神经网络用于机器手臂控制大全

神经网络用于机器手臂控制大全神经网络用于机器手臂控制大全27/27神经网络用于机器手臂控制大全神经网络课程设计神经网络用于机器手臂的控制神经网络用于机器手臂的控制机械手是一种高度非线性、强耦合、时变的系统,对它的控制基本为两种:基于精确数学模型的传统控制和与模型没关的智能控制。由于机械手系统的复杂性,其精确的数学模型难以建立,使应用传统的控制手段对其进行的控制收效欠佳。常用的智能控制手段如模糊控制、人工神经网络等又有各自的限制性。一般说来,模糊逻辑方法诚然善于表达近似与定性的知识,却平时无学习能力;神经网络拥有学习能力,但内部知识的表达方式又是不清楚的,这样神经网络在每次学习时只能从任意初始条件开始,不能够利用必要的初始经验或知识,收敛速度慢,易坠入局部极限;而由于缺乏学习能力,模糊逻辑方法只能主观或试凑地选择隶属函数和模糊规则,不能够依照积累的经验自动地改进系统的性能。上世纪70年代依照神经生理学小脑皮层的结构特点,提出了一种小脑模型关系控制(cerebellarmodelarticulationcontroller),即CMCA神经网络,是一种近似于Perceptron的相联记忆方法,与模糊逻辑不能是相互补充的,而且也是相互结合的。第一它用连接主义来表达模糊逻辑控制器,引入了学习体系,也带来了两者结合的诸多优点,如储藏容量的减小,泛化能力的增加,以及连接主义结构的容错性等。其次,在CMAC的散布表达中,一个值由散布于好多计算单元的活性模式表示,每个计算单元又涉及好多不同样值的表达,因此每个计算单元都有一个感受野(receptivefield),即它表达的所有值的会集,这相当于每个计算单元都对应一个模糊会集,也许说感觉野相当于隶属函数,这正是它们能够有机结合的一个基础。1．CMAC的优越性神经网络可分为全局逼近神经网络和局部逼近神经网络,若是网络的一个和多个连接权系数或自适应可调参数,在输入空间的每一点对任何一个输出都有影响,则称该神经网络为全局逼近网络。如BP网络,每一次样本学习都需要重新调整网络的所有权值,收敛速度慢,易坠入局部最小,很难满足控制系统的实时性要求;若对输入空间的某个局部地域,只有少许几个连接权影响网络的输出,则称该网络为局部逼近网络,从而使局部逼近网络拥有学习速度快的优点。CMAC、RBF以及某些模糊神经网络是局部逼近网络。CMAC比其他神经网络的优越性表现在:(1)CMAC神经网络把信息储藏在局部的结构上,在保证函数逼近的前提下,张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制学习速度快。CMAC函数逼近器对学习数据出现的次序不敏感,因此,CMAC在时变、非线性系统控制中获取广泛应用。CMAC结构简单,易于硬件实现和软件实现。因此,CMAC已被越来越多的学者所关注,并获取广泛的应用。2．CMAC模型结构CMAC的模型结构如图1因此，它的工作过程是一系列照射。输入状态空间S的维数由对象决定。一般来说，输入是模拟量，需要进行量化，尔后才能送入存储区A，状态空间中的每一点将同时激活A中的c个单元。网络输出F（si）为c个对应单元中的值（即权wi）累加的结果，如对应s1输入单眼有c＝4个，则4F(s1)wii1Fig1CMAC结构模型可把c看作是信号检测单元的感觉野大小，其值与泛化能力有关，因此有时称c为范化参数。若是输入S有m个重量（输入向量时m维的），而每一重量有q个量化等级，则S的可能状态有qm个，它们都要照射到A中，并有其对应的（权）值。在S张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制中比较凑近的那些样本在A中会出现交叠，如图1中s2与s3，它们有两个权时交叠的，从而其输出F（s2）和F（s3）也较周边，这可起到泛化的作用，，对S中相距很远的矢量这种泛化是不起作用的。若是用Hamming距离d表示si，sj的差异程度，则在A储藏区内交叠的单元数约为c－dij，c－dij<0时没有交叠，c－dij>0的那些交叠区能够看作聚类的领域。这样，输入空间S中周边的向量映射后产生聚类。对一些实质系统，qm经常很大，比方10维输入，每个量化为100个等级，则输入空间有100个可能的状态，这个需要A中最少有100个权与其对应。由于绝大数学习问题其实不要包含所有状态，因此实质上不需要那么多的地址单元。A可是一个虚假地址，可把A的地址经过散列编码照射到一个小的多的物理地址Ap中，且在Ap中每一个状态也有c个地址与之对应，输出仍满足F(sj)wii但在Ap中c个单元是随机的，wi可经过学习获取，S到Ap部分是非线性照射，而Ap到输出F是线性照射。3．工作原理图2画出了一个较详细的二维输入，一维输出的CMAC模型，下面对每一部作解析。（1）S到M的照射Fig2CMAC的工作原理图张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制入二，S(s1,s2)T，量化感知器M也分两M1，M2，2中M的每一小格是一个感知器，感知器的个数是量化的数，M1和M2的量化数不用然同样，任意入1或2，在M上可找到其的感知器，泛化需要，在量化周c格感知器同被激励。如表1因此，c＝4，a，b，c，⋯⋯，l表示感知器号，s表示入一个模的量化。任一量化将引起c个感知器激活1，每个感知器也可于c个入量s。比方e是2—5之，m1的个数与聚范c同样，c可由，表1中c＝4，shijic能够很大，比方从10—100。希望S中凑近的在中也近。把表中1的表示a，b，c⋯⋯，后，可把表1整理化表2，其中每一S与m＝4个感知器。能够看进出空中周边的s在出m中也凑近，且有dijsisjmimimj表1感知器的激活情况表2与各s对应的激活感知器比方两个凑近的量s＝5和s＝4来，dijs5s41m4me,f,g，m4m355可见dijm4m4m51一般情况下，入是多的，以二情况例，s1量化5，s2量化张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制为7级，它们分别用大写和小写字母表示，如表3和表4所示。