GAP-RBF自增长自消减神经网络在机器人上的应用

摘要

近年来神经网络被广泛应用于控制系统中，但是控制系统的性能很大程度上决定于辨识网络的逼近性能,而结构设计是径向基函数（Radial Basis Function，RBF）神经网络的关键。网络结构设计是指对隐单元个数和中心的选取,其对网络的收敛速度、辨识精度和泛化能力有着很大的影响。因此，本文针对隐单元个数和中心的选取进行了深入的研究，详细地介绍了RAN、MRAN和GAP-RBF三种顺序局部增量式算法。通过与反向传播（Back Propagation，BP）算法在逼近Hermite多项式和Mackey-Glass时间序列预测上的比较以及在机器人沿墙导航上的应用，验证了RAN、MRAN和GAP-RBF三种顺序局部增量式算法相对于批处理算法的优良性能。本文所要完成的具体工作如下：
　　首先，详细介绍了对顺序局部增量式算法研究的意义与背景，对几种RBF神经网络结构优化算法进行了比较，并着重对比了批处理学习算法与顺序局部增量式算法之间的优缺点。简要地说明了几种常用的顺序局部增量式算法的研究现状。
　　其次，概括地说明了神经网络的神经元模型和两种常用的神经网络结构，并引出对RBF神经网络的详细介绍。接着具体地阐述了RAN、MRAN和GAP-RBF三种算法，呈现出三种算法的实现步骤，并与BP神经网络在逼近Hermite多项式和Mackey-Glass时间序列预测的应用上进行了性能比较，验证了三种算法在逼近非线性函数上的优良性能。
　　最后，简要地介绍了Khepera II机器人平台，并设计了RBF神经网络控制器。然后将RBF神经网络控制器应用到Khepera II机器人平台上，实现了机器人在仿真环境和实时环境下沿墙导航，通过数据分析验证了RAN、MRAN和GAP-RBF三种算法在机器人应用上的可行性和性能优劣。

目录

封面

中文摘要

英文摘要

目录

1 绪 论

1.1 研究背景与意义

1.2 RBF神经网络的研究

1.3 神经网络的应用

1.4 研究内容与论文结构

2 径向基函数神经网络

2.1神经网络概述

2.2 径向基函数神经网络

2.3 本章小结

3 三种自增长自消减神经网络

3.1 RAN、MRAN与GAP-RBF概述

3.2 算法分析

3.3 BP神经网络相对于RBF网络的不足

3.4 自增长自消减神经网络在逼近Hermite 多项式中的应用

3.5自增长自消减神经网络在Mackey-Glass时间序列预测上的应用

3.6 三种算法应用比较

3.7本章小结

4 沿墙导航控制器的设计

4.1 Khepera II机器人

4.2 RBF神经网络控制器

4.3本章小结

5 实验及分析

5.1实验场景

5.2 样本点采集

5.3 仿真实验

5.4 实时实验

5.5 本章小结

6 总结与展望

致谢

参考文献