控制理论与应用
控製理論與應用
공제이론여응용
CONTROL THEORY & APPLICATIONS
2004年
3期
373-378
,共6页
冗余机器人%神经网络%辨识
冗餘機器人%神經網絡%辨識
용여궤기인%신경망락%변식
为提高网络学习速度,提出了一种新的动态神经网络结构--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,将机器人系统返回的关节位置信息和OPTOTRAK 3020 3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,所得结果及误差分析,说明了SDIDRNN在学习能力上的优越性.
為提高網絡學習速度,提齣瞭一種新的動態神經網絡結構--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,將機器人繫統返迴的關節位置信息和OPTOTRAK 3020 3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,所得結果及誤差分析,說明瞭SDIDRNN在學習能力上的優越性.
위제고망락학습속도,제출료일충신적동태신경망락결구--상태연지수입동태체귀신경망락.이덕국PowerCubeTM모괴화궤기인위연구대상,장궤기인계통반회적관절위치신식화OPTOTRAK 3020 3유운동측량계통측득적궤기인말단위치신식작위신경망락적학습양본,대포함각충영향인소적궤기인운동모형진행료변식,소득결과급오차분석,설명료SDIDRNN재학습능력상적우월성.