表3表2与各s对应的激活感知器表4表2与各s对应的激活感知器12在一般情况下S(si1,si2,,sin)T则SM照射为si1mi1si2mi2SMsinmin（2）M到A的照射M到A的照射是经过转动组合获取的。其原则还是输入空间周边的矢量在输出空间也周边，若是输入感知器的愉悦元为c个，无论输入是多少维，A中地址也对应c个。以二维c＝4情况为例，照射如表5，用与的关系组合后，获取A的地址表5所示。）（以下图为表5张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制在表中，s1和s2合成A，每个A中含c个元，在A中同有c个元被激励。在表5中，每一合Ae，Cf，⋯⋯都代表A中的一个地址，正如前面所，的地址共有qm个，数量很大，但能被激励的地址是特别稀罕的，可使用散技把很大的A空到小的空Ap中去。（3）A到Ap的照射散技是将散布稀罕，占用大存空的数据作一个随机生器的量，生一个占用空小的随机地址，用于存放A中的数据。一个的最方法是将A中A的地址除以一个大的数，所得余数就作一个随机，表示Ap中的地址。用散技会来触犯，即A中不同样的地址在Ap中却被照射到同一个地址，若照射的随机性很，将减少触犯的概率，但仍不能防备。在CMAC中，我忽略种触犯，因触犯部烈，可将其看作一种随机，通学算法的迭代程，可渐渐将影响减小，而不影响出果。（4）Ap到F的照射网出F(si)wi，wi存于Ap的A个地址中，因SA的iA化后，有A个地址被中，如不考触犯，在中Ap也有A个地址，由于使用散技，在Ap中A个地址是随机散布的。出是A个地址中所存的的叠加，某一入本，可通整，达到有的出。4．学算法CMAC的学采用差正算法，如3所示。修正公式w(n1)w(n)iAiF0iF(si)F0i有出，F(si)wiA＝c，合聚神元数iA修正方法能够用每个本修正一次的方法，也可用所有本都入一后在修正的批学方法。张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制Fig3CMAC的学习算法5．程序作业算法的思路来此书本，为了考据所做算法的正确性，第一使用一个一维的进行考据。经过选择能够使用CMAC算法对一个正弦波形进行逼近。见程序一。（程序见附录）主若是经过图像来看CMAC的收效，经过多次对权值的更正，达到最好的张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制收效。下面分别是三次网络的训练的逼近图。Fig1.1是训练三次的结果Fig1.2是它的权值散布，Fig2.1也是训练五次的结果，Fig2.2是它的权值散布，Fig3.1是训练九次的结果，Fig3.2是它的权值散布：(其中显示的SSe是21个点上的误差的和均方根)Fig1.2权值散布epoch=3张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制权值散布张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制epoch=3Fig3.2权值散布张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制epoch=3从上述能够看出在第六次训练的时候在规定的误差精度权值的散布已经很好的满足条件。同时能够看出cmac算法的优越性，在很少次数训练依旧能够达到很好的收效，从三次权值散布能够看出，权值散布形状大体是同样的，能够看出在很少的步骤就可以达到收效，所不同样的就是精度问题。而精度能够从误差SSE看出。在实质程序中同时还使用cmac算法对波形为阶梯波形以及脉冲波形进行训练。应用程序能够获取相应的训练结果（以以下图）梯形波形张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制权值散布脉冲波形张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制权值散布从各个不通的波形能够看出所做算法的正确性，最后依照实验要求对机器人控制的模拟.同样依照课本上的思路，由于它是五维的输入，算法相对复杂一些。（见附录程序二）课程设计要求以及原理请看《神经网络与模糊控制》P151-156的详细说明。其中最主要的部分经过cmac控制器实现，详细的学习原理能够看前面的详细叙述。张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制同样经过图形观察训练情况如图：训练一次的情况：误差和的均方根是：张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制训练第二次情况：训练第三次张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制训练第四次四次训练今后的权值散布张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制在机器人控制,使用了书上的学习步长为0.00001,但是在实质使用中,收效不是很好,收敛太慢,在实质学习中使用的学习步长是0.1,收效比较明显,但是当学习步长为0.5,1.0的时候算法变得不收敛,在本程序中能够在matlab的环境对这几种学习步进步行比较.能够详细运行程序观察。6．不足对学习步长得确定没有经过详细的解析，是经过猜想估计获取.而算法的实现很重要的一节是其鲁棒性的测试，但是由于时间问题没有对它的鲁棒性进行解析。这是很大的不足之处。7．补充在算法中求对物理地址的实质照射使用的算法有好多。