神經(jīng)網(wǎng)絡(luò)在智能機(jī)器人導(dǎo)航系統(tǒng)中的應(yīng)用研究1神經(jīng)網(wǎng)絡(luò)在環(huán)境感知中的應(yīng) 用 對環(huán)境 的感 知 ，環(huán)境模型 妁表示 是非常重要 的。未 知 環(huán)境中的障礙物的幾何形狀是不確定的，常用的表示方浩是 槽格法。如果用冊格法表示范圍較大的工作環(huán)境，在滿足 精度要求 的情況下，必定要占用大量的內(nèi)存，并且采用柵 格法進(jìn)行路徑規(guī)劃，其計算量是相當(dāng)大的。Kohon~n自組織 神經(jīng)瞬絡(luò)為機(jī)器人對未知環(huán)境的蒜知提供了一條途徑。 Kohone~沖經(jīng)網(wǎng)絡(luò)是一十自組織神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)的結(jié) 果能體現(xiàn)出輸入樣本的分布情況，從而對輸入樣本實現(xiàn)數(shù) 據(jù)壓縮 。基于 網(wǎng)絡(luò) 的這些特 性，可采 用K0h0n曲 神經(jīng)元 的 權(quán)向量來表示 自由空間，其方法是在 自由空間中隨機(jī)地選 取坐標(biāo)點xltl【可由傳感器獲得】作為網(wǎng)絡(luò)輸入，神經(jīng)嘲絡(luò)通 過對大量的輸八樣本的學(xué)習(xí)，其神經(jīng)元就會體現(xiàn)出一定的 分布形 式 學(xué)習(xí)過程如下：開 始時網(wǎng)絡(luò)的權(quán)值隨機(jī)地賦值 ， 其后接下式進(jìn)行學(xué) 習(xí)： ， 、 Jm(，)+叫f)f，)一珥ff)) ∈N，(f) (，) VfeN．(f1 其 中M(f1：神經(jīng)元 1在t時刻對 應(yīng)的權(quán)值 ；a(∽ 謂整系 數(shù) ； (『l網(wǎng)絡(luò)的輸八矢量；Ⅳ()：學(xué)習(xí)的 I域。每個神經(jīng)元能最 大限度 地表示一 定 的自由空間 。神經(jīng) 元權(quán) 向量的最 小生成 樹可以表示出自由空問的基本框架。網(wǎng)絡(luò)學(xué)習(xí)的鄰域 (，) 可 以動 態(tài)地 定義 成矩形 、多邊 形 。神經(jīng) 元數(shù)量 的選取取 決 于環(huán)境 的復(fù)雜度 ，如果神 經(jīng)元 的數(shù)量 太少 ．它們就 不能 覆 蓋整十空間，結(jié)果會導(dǎo)致節(jié)點穿過障礙物區(qū)域 如果節(jié)點 妁數(shù)量太大 ．節(jié)點就會表示更多的區(qū)域，也就得不到距障 礙物的最大距離。在這種情況下，節(jié)點是對整個 自由空間 的學(xué) 習(xí)，而不是 學(xué)習(xí)最 小框架空 間 。節(jié) 點的數(shù) 量可 以動態(tài) 地定義，在每個學(xué)習(xí)階段的結(jié)柬．機(jī)器人會檢查所有的路 徑．如檢鍘刊路徑上有障礙物 ，就意味著沒有足夠的節(jié)點 來 覆蓋整 十 自由窯 間，需要增加 網(wǎng)絡(luò)節(jié)點來 重新學(xué) 習(xí) 所 138一 以為了收斂于最小框架表示 ，應(yīng)該采用較少的網(wǎng)絡(luò) 節(jié)點升 始學(xué)習(xí)，逐步增加其數(shù)量。這種方法比較適臺對擁擠的'E{= 境的學(xué)習(xí)，自由空間教小，就可用線段表示；若自由空問 較大，就需要由二維結(jié)構(gòu)表示 。 采用Kohonen~沖經(jīng)阿絡(luò)表示環(huán)境是一個新的方法。由 于網(wǎng)絡(luò)的并行結(jié)構(gòu)，可在較短的時間內(nèi)進(jìn)行大量的計算。并 且不需要了解障礙物的過細(xì)信息．如形狀、位置等 通過 學(xué)習(xí)可用樹結(jié)構(gòu)表示自由空問的基本框架，起、終點問路 徑 可利用樹的遍 歷技術(shù)報容易地被找到 在機(jī)器人對環(huán)境的感知的過程中，可采用人】：神經(jīng)嘲 絡(luò)技術(shù)對 多傳 感器的信息進(jìn) 行融臺 。由于單個傳感器僅能 提 供部分不 完全 的環(huán)境信息 ，因此只有秉 甩 多種傳感器 才 能提高機(jī)器凡的感知能力。 2 神經(jīng) 網(wǎng)絡(luò)在局部路徑規(guī)射中的應(yīng) 用 局部路徑 規(guī)刪足稱動吝避碰 規(guī)劃 ，足以全局規(guī)荊為指 導(dǎo) 利用在線得到的局部環(huán)境信息，在盡可能短的時問內(nèi)
