应用基础与工程科学学报
應用基礎與工程科學學報
응용기출여공정과학학보
JOURNAL OF BASIC SCIENCE AND ENGINEERING
2006年
1期
144-151
,共8页
神经网络%机器人%辨识
神經網絡%機器人%辨識
신경망락%궤기인%변식
为提高机器人模型辨识时神经网络的学习速度,改进得到一种新的神经网络拓扑结构--状态延迟输入动态递归神经网络.以德国PowerCubeTM模块化机器人为研究对象,将机器入关节位置信息和OPTOTRAK 3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本,对包含各种影响因素的机器人运动模型进行了辨识.并以此模型为基础,输入验证样本进行验证,所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性.
為提高機器人模型辨識時神經網絡的學習速度,改進得到一種新的神經網絡拓撲結構--狀態延遲輸入動態遞歸神經網絡.以德國PowerCubeTM模塊化機器人為研究對象,將機器入關節位置信息和OPTOTRAK 3020三維運動測量繫統測得的機器人末耑位置信息作為神經網絡的學習樣本,對包含各種影響因素的機器人運動模型進行瞭辨識.併以此模型為基礎,輸入驗證樣本進行驗證,所得結果及誤差分析說明瞭該神經網絡在學習能力上的優越性及辨識模型的有效性.
위제고궤기인모형변식시신경망락적학습속도,개진득도일충신적신경망락탁복결구--상태연지수입동태체귀신경망락.이덕국PowerCubeTM모괴화궤기인위연구대상,장궤기입관절위치신식화OPTOTRAK 3020삼유운동측량계통측득적궤기인말단위치신식작위신경망락적학습양본,대포함각충영향인소적궤기인운동모형진행료변식.병이차모형위기출,수입험증양본진행험증,소득결과급오차분석설명료해신경망락재학습능력상적우월성급변식모형적유효성.
