x6132型万能升降台铣床床身设计外文翻译译文

《x6132型万能升降台铣床床身设计外文翻译译文》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、提高人工神经网络的精度偏移误差补偿方法用于精密机械的位置控制Y.F.Lou*andP.Brunn制造部，机械工程学院，曼彻斯特理工大学，曼彻斯特，英国人工神经网络（神经网络）最近已成为在许多领域，包括机器人控制，在那里他们可以作为一个非线性模型的普通班，以解决高度非线性控制问题相当关注的焦点。前馈神经网络已广泛应用于建模和控制的目的。在机器人控制的人工神经网络的应用之一是逆运动学问题，这是在机器人路径规划的重要解决方案。本文提出了一种迭代的方法和偏移误差补偿方法，以提高使用人工神经网络和机器人运动

2、学模型的逆运动学解的准确性。偏移误差补偿方法提供了可能产生准确的逆解一类的问题，有一个很容易获得的正向模型和复杂的解决方案。关键词：精度;神经网络控制;机器人1.引言函数逼近技术经常被用来找到一个输入输出的对应关系，从一个给定的数据集来表示原有的功能。函数逼近的最常用的方法之一是线性拟合技术。然而，当函数是非线性的，只是一个粗略的估计，在给定的所有数据结果的线性拟合。近年来，人工神经网络技术已被用来作为一种快速，因为它能够学习从一组数据和人工神经网络的并行体系结构的非线性拟合工具。它已被证明，多层

3、前馈反向传播神经网络（BP）学习算法可以逼近任何连续的多元函数的任意精度的期望程度，只要有足够多的隐层神经元[1-3]。近似的高度非线性函数的人工神经网络的能力已被广泛应用于各种应用，如模式识别，机器人控制，图像处理等，特别是利用神经网络控制应用最近经历了快速增长。各种控制策略已建议采用人工神经网络技术[4-6]。后面的神经网络控制的想法是使用人工神经网络学习系统的特点逼近，然后用它来产生相应的控制信号。在实际的机器人控制应用人工神经网络可以提供系统识别工具，包括远期植物识别和逆植物鉴定[4]。虽

4、然人工神经网络适用于机器人控制问题的解决方案，事实上，神经控制器其职能是特定的的，主要是提供解决方案，机器人手臂的运动问题。自1987年以来，许多研究论文已发表建议机器人运动学问题，利用人工神经网络，基本上函数逼近问题的解决方案[7-9]。大多数论文采用BP神经网络来逼近复杂的逆运动学解。然而，这些神经网络解决方案的准确度比较差时，可比的解析解的对比。影响的BP人工神经网络的精度性能的因素之一是存在的局部极小。这是很难选择的网络结构和参数，如学习的BP神经网络的速度和势头，从这些地方的最低逃脱。因

5、此，这些逆运动学问题的人工神经网络解决方案不能满足实际需要精度高，性能的机器人应用的要求。本文提出了一种混合策略，迭代方法和偏移误差补偿方法，提高逆用人工神经网络技术解决方案的准确性。迭代的方法，采用容易获得的分析提出解决方案，和BP神经网络计算在复杂逆解的增量变化。被发现的一个主要因素，失调误差，居住在BP神经网络。建议方法的偏移误差补偿的引入显着提高水平的逆运动学解的精度，它可以用于实际机器人。偏移误差补偿方法也可以扩展到解决一类问题的一般。之类的问题，可以作为一个问题提出的解决方案是很容易获

6、得的类别划分，但逆解时间耗费来计算，或者即使没有逆解的解析表达式存在。逆问题，因此，可以准确地称为正向模型相结合的解决，一个迭代的BP神经网络和使用的偏移误差补偿方法。以下各节描述了通过使用偏移误差补偿方法解决机器人逆运动学问题的过程。第2部分介绍了BP神经网络，这是在本文用于网络培训。第3节介绍了在机器人逆运动学两手臂链接的问题，这是这一类问题的代表领域的重要问题。在第4节，混合策略，提出的具体问题。BP神经网络模型内，训练使用的是内置的机器人手臂上的增量信息的数据集。的一个重要因素，失调误差，

7、引入的迭代战略。在第5节描述的方法上的偏移误差的影响。最后，总结提出了在第6节。2．BP学习算法被称为广义的增量学习算法训练前馈多层神经网络作为BP神经网络[10]。BP网络（例如图1所示）是目前最流行的一个广泛的应用。BP学习算法系统修改的突触权重（WN），使网络的响应越来越接近预期的产出。虽然BP人工神经网络是接收从研究人员的重视，仍然是有没有构造最优的BP神经网络的一般过程。图1一个典型的人工神经网络的一个隐藏层该网络由输入层，输出层，至少有一个非线性处理单元层。正常的学习算法，最大限度地减

8、少递归的一套训练模式为基础的一个预定义的错误函数E。为特定的训练模式定义误差函数的EPp是错误的平方总和为所有输出单位。~和运算所需的输出分别是第k个输出单元的实际输出。是一个常数，表示学习率。函数f称为激活函数是可微的。一般在0到1之间不等，Sigmoid函数作为激活功能。然后可以得到如下[10,15]的公式来更新输出层权和隐层的权重，减少误差函数在EP的负梯度方向：一个BP神经网络的训练是一个两阶段的过程。在第一阶段，人工神经网络的传播通过每一层的输入，输出，直到产生。然后计算