[發明專利]基于RBF神經網絡的機械手運動學逆解方法

在審

• 申請號: 201710207954.3
• 申請日: 2017-03-31
• 公開（公告）號: CN106914897A
• 公開（公告）日: 2017-07-04
• 發明（設計）人: 惠記莊;武琳琳;趙斌;張澤宇;程順鵬
• 申請（專利權）人: 長安大學
• 主分類號: B25J9/16
• 分類號: B25J9/16;G06F17/50;G06N3/08
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙)61218
• 代理人: 惠文軒

1.一種基于RBF神經網絡的機械手運動學逆解方法，其特征在于，所述方法包括如下步驟：

步驟1，獲取機械手運動樣本對，所述機械手運動樣本對由機械手末端執行器的位姿和機械手關節角度組成；

步驟2，設置所述RBF神經網絡的樣本輸入和期望輸出，所述RBF神經網絡的樣本輸入為所述機械手末端執行器的位姿，所述RBF神經網絡的期望輸出為所述機械手關節角度；

步驟3，根據所述RBF神經網絡的樣本輸入和期望輸出，采用正交最小二乘方法確定所述RBF神經網絡的網絡參數，得到滿足誤差要求的RBF神經網絡的網絡參數，所述RBF神經網絡的網絡參數包含高斯基函數的中心矢量和基寬向量，以及網絡輸出權值；

步驟4，獲取機械手末端執行器的實際位姿，將所述實際位姿輸入到所述滿足誤差要求的RBF神經網絡的輸入層，所述滿足誤差要求的RBF神經網絡的輸出層輸出機械手關節角度，從而完成機械手運動學逆解。

2.根據權利要求1所述的一種基于RBF神經網絡的機械手運動學逆解方法，其特征在于，所述RBF神經網絡包含輸入層、隱含層和輸出層，步驟2中，

所述RBF神經網絡的輸入層與輸出層均包含N個神經元，所述RBF神經網絡的隱含層神經元個數為M個，其中，N、M均為大于零的正整數；

所述輸入層接收輸入樣本X＝[x₁,x₂,…x_i,…,x_N]^T，所述輸入樣本為所述機械手末端執行器的位姿；所述隱含層輸出矩陣為H＝[h₁,h₂,…,h_j,…h_M]^T，且：

其中，h_j表示隱含層第j個神經元的輸出，為高斯基函數，C_j＝[c₁,c₂,…c_M]^T表示隱含層第j個神經元的中心矢量，b_j為隱含層第j個神經元的基寬向量，且RBF神經網絡的基寬向量B＝[b₁,b₂,…,b_j,…b_M]^T，所述基寬向量設置為常數向量，||·||為歐式范數，x_i為RBF神經網絡輸入層第i個神經元的輸入樣本；

記所述RBF神經網絡的實際輸出樣本為Y＝[y₁,y₂,…y_N]^T，所述輸出樣本為所述機械手關節角度，且RBF神經網絡輸出層第i個神經元的輸出值y_i為：

$\begin{array}{cc}{y}_i=\underset{j=1}{\overset{M}{\Σ}}{h}_j{w}_{ij}& i=1,2,\mathrm{3...}N\end{array}$

其中，w_ij為輸出層第i個神經元與隱含層第j個神經元之間的權值。

3.根據權利要求2所述的一種基于RBF神經網絡的機械手運動學逆解方法，其特征在于，步驟3中，采用正交最小二乘方法確定所述RBF神經網絡的網絡參數，得到滿足誤差要求的RBF神經網絡的網絡參數，具體包括：

(3a)預選取隱含層輸出神經元個數為M個，即RBF神經網絡的隱節點數為M個；且M的初值為1；所述RBF神經網絡的最大允許隱節點數為輸入樣本的最大列數；

(3b)選定輸入樣本X＝[x₁,x₂,…x_i,…,x_N]^T的子集C_j＝[c₁,c₂,…c_M]^T作為中心矢量，RBF神經網絡的基寬向量B＝[b₁,b₂,…,b_j,…b_M]^T中每個元素采用固定的值0.6；

(3c)根據所選定的中心矢量和輸入樣本，計算所述RBF神經網絡的隱含層輸出矢量h_j(1≤j≤M)與網絡輸出權值的正交最小二乘解g_j(1≤j≤M)；

(3d)將隱含層輸出矢量h_j(1≤j≤M)通過施密特正交化過程轉換為正交矢量u_j(1≤j≤M)；計算各正交矢量對期望輸出的貢獻能量值選擇最大貢獻能量值所對應的正交矢量u_j(j＝1,2…M)作為高斯基函數的最終中心矢量c_j(1≤j≤M)；其中，期望輸出d＝[d₁,d₂,...,d_i,...,d_N]；

(3e)獲取上三角矩陣A，由g_j＝Aw_ij利用廣義逆進行網絡輸出權值w_ij的求解，A為一個M×M的上三角陣，且對角元素為1，1≤i≤N，1≤j≤M；

(3f)由子步驟(3d)中得到的高斯基函數的最終中心矢量以及子步驟(3e)得到的網絡輸出權值，確定每個隱節點的最終輸出矢量h_j(1≤j≤M)；

(3g)計算所述RBF神經網絡的實際輸出值1≤i≤N，1≤j≤M；

(3h)根據所述RBF神經網絡的實際輸出值和所述RBF神經網絡的期望輸出計算RBF神經網絡的訓練誤差

(3i)設置所述RBF神經網絡的誤差門限，若所述訓練誤差大于所述誤差門限，則將所述RBF神經網絡的隱節點數M加1，并依次重復執行子步驟(3b)至(3h)；

若所述訓練誤差小于所述誤差門限或者M的值達到RBF神經網絡的最大允許隱節點數，則記錄最終所獲得的RBF神經網絡的網絡參數。