神经网络在关节型机器人逆运动学建模中的应用研究论文答辩随着工业自动化的发展，实用机器人越来越多，各种自动化机械广泛的应用。利用机器人不仅可以完成大量简单重复性的工作，还可以代替人做一些复杂·繁重·危险性的工作，从而提高了效率和质量。对于工程机械机器人，机器人逆运动的研究对提高自动化控制程度具有重要的意义。现近年来阶段，机器人智能化控制和智能自动化的程度越来越高，智能应用越来越广泛。利用BP神经网络研究机器人的逆运动，将运动问题转化为神经网络的权值就行训练，从而实现机器人由工作空间到关节空间的非线性映射。这种新的思路避免的很多问题，对机器人控制研究有很重要的意义。2.关节型机器人运动与研究机器人的运动主要可以是由平移和转动组成的。在用D-H法建立坐标系后，i-1系与i系之间的关系用坐标系的平移和旋转来实现，可以得到一般矩阵。如上图所示：二关节平面机械手臂运用几何关系的前向运动学方程为：式中x，y为机械手末端位置L1、L2是2杆的长度L1=2.764m.L2=1.233mθ1、θ2是机械手连杆的转角采用三层前向神经网络建立二关节机械手逆运动的模型。2.2机器人逆运动机器人的运动学逆解指：给定坐标系所期望的位置，找出该位置形态的关节转角。这里不是把已知的变量带入正向运动学中，而是设法找出这些方程的逆，从而得到所需的关节变量。事实上，动学机器人的控制器就是用用这些方程来求的关节转角值，以此来达到控制机器人的目的。通常情况下，机器人手臂关节连杆数量较多，在一个较大的空间里，其达到目标的路径较多，因此其解的数目也不是唯一的。对于一个6自由度全旋转的机械臂来说，其解可达到16中之多。3.神经网络概述神经网络由排列成层的处理单元组成，接受输入信号的单元叫输入层，接受输出信号的单元层叫输出层，不直接与输入输出发生联系的单元层叫隐层。如果输入网络一组数据，在网络输入层的每个单元都接收到输入模式的一部分；然后输入层将输入通过连接权传递给隐层。隐层接受到整个输入模神经网络的结构是由基本处理单元及其互连方法决定的。连接机制的基本处理但愿和神经生物类比往往称为神经元。前馈型神经网络中最典型的是BP神经网络，它是神经网络理论中最完善、应用最为广泛的网络之一。由于有很好的逼近非线性映射的能力，BP网络可应用于信息处理、图像识别、模型辨识、系统控制等多个方面。对于控制方面的应用，其很好的逼近特性和泛化能力是一个很好的性质。但其收敛速度慢的缺点，难以满足具有适应功能的实时控制的要求。这是因为它采用的是非线性规划中的最速下降法，所以存在收敛速度慢、易陷入局部极小的缺陷。所以我们一般采用其改进型算法。一般的BP网络改进学习算法主要分成两类：神经网络的基本算法流程图如下：对于给定的二自由度机械手模型运用BP算法记性训练和仿真。基本过程如下：定义输入样本和输出样本。生成对于的网络：net=newff(minmax(input_train),[72],{'tansig','purelin'},'trainlm');设定参数：net.trainParam.show=50;net.trainParam.lr=0.05;net.trainParam.epochs=500;net.trainParam.goal=0.0001;对网络进行训练：net=train(net,input_train,output_train);完成训练后，对网络进行仿真:y=sim(net,input_train);在用测试数据测试网络，验证其准确性：y1=sim(net,input_test);绘制仿真误差图：40组训练数据实际输出与训练输出的误差图，10组训练数据实际输出与测试输出的误差图。figure(1)plot(c,output_train-y,'-*');title('BP网络训练误差');legend('训练样本误差');ylabel('训练绝对误差');xlabel('样本个数');grid4.BP神经网络在机械手逆运动学中的建模，仿真与分析当选取网络的隐层为2时，得到的训练误差图为无法达到训练的目标要求，经过30步的迭代后，训练目标值为一个定值。我在选取较大的隐层误差14，训练误差虽然只需要25布就可以达到训练目标要求，但是训练数据实际输出与仿真输出的误差确实呈现发散状，无法打到仿真训练对于精度的要求。学习率的主要作用是调整权值和阈值的修正值，也是神经网络非常重要的一个参数。学习率的设置对BP算法的收敛性有很大的影响。学习率过小，误差波动小，但学习速度慢,往往由于训练时间的限制而得不到满意解；学习率过大,学习速度加快,会引起网络出现摆动现象,导致不收敛的危险。通过不断的学习、调试，我最终确定了2-7-2的网络