標(biāo)簽： 神經(jīng)網(wǎng)絡(luò) 智能機(jī)器人 導(dǎo)航
上傳時間： 2022-02-12
上傳用戶：qingfengchizhu
基于傳感器和模糊規(guī)則的機(jī)器人在動態(tài)障礙環(huán)境中的智能運動控制基于傳感器和模糊規(guī)則的機(jī)器人在動態(tài)障礙環(huán)境中的智能運動控制 oIlI～0(、r> 王 敏 金·波斯科 黃心漢 ，O、l、L (華i 面面辜寫j幕．武漢，43074) ＼I。L上、o 捌要：提出了一種基于傳感器和模糊規(guī)則的智能機(jī)器人運動規(guī)劃方法 ．該方法運用了基于調(diào)和函數(shù)分析的人 工勢能 場原 理 ．采用模糊規(guī)則 可減少推導(dǎo)勢能函數(shù)所 必須的計算 ，同時給機(jī)器人伺服 系統(tǒng)發(fā) 出指令 ，使它能夠 自動 地尋找通向目標(biāo)的路徑．提出的方法具有簡單、快速的特點，而且能對 n自由度機(jī)械手的整個手臂實現(xiàn)最碰．建立 在非線性機(jī)器人動力學(xué)之上的整 個閉環(huán)系統(tǒng)和模糊控制器 的穩(wěn)定性 由李雅普諾 夫原理 保證 ．仿真結(jié) 果證明 了該方 法 的有效性 ，通 過比較分析顯示 出文 中所提 出的最障算法的優(yōu)越性 ． 美t詞：基于傳感器的機(jī)器人運動控制；模糊規(guī)則；人工勢能場；動態(tài)避障；機(jī)器人操作手 1 叫啞oducd0n R。boIsarewjdelyusedfor詛sb inchasma~ia]b柚· 血 ， spot ： ng， spray Ijl岫 1g， mech卸icaland elec咖 icas搴enlb1y，ma al塒 IIovaland wa時 cut· ring 咖 ． ofsuch tasks_堋 llldea pri|柚ary ptd 眥 of 她 ar0botto e oncpositiontoanother withoutbur叩inginto anyobstacles． s 曲km，de． notedasthefDbotm ∞ pJan，liDgp∞ 舶1，hasbeen the倒 娜bj0ct鋤l哪gIeseat℃ll∞ ． Every method o0血∞r(nóng)I1ing 如b0tmotionplanninghas itsownadv∞ngesandapplicationdoma~ asweftasits di戤ldvaIIta麟 and constr~dnts． Therefore it would be ratherdifficulteithertoc0Ⅱ】paremethodsorton~ vate thechoio~ofan dl0‘iupon othP~s． 0州 d眥 ：1999—07—29；Revised~ ：2000一∞ 一絲 In conU~astto many n~ hods，rob
上傳時間： 2022-02-15
上傳用戶：
