机器人技术张玖第5章机器人控制系统课件教学.pptVIP

第5章 机器人控制系统 2) 基于模糊关系的推理 当模糊推理的输人信息是定性术语（以相应的模糊集表示）时，可以基于模糊关系作推理。 设模糊规则形如 模糊命题 P和H相应的模糊集 和 分别建立在论域UP和UH上（相应的元素变量为xP，xH）。令 指示从P推出H的模糊关系，则定义 ： 当实际的输人信息是模糊命题P‘（相应的模糊集为 ）的，则模糊推理的输出H’（相应的模糊集为 ）表示为： 设UP=UH={1，2，3，4，5}，是关于长度的论域，论域中元素的量度单位是“米”。现有模糊规则为“ ”，定义定性术语“短”和“长”模糊集 和 分别为（隶属程度为0的项省略）。 在求模糊关系时，忽略模糊集中元素的表示（以排列次序指示），则可表示成矩阵。则有： 若模糊推理的实际输入是模糊命题“xP略短”，其相应模糊集定义为： 则有： 即： 前面的推理结果不很合理，因为实际输入为“xP略短”和“xP短”时的推理结果似乎不应相同。主要原因在于模糊关系只基于一条规则求出，当模糊规则增加时，即可以求得较为贴切的模糊关系和更合理的推理结果。 每条规则的模糊关系分别为 、 … 则综合的模糊关系定义为： 在实际应用中，规则的前提常表示为若干模糊命题的合取，则： 5.5.3 神经网络的基本知识 1. 概述 人工神经网络 ：是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。 2．人工神经网络优点 1) 巨量并行性。 2) 高度鲁棒性和容错能力。 3) 分布存储和自组织自学习能力。 4) 能充分逼近复杂的非线性关系。 3．人工神经网络研究内容 （1）理论研究：ANN模型及其学习算法 （2）实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径。 （3）应用的研究 5.5.4 神经元网络模型和基础 1． 神经元模型 输入标量通过乘以权重为标量w的连结点得到结果wp，加权的输入wp仅仅是转移函数f的参数，函数的输出是标量a。 神经元模型 2．带向量输入的神经元 3．网络结构 （1）单层神经元网络 （2）输入向量元素经加权矩阵W作用输入网络 4．多层神经元网络 一个网络可以有几层，每一层都有权重矩阵W，偏置向量b和输出向量a。为了区分这些权重矩阵、输出矩阵等等，在图中的每一层，我们都为感兴趣的变量以上标的形式增加了层数。 多层神经元网络函数图 5. BP神经网络 一个经过训练的BP网络能够根据输入给出合适的结果，虽然这个输入并没有被训练过。这个特性使得BP网络很适合采用输入/目标对进行训练，而且并不需要把所有可能的输入/目标对都训练过。 （1）BP网络建模特点 非线性映照能力： 并行分布处理方式： 数据融合的能力： 多变量系统： （2）样本数据 采用BP神经网络方法建模的首要和前提条件是有足够多典型性好和精度高的样本。而且，为监控训练（学习）过程使之不发生“过拟合”和评价建立的网络模型的性能和泛化能力，必须将收集到的数据随机分成训练样本、检验样本（10%以上）和测试样本（10%以上）3部分。此外，数据分组时还应尽可能考虑样本模式间的平衡。 （3）输入/输出变量的确定及其数据的预处理 6. 神经网络的训练 （1）训练 BP网络的训练就是通过应用误差反传原理不断调整网络权值使网络模型输出值与已知的训练样本输出值之间的误差平方和达到最小或小于某一期望值。 （2）学习率和冲量系数 学习率影响系统学习过程的稳定性。大的学习率可能使网络权值每一次的修正量过大，甚至会导致权值在修正过程中超出某个误差的极小值呈不规则跳跃而不收敛；但过小的学习率导致学习时间过长，不过能保证收敛于某个极小值。 增加冲量项的目的是为了避免网络训练陷于较浅的局部极小点。 （3）网络的初始连接权值 BP算法决定了误差函数一般存在（很）多个局部极小点，不同的网络初始权值直接决定了BP算法收敛于哪个局部极小点或是全局极小点。因此，要求计算程序必须能够自由改变网络初始连接权值。 （4）网络模型的性能和泛化能力 训练神经网络的首要和根本任务是确保训练好的网络模型对非训练样本具有好的泛化能力（推广性），即有效逼近样本蕴含的内在规律，而不是看网络模型对训练样本的拟合能力。 （5）合理网络模型