物的有限距离内,SQP算法规划的路径更加合理;而在达到目标坐标位置上,两种算法的误差为167.5 mm,SQP算法在水下路径规划上更加有效。     

基于改进变异蚁群算法神经网络的空间大型可展开天线动态响应辨识

针对空间大型可展开天线柔性大、展开过程中弹性变形与刚体运动相互耦合、机构运动参数时变的特点,提出了基于改进变异蚁群算法神经网络的辨识模型用于可展开天线动态响应辨识的方法。该方法采用改进变异蚁群算法优化神经网络权值,将变异机制引入蚁群算法,解决了蚁群算法收敛慢的缺点,对变异蚁群算法进行改进,提高了算法跳出局部最优的能力,进一步加快了收敛速度。仿真结果表明,该辨识模型兼具神经网络和蚁群算法的优点,不仅具有优异的非线性逼近能力,还具有高的运算效率。该辨识模型能够准确地辨识天线的动态响应,辨识的收敛速度快且精度高。     

船舶运动模拟器阀控非对称缸液压系统神经网络辨识

本文在分析船舶运动模拟器阀控非对称缸液压系统存在较大非线性的基础上,利用神经网络具有逼近任意非线性函数且具有自学习与自适应能力,应用BP算法对液压系统进行辨识。辨识结果表明,辨识模型接近于实际系统,为模拟器液压系统控制奠定了基础。     

采用APSO-LM-BP神经网络的挖掘机器人运动学逆解研究

针对挖掘机器人执行机构的运动学逆解求解难、速度慢的问题,提出一种基于APSO-LM-BP神经网络的逆运动学求解方法。利用自适应粒子群(APSO)算法对BP神经网络中的连接权值以及阈值进行优化,再把BP神经网络训练过程中的梯度下降法用LM算法代替,以克服传统BP神经网络的输出误差大,陷入局部极优解的缺陷。仿真结果表明,与传统BP神经网络相比,APSO-LM-BP神经网络输出误差大大降低,训练时间更短,改善了算法的收敛精度和收敛速度,且满足挖掘机器人运动学逆解要求。该方法可以推广至任意自由度串联机器人的逆运动学求解,具有较强的实用性。     

一种基于BP神经网络整定的PID控制器的算法改进

在机器人足球比赛中,底层运动控制作为重要的一个部分,其控制器的设计,对机器人能否平稳、快速的到达指定点有着很大的意义.BP神经网络算法,它能以任意精度逼近任意非线性函数,而且结构简单、逼近性能良好,是一种性能优良的神经网络算法.文章中通过运用BP神经网络整定PID控制参数,介绍了其对中型组两轮驱动的足球机器人的底层运动控制器的算法进行设计并优化后达到的对机器人良好的运动控制效果.     

基于混合算法的磁悬浮隔振器模型辨识与验证

针对磁悬浮隔振器动态电磁力模型存在非线性及磁滞且很难建立其精确模型的问题,提出了基于BP算法、改进遗传（MGA）算法的混合算法的BP神经网络的模型辨识方法,建立了磁悬浮隔振器动态电磁力气隙电流关系的模型。结果表明,基于混合训练算法辨识得到的模型具有更高的精度,能够满足磁悬浮隔振器动态电磁力模型辨识需求。最后,搭建了磁悬浮隔振实验平台,建立控制模型,并验证了辨识模型的有效性。     

GA-BP神经网络在伺服系统辨识中的应用

针对BP算法在系统辨识应用中的不足,提出了一种基于遗传算法(GA)的BP神经网络建模方法.该算法充分利用了遗传算法和BP算法各自的优点.采用该算法完成了具有复杂非线性的某伺服系统的建模工作.实验结果表明了该算法的有效性.