人工神經(jīng)網(wǎng)絡(luò)提供了一種普遍且實用的方法從樣例中學(xué)習(xí)值為實數(shù)、離散值或向量的函數(shù)反向傳播算法，使用梯度下降來調(diào)節(jié)網(wǎng)絡(luò)參數(shù)以最佳擬合由輸入-輸出對組成的訓(xùn)練集合人工神經(jīng)網(wǎng)絡(luò)對于訓(xùn)練數(shù)據(jù)中的錯誤健壯性很好人工神經(jīng)網(wǎng)絡(luò)已被成功應(yīng)用到很多領(lǐng)域，例如視覺場景分析，語音識別，機(jī)器人控制神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對于逼近實數(shù)值、離散值或向量值的目標(biāo)函數(shù)提供了一種健壯性很強(qiáng)的方法對于某些類型的問題，如學(xué)習(xí)解釋復(fù)雜的現(xiàn)實世界中的傳感器數(shù)據(jù)，人工神經(jīng)網(wǎng)絡(luò)是目前知道的最有效的學(xué)習(xí)方法反向傳搖成功例子，學(xué)習(xí)識別手寫字符，學(xué)習(xí)識別口語，學(xué)習(xí)識別人臉生物學(xué)動機(jī)ANN受到生物學(xué)的啟發(fā)，生物的學(xué)習(xí)系統(tǒng)是由相互連接的神經(jīng)元組成的異常復(fù)雜的網(wǎng)絡(luò)。ANN由一系列簡單的單元相互密集連接構(gòu)成的，其中每一個單元有一定數(shù)量的實值輸入，并產(chǎn)生單一的實數(shù)值輸出人腦的構(gòu)成，大約有1011個神經(jīng)元，平均每一個與其他104個相連神經(jīng)元的活性通常被通向其他神經(jīng)元的連接激活或抑制最快的神經(jīng)元轉(zhuǎn)換時間比計算機(jī)慢很多，然而人腦能夠以驚人的速度做出復(fù)雜度驚人的決策很多人推測，生物神經(jīng)系統(tǒng)的信息處理能力一定得益于對分布在大量神經(jīng)元上的信息表示的高度并行處理
標(biāo)簽： 機(jī)器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò)
上傳時間： 2022-04-08
上傳用戶：trh505
隨著人類社會的進(jìn)步，科學(xué)技術(shù)的發(fā)展日新月異，模擬人腦神經(jīng)網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)已取得了長足的發(fā)展。經(jīng)過半個多世紀(jì)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)在計算機(jī)科學(xué)，人工智能，智能控制等方面得到了廣泛的應(yīng)用。當(dāng)代社會是一個講究效率的社會，科技更新領(lǐng)域也是如此。在人工神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域，算法的優(yōu)化顯得尤為重要，對提高網(wǎng)絡(luò)整體性能舉足輕重.BP神經(jīng)網(wǎng)絡(luò)模型是目前應(yīng)用最為廣泛的一種神經(jīng)網(wǎng)絡(luò)模型，對于解決非線性復(fù)雜問題具有重要的意義。但是BP神經(jīng)網(wǎng)絡(luò)有其自身的一些不足（收斂速度慢和容易陷入局部極小值問題），在解決某些現(xiàn)實問題的時候顯得力不從心。針對這個問題，本文利用遺傳算法的并行全局搜索的優(yōu)勢，能夠彌補(bǔ)BP網(wǎng)絡(luò)的不足，為解決大規(guī)模復(fù)雜問題提供了廣闊的前景。本文將遺傳算法與BP網(wǎng)絡(luò)有機(jī)地結(jié)合起來，提出了一種新的網(wǎng)絡(luò)結(jié)構(gòu)，在穩(wěn)定性、學(xué)習(xí)性和效率方面都有了很大的提高。基于以上的研究目的，本文首先設(shè)計了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在此基礎(chǔ)上，應(yīng)用遺傳算法進(jìn)行優(yōu)化，達(dá)到了加快收斂速度和全局尋優(yōu)的效果。本文借助MATLAB平臺，對算法的優(yōu)化內(nèi)容進(jìn)行了仿真實驗，得出的效果也符合期望值，實現(xiàn)了對BP算法優(yōu)化的目的。關(guān)鍵詞：生物神經(jīng)網(wǎng)絡(luò)：人工神經(jīng)網(wǎng)絡(luò)；BP網(wǎng)絡(luò)；遺傳算法；仿真隨著電子計算機(jī)的問世及發(fā)展，人們試圖去了解人的大腦，進(jìn)而構(gòu)造具有人類思維的智能計算機(jī)。