本程序还使用了来自网络的算法。同样能够获取书上算法的收效，但在实验中没有详细解析各个算法不同样之处。希望在将来里能更深入的研究。附录程序一functioncmac1d()AsingleinputsingleoutputCMACnetworkhelpcmac1dclfresetpausetime=0.1;P=-1:0.1:1;P3=-1:0.005:1;INITIALIZEiprange=256;disp(sprintf('iprangeis%d',iprange));width=1;c=10;beta=0.5;memreq=c*ceil(iprange/width);s=sprintf('numberofweightsrequiredis%d',memreq);disp(s);memsize=0;INITIALISEWEIGHTS==================张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制ifmemsize==0wts=zeros(memreq,1);elsewts=zeros(memsize,1);end%PLOTCMACOUTPUT[wts,netout]=modcmac(wts,[(2.0)*64],1,1.0,1.0,iprange,c,width,memsize);fork=1:401[wts,op(k)]=opcmac(wts,[(P3(k)+2.0)*64],1,iprange,c,width,memsize);end;plot(P3,op,'r');axis([-1.0,1.0,-2.0,2.0]);title('CMACoutputafteronetrainingexample');xlabel('InputVectorP');ylabel('NetworkOutput');disp('anykeytocontinue');pause%Definetheassociatedtwenty-one1-elementtargets.z=menu('selecttargetfunction',...'dampedsinusoid',...'step',...'impulse');disp('')ifz==1.3771.6405.6600.460909883072.3960.3449.1816-.0312-.2189-.3201];elseifz==2elseendend张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制plot(P,T,'+');title('TrainingVectors');xlabel('InputVectorP');ylabel('TargetVectorT');holdonPLOTINITIALifmemsize==0wts=zeros(memreq,1);elsewts=zeros(memsize,1);endfori=1:401[wts,op(i)]=opcmac(wts,[(P3(i)+2.0)*64],1,iprange,c,width,memsize);endplot(P3,op,'m');title('FunctionApproximation');xlabel('InputVectorP');ylabel('Target+Network-');h=get(gca,'Children');h=h(1);holdonpause2(pausetime);TRAINTHENETWORK%==================TRAININGPARAMETERSmax_epoch=input('entermaximumnumberoftrainingepochs');epoch=1;SSE=1;while(epoch<max_epoch)&(SSE>0.02)fori=1:21[wts,netout]=modcmac(wts,[(P(i)+2.0)*64],1,T(i),beta,iprange,c,width,memsize);endfork=1:401[wts,op(k)]=opcmac(wts,[(P3(k)+2.0)*64],1,iprange,c,width,memsize);endfori=1:21[wts,p]=opcmac(wts,[(P(i)+2.0)*64],1,iprange,c,width,memsize);张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制neterr(i)=T(i)-p;endSSE=sumsqr(neterr);fprintf('epoch=%dSSE=%5.3f\n',epoch,SSE);delete(h);h=plot(P3,op,'m');drawnowpause2(pausetime);epoch=epoch+1;endenddisp('anykeytocontinue');pauseholdoffbar(wts,'r')title('NetworkWeights');xlabel('WeightNumber');ylabel('WeightValue');ifmemsize==0set(gca,'xlim',[0memreq]);elseset(gca,'xlim',[0memsize]);endfunction[wts,op]=opcmac(wts,ip,ipdim,iprange,c,width,memsize)OP=OPCMAC(WTS,IP,IPRANGE,C,WIDTH,MEMSIZE)HASH=12345;addrs=zeros(c,1);quantisation=ceil(iprange/width);offset=width/c;ofs=0;op=0;fori=1:caddress=0;shift=1.0;forj=1:ipdim%address