期望 期 04 细 0.2040.60.8 00.2040.60.81 时间t(see) 关节1轨迹 关节2轨迹跟踪 0.15 0.05 -0.05 -0.1 02040.60.8 002040608 时间r( 时间t(sec) 关节1轨迹跟踪误差 关节2轨迹跟踪误差 7.3机器人的模糊高斯基神经网络控制 模糊控制不依赖模型,具有鲁棒自适应特性,但因为尚不具有自学习特性,因而还不能大范围适应时 变、不确定和强非线性。尤其是需要足够的先验知识,当这种先验知识不具备时,模糊控制器的设计会遇 到难以逾越的障碍。 近年来成功应用的神经网络控制方法,既像模糊控制那样不依赖于系统模型,又可在无先验知识的情 况下通过在线训练获得控制的技能和规则,也即获得控制器的参数。再加上它的高度冗余和参数分散存贮 方式,使其具有很强的鲁棒性和高度的自适应特性,能适应高度非线性、不确定、一定范围时变性的控制 要求。它的不足在于控制器参数分散存贮造成的控制器非参数化,带来解析分析的困难 本节的模糊高斯神经网络控制是采用高斯基函数作为模糊控制器的隶属度函数,并且用神经网络来实 现模糊控制的规则推理,称为模糊髙斯基神经网络( FGBNN。将神经网络与模糊控制结合起来组成模糊神 经网络,能够较好地克服二者各自的缺点,既可以使模糊控制具有自学习的能力,又可以赋予神经网络推 理归纳的能力,同时还能够使网络的结构、权值具有明确的物理意义,使得网络的设计和初始化都十分容 易。从而即发挥了模糊控制的 Model-lre控制的优势、最大限度地采用了工艺及控制专家的先验知识,同 时又利用了神经网络的自学习能力和高度冗氽带来的强鲁棒性,从而使常规的模糊控制方法变的鲁棒性、 自适应性更强,控制器实现方法更加有效。 731系统设计 PDF文件使用" pdffactory Pro"试用版本创建ww. fineprint,com,cn7.3 机器人的模糊高斯基神经网络控制 模糊控制不依赖模型，具有鲁棒自适应特性，但因为尚不具有自学习特性，因而还不能大范围适应时 变、不确定和强非线性。尤其是需要足够的先验知识，当这种先验知识不具备时，模糊控制器的设计会遇 到难以逾越的障碍。 近年来成功应用的神经网络控制方法，既像模糊控制那样不依赖于系统模型，又可在无先验知识的情 况下通过在线训练获得控制的技能和规则，也即获得控制器的参数。再加上它的高度冗余和参数分散存贮 方式，使其具有很强的鲁棒性和高度的自适应特性，能适应高度非线性、不确定、一定范围时变性的控制 要求。它的不足在于控制器参数分散存贮造成的控制器非参数化，带来解析分析的困难。 本节的模糊高斯神经网络控制是采用高斯基函数作为模糊控制器的隶属度函数，并且用神经网络来实 现模糊控制的规则推理，称为模糊高斯基神经网络(FGBNN)。将神经网络与模糊控制结合起来组成模糊神 经网络，能够较好地克服二者各自的缺点，既可以使模糊控制具有自学习的能力，又可以赋予神经网络推 理归纳的能力，同时还能够使网络的结构、权值具有明确的物理意义，使得网络的设计和初始化都十分容 易。从而即发挥了模糊控制的 Model-Free 控制的优势、最大限度地采用了工艺及控制专家的先验知识，同 时又利用了神经网络的自学习能力和高度冗余带来的强鲁棒性，从而使常规的模糊控制方法变的鲁棒性、 自适应性更强，控制器实现方法更加有效。 7.3.1 系统设计 PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.com.cn