西安工业大学学报
西安工業大學學報
서안공업대학학보
Journal of Xi'an Technological University
2015年
8期
678-682
,共5页
BP 神经网络%避障控制模型%权值调节%学习率
BP 神經網絡%避障控製模型%權值調節%學習率
BP 신경망락%피장공제모형%권치조절%학습솔
BP neural network%obstacle avoidance control model%weight adjustment%training rate
针对传统 BP 神经网络在未知环境下机器人路径规划及避障算法中存在权值调节收敛速度慢、易陷入局部极小点、网络结构不稳定等问题，基于权值调节收敛速度与学习率之间的关系，通过引入调节因子及设置参数 k inc 和 k dec 对传统 BP 神经算法进行了改进，实现了学习率的大小动态调节，优化了权值的收敛．利用改进后 BP 神经网络算法，给出了一种新型机器人二级 BP 神经网络避障控制模型．仿真结果表明：该模型用于障碍物实时识别及机器人快速避障时有效可行，障碍物识别率达到80．5％～99．5％，避障路径趋近最优直线路径．
針對傳統 BP 神經網絡在未知環境下機器人路徑規劃及避障算法中存在權值調節收斂速度慢、易陷入跼部極小點、網絡結構不穩定等問題，基于權值調節收斂速度與學習率之間的關繫，通過引入調節因子及設置參數 k inc 和 k dec 對傳統 BP 神經算法進行瞭改進，實現瞭學習率的大小動態調節，優化瞭權值的收斂．利用改進後 BP 神經網絡算法，給齣瞭一種新型機器人二級 BP 神經網絡避障控製模型．倣真結果錶明：該模型用于障礙物實時識彆及機器人快速避障時有效可行，障礙物識彆率達到80．5％～99．5％，避障路徑趨近最優直線路徑．
침대전통 BP 신경망락재미지배경하궤기인로경규화급피장산법중존재권치조절수렴속도만、역함입국부겁소점、망락결구불은정등문제，기우권치조절수렴속도여학습솔지간적관계，통과인입조절인자급설치삼수 k inc 화 k dec 대전통 BP 신경산법진행료개진，실현료학습솔적대소동태조절，우화료권치적수렴．이용개진후 BP 신경망락산법，급출료일충신형궤기인이급 BP 신경망락피장공제모형．방진결과표명：해모형용우장애물실시식별급궤기인쾌속피장시유효가행，장애물식별솔체도80．5％～99．5％，피장로경추근최우직선로경．
The conventional BP neural network has slow convergence of weight adjusting in robot obstacle avoidance algorithm.The relationship between weight vector and the convergence speed adjustment is investigated,the regulatory factor is introduced,and the k inc ,k dec parameters are set to implement dynamically adjusting the size of the vector to improve BP neural algorithm.A new two level BP neural network model is designed.This model can accurate identify the types of obstacles and fast achieve obstacle avoidance.The simulation results prove that the new network model and the improved algorithm can identify the type of obstacle by 80.5%~99.5%,obstacle avoidance path is closed to the optimal linear path.