=address+rem((ceil((ip(j)+ofs)/width)),quantisation)*shift;address=address+ceil(ip(j)/width)*shift;shift=shift*quantisation;end;address=address+shift*i;ifmemsize>0张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制addrs(i)=ceil(rem(((log(address+1))*HASH),memsize));else%addrs(i)=ceil(rem(address,c*ceil(iprange/width)));memreq=c*ceil(iprange/width);addrs(i)=ceil(rem(address,memreq));end;ofs=ofs+offset;op=op+wts(addrs(i));end;function[wts,mod]=modcmac(wts,ip,ipdim,target,beta,iprange,c,width,memsize)addrs=zeros(c,1);quantisation=ceil(iprange/width);offset=width/c;ofs=0;sum=0.0;fori=1:caddress=0;shift=1.0;forj=1:ipdimaddress=address+ceil(ip(j)/width)*shift;shift=shift*quantisation;end;address=address+shift*i;ifmemsize>0addrs(i)=ceil(rem((log(address+1)*HASH),memsize));elsememreq=c*ceil(iprange/width);addrs(i)=ceil(rem(address,memreq));end;ofs=ofs+offset;sum=sum+wts((addrs(i)));end;delta=beta*(target-sum)/c;fori=1:cwts(addrs(i))=wts(addrs(i))+delta;end;mod=sum+delta*c;程序二functionrobot()%neuralnetworkshousework张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制%usecmacsimulink2DroboticoperationCMACoperatesasaformoflookuptable.Note,however,thatitgeneralises,i.e.iscapableofproducingoutputsinresponsetoinputsnotpreviouslyexperienced.%5diminput3dimoutputhelprobot;clfreset;pausetime=0.1;quantisation=200;c=40;memsize=3080;pausez=menu('selectstepofstudying',...'0.00001',...'0.1',...'0.5',...'1.0');ifz==1seta=0.00001;elseifz==2seta=0.1;elseifz==3seta=0.5;elseifz==4seta=1.0;end;end;end;end;disp('')%seta=0.1;l=[0.50.50.5];ipdim=5;disp(sprintf('quantisationis;%d',quantisation));disp(sprintf('acceptivefieldis:%d',c));disp(sprintf('memsizeis:%d',memsize));iprange=360;width=iprange/200;datainitialxd=zeros(200,2);张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制disp('anykeytocontinue');pausez=menu('selecttargetfunction',...'Circle',...'Line');disp('')ifz==1fort=1:200xd(t,1)=0.5-0.25*cos(0.5*pi*0.02*(t-1));xd(t,2)=0.25+0.25*sin(0.5*pi*0.02*(t-1));end;elsefort=1:200%xd(t,1)=0.5-0.25*cos(0.5*pi*0.02*(t-1));%xd(t,2)=0.25+0.25*sin(0.5*pi*0.02*(t-1));xd(t,1)=0.5-0.0025*t;xd(t,2)=0.0025*t;end;end;k=1:200;holdoff;plot(xd(k,1),xd(k,2));holdon;deta=[-9.1469.87131.58];x=[l(1)*cos(deta(1)*2*pi/360)+l(2)*cos((deta(1)+deta(2))*2*pi/360)+l(3)*cos((deta(1)+deta(2)+deta(3))*2*pi/360)...l(1)*sin(deta(1)*2*pi/360)+l(2)*sin((deta(1)+deta(2))*2*pi/360)+l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360)];jmat=[-l(1)*sin(deta(1)*2*pi/360)-l(2)*sin((deta(1)+deta(2))*2*pi/360)-l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360)...