在具有人腦邏輯推理延伸能力的計算機(jī)戰(zhàn)勝人類棋手的同時，引發(fā)了人們對模擬人腦信息處理的人工神經(jīng)網(wǎng)絡(luò)的研究。1.1研究背景人工神經(jīng)網(wǎng)絡(luò)（Artificial Noural Networks，ANN）（注：簡稱為神經(jīng)網(wǎng)絡(luò)），是一種數(shù)學(xué)算法模型，能夠?qū)π畔⑦M(jìn)行分布式處理，它模仿了動物的神經(jīng)網(wǎng)絡(luò)，是對動物神經(jīng)網(wǎng)絡(luò)的一種具體描述。這種網(wǎng)絡(luò)依賴系統(tǒng)的復(fù)雜程度，通過調(diào)節(jié)內(nèi)部大量節(jié)點之間的關(guān)系，最終實現(xiàn)信息處理的目的。人工神經(jīng)網(wǎng)絡(luò)可以通過對輸入輸出數(shù)據(jù)的分析學(xué)習(xí)，掌握輸入與輸出之間的潛在規(guī)則，能夠?qū)π聰?shù)據(jù)進(jìn)行分析計算，推算出輸出結(jié)果，因為人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)和自學(xué)習(xí)的特性，這種學(xué)習(xí)適應(yīng)的過程被稱為“訓(xùn)練"。
標(biāo)簽： 遺傳算法 bp神經(jīng)網(wǎng)絡(luò) matlab
上傳時間： 2022-06-16
上傳用戶：jiabin
本設(shè)計首先簡要介紹了MATLAB的特點以及在整流電路中的應(yīng)用，通過對三相橋式半控整流電路實例進(jìn)行分析討論了三相橋式整流電路在不同控制角在電路帶電感性負(fù)載和電阻性負(fù)載時輸出負(fù)載電壓的變化。然后利用MATLAB SIMULINK對電力電力電路進(jìn)行仿真的方法，并給出了三相橋式整流電路在不同控制角在電路帶電感性負(fù)載和電阻性負(fù)載的仿真波形，證實了該軟件的簡便直觀、高效快捷和真實準(zhǔn)確性。與理論分析進(jìn)行對比，更容易發(fā)現(xiàn)電路中一些忽略的東西。用MATLAB系統(tǒng)建立模型和實際系統(tǒng)中的設(shè)計過程非常的相似，用戶不用進(jìn)行編程，也無需推到電路、系統(tǒng)的數(shù)學(xué)模型，就可以很快地得到系統(tǒng)的仿真結(jié)果，整個過程就像用筆在紙上畫一樣簡單，通過對仿真結(jié)果分析就可以將系統(tǒng)結(jié)構(gòu)進(jìn)行改進(jìn)或?qū)⒂嘘P(guān)參數(shù)進(jìn)行修改使系統(tǒng)達(dá)到要求的結(jié)果和性能，這樣就可以極大的加快系統(tǒng)的分析或設(shè)計過程，并使一些器件變更時對輸出電壓波形的對比更直觀方便快捷關(guān)鍵詞：MATLAB 三相半控橋 仿真模型 方便快捷
上傳時間： 2022-06-19
上傳用戶：
電磁場在目標(biāo)識別中的應(yīng)用
標(biāo)簽： 電磁場 中的應(yīng)用 目標(biāo)識別
上傳時間： 2013-04-15
上傳用戶：eeworm
激光在工藝中的應(yīng)用
標(biāo)簽： 激光 工藝 中的應(yīng)用
上傳時間： 2013-05-20
上傳用戶：eeworm
激光在精密計量中的應(yīng)用
標(biāo)簽： 激光 中的應(yīng)用 精密 計量
上傳時間： 2013-06-07
上傳用戶：eeworm
ProE軟件在壓模中的應(yīng)用
標(biāo)簽： ProE 軟件 模 中的應(yīng)用
上傳時間： 2013-06-16
上傳用戶：eeworm
CAD技術(shù)在客車模具中的生產(chǎn)和應(yīng)用
上傳時間： 2013-04-15
上傳用戶：eeworm
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
