改进RBFNN求机械臂轨迹跟踪的研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (5): 216-219.

改进RBFNN求机械臂轨迹跟踪的研究

魏娟¹，杨恢先²，谢海霞³

1.湘潭大学信息工程学院，湖南湘潭 411105
2.湘潭大学材料与光电物理学院，湖南湘潭 411105
3.琼州学院物理系，海南五指山 572200

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-02-11 发布日期:2011-02-11

Research of trajectory tracking for manipulator using improved RBF neural network

WEI Juan¹，YANG Huixian²，XIE Haixia³

1.College of Information Engineering，Xiangtan University，Xiangtan，Hunan 411105，China
2.Faculty of Material and Photoelectronic Physics，Xiangtan University，Xiangtan，Hunan 411105，China
3.Department of Physics，Qiongzhou University，Wuzhishan，Hainan 572200，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-02-11 Published:2011-02-11

摘要/Abstract

摘要：

为了使机械臂准确跟踪目标轨迹，达到控制精度高、实时性好的目的，提出一种改进的径向基函数（RBF）模糊神经网络算法。该算法采用模糊遗传算法在线调整神经模糊控制器的参数，对其参数进行改进和优化，同时采用最近邻聚类算法对控制器的模糊规则库进行更新。仿真结果表明，该算法与传统的神经网络算法相比具有较好的性能，学习速度快，跟踪精度高，并具有良好的控制性能和自学习能力。

关键词: 踪迹跟踪, 径向基函数神经网络, 模糊遗传算法, 最近邻聚类算法

Abstract: In order to make a manipulator track the target trajectory accurately and get good real-time performance，an improved RBF fuzzy neural network algorithm is put forward.This algorithm uses a novel fuzzy genetic algorithm to regulate the parameters of fuzzy controller and the parameters are optimized.Simultaneously the nearest neighbor clustering algorithms are used to refresh the fuzzy rules.In the simulation，compared with traditional fuzzy algorithms，this improved algorithm gets better performance，learning speed，high precision tracking and has good control performance and self-learning ability.

Key words: trajectory tracking, Radial Basis Function Neural Network（RBFNN）, Fuzzy Genetic Algorithms（FGA）, Nearest Neighbor Clustering Algorithms（NNCA）

魏娟¹，杨恢先²，谢海霞³. 改进RBFNN求机械臂轨迹跟踪的研究[J]. 计算机工程与应用, 2011, 47(5): 216-219.

WEI Juan¹，YANG Huixian²，XIE Haixia³. Research of trajectory tracking for manipulator using improved RBF neural network[J]. Computer Engineering and Applications, 2011, 47(5): 216-219.

[1]	郑雪辉，王士同. 基于迁移学习的径向基函数神经网络学习[J]. 计算机工程与应用, 2016, 52(5): 6-10.
[2]	周霞，柳絮青，王宪，孙子文，邓源. 基于特征融合的人体行为识别算法[J]. 计算机工程与应用, 2013, 49(7): 162-166.
[3]	赵勇. 基于GA-RBFNN算法的列车车轮踏面损伤识别[J]. 计算机工程与应用, 2012, 48(8): 32-34.
[4]	李霞，蒋盛益. 改进的共享最近邻聚类算法[J]. 计算机工程与应用, 2011, 47(8): 138-142.
[5]	王莉莉，乔立勇，陈宇，陈德运. 基于特征提取和RBF神经网络的ECT流型辨识[J]. 计算机工程与应用, 2011, 47(5): 175-178.
[6]	薛升翔1，贾振红1，杨杰2，庞韶宁3. 用蛙跳算法优化RBF神经网络参数的研究[J]. 计算机工程与应用, 2011, 47(28): 59-61.
[7]	杨进宝，汪鲁才. 称重传感器非线性误差自适应补偿方法[J]. 计算机工程与应用, 2011, 47(16): 242-245.
[8]	刘军霞，阳春华，王雅琳. 螺旋分级过程数学模型研究及应用[J]. 计算机工程与应用, 2010, 46(4): 230-232.
[9]	杨长盛,陶亮. 几种机器学习方法在人脸识别中的性能比较[J]. 计算机工程与应用, 2009, 45(4): 169-172.
[10]	罗仁泽¹,冉瑞生²,王汝言³. 奇异值和RBF神经网络的彩色人脸识别[J]. 计算机工程与应用, 2009, 45(4): 190-192.
[11]	李晓辉¹，刘君^1，2，刘道琼³，孙康明¹. 自适应模糊遗传算法在轮胎花纹降噪中的应用[J]. 计算机工程与应用, 2009, 45(22): 209-211.
[12]	张江涛,刘旭敏. 一种基于代数算法的RBF神经网络优化方法[J]. 计算机工程与应用, 2008, 44(5): 96-98.
[13]	田俊峰,张晶,毕志明. 基于改进RBF神经网络的入侵检测研究[J]. 计算机工程与应用, 2008, 44(31): 135-138.
[14]	卢京潮,张家明. 直升机横侧向通道模糊自适应控制律设计[J]. 计算机工程与应用, 2007, 43(34): 236-238.
[15]	张顶学,关治洪,刘新芝. 基于PSO的RBF神经网络学习算法及其应用 [J]. 计算机工程与应用, 2006, 42(20期): 13-.