-l(2)*sin((deta(1)+deta(2))*2*pi/360)-l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360)...-l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360);...l(1)*cos(deta(1)*2*pi/360)+l(2)*cos((deta(1)+deta(2))*2*pi/360)+l(3)*cos((deta(1)+deta(2)+deta(3))*2*pi/360)...l(2)*cos((deta(1)+deta(2))*2*pi/360)+l(3)*cos((deta(1)+deta(2)+deta(3))*2*pi/360)...l(3)*cos((deta(1)+deta(2)+deta(3))*2*pi/360)];wts=zeros(memsize,3);weightstacksse=1;张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制%sse=||Et||addrs=zeros(c,3);epcoh=input('enternumberoftrainingepochs');%epcoh=4;forp=1:epcohdisp('anykeytocontinue');pausek=1:200;holdoff;plot(xd(k,1),xd(k,2));holdon;fort=1:200delta_x=xd(t)-x;ip=[deta360*delta_x]+[90909000];HASH=123456;offset=width/c;ofs=0;seta_delta=[000];fori=1:caddress=0;shift=1;forj=1:ipdimaddress=address+(rem((ceil((ip(j)+ofs)/width)),quantisation))*shift;%address=address+(ceil((ip(j)/width)))*shift;shift=shift*quantisation;end;address=address+shift*i;forj=1:3addrs(i,j)=ceil(rem((log(address+1)*HASH),memsize));%addrs(i,j)=mod(address,memsize);end;ofs=ofs+offset;forj=1:3seta_delta(j)=seta_delta(j)+wts(addrs(i,j),j);end;end;deta=deta+seta_delta;x=[l(1)*cos(deta(1)*2*pi/360)+l(2)*cos((deta(1)+deta(2))*2*pi/360)+l(3)*cos((deta(1)+deta(2)+deta(3))*2*pi/360)...l(1)*sin(deta(1)*2*pi/360)+l(2)*sin((deta(1)+deta(2))*2*pi/360)+l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360)];张建文1030319100张卜南1030319078神经网络课程设计神经网络用于机器手臂的控制jmat=[-l(1)*sin(deta(1)*2*pi/360)-l(2)*sin((deta(1)+deta(2))*2*pi/360)-l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360)...-l(2)*sin((deta(1)+deta(2))*2*pi/360)-l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360)...-l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360);...l(1)*cos(deta(1)*2*pi/360)+l(2)*cos((deta(1)+deta(2))*2*pi/360)+l(3)*cos((deta(1)+deta(2)+deta(3))*2*pi/360)...l(2)*cos((deta(1)+deta(2))*2*pi/360)+l(3)*cos((deta(1)+deta(2)+deta(3))*2*pi/360)...l(3)*cos((deta(1)+deta(2)+deta(3))*2*pi/360)];Et=xd(t)-x;seta_delta=seta_delta-0.1*(-300*Et*jmat+seta_delta);deta=deta+seta_delta;x=[l(1)*cos(deta(1)*2*pi/360)+l(2)*cos((deta(1)+deta(2))*2*pi/360)+l(3)*cos((deta(1)+deta(2)+deta(3))*2*pi/360)...l(1)*sin(deta(1)*2*pi/360)+l(2)*sin((deta(1)+deta(2))*2*pi/360)+l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360)];jmat=[-l(1)*sin(deta(1)*2*pi/360)-l(2)*sin((deta(1)+deta(2))*2*pi/360)-l(3)*sin((deta(1)+deta(2)+deta(3))*2*pi/360)...-l(2)*sin((deta(1)+deta(2))*2*p