神经网络作业附仿真程序MATLAB.docVIP

基于RBF的机械手无需模型自适应控制研究 一、摘要 针对机械手存在的扰动等未知模型，提出了基于RBF神经网络的自适应控制策略。采用RBF神经网络对机械手动力学模型在线学习，并根据Lyapunov稳定性理论建立了网络权值自适应学习律，确保了网络逼近误差的收敛及系统的稳定。以四自由度机械手轨迹跟踪为例进行仿真，结果表明该方法能够有效低补偿建模误差，实现了无需模型的机械手自适应控制，提高了系统的控制性能及对外部不确定扰动的鲁棒性，对实际工业机械手的自适应控制具有一定的可操作性。 二、对四自由度机械手模型RBF仿真 2.1 机械手动力学模型 设n关节机械手方程为： (1) 式中：q—关节角位移，；—阶正定惯性矩阵；—科氏力及向心力向量；—阶重力向量；—摩擦力；—未知外部干扰；—控制输入。 定义跟踪误差为： 式中：—关节目标角位移向量。 定义误差函数为：，其中， 则： (2) (3) (4) 在实际工程中，模型不确定项为未知，为此，需要对不确定项进行逼近。 2.2 基于RBF神经网络逼近的控制器设计 采用RBF网络逼近，则RBF神经网络的输出为： (5) 取，，则设计的控制律为： (6) 式中：—用于克服神经网络逼近误差的鲁棒项。 将控制律式（6）代入式（3），得： （7） 式中： 三、仿真程序及结果 3.1 Matlab程序： 程序1 ctrl.m function [sys,x0,str,ts] = spacemodel(t,x,u,flag) switch flag, case 0, [sys,x0,str,ts]=mdlInitializeSizes; case 1, sys=mdlDerivatives(t,x,u); case 3, sys=mdlOutputs(t,x,u); case {2,4,9} sys=[]; otherwise error([Unhandled flag = ,num2str(flag)]); end function [sys,x0,str,ts]=mdlInitializeSizes global c b kv kp sizes = simsizes; sizes.NumContStates = 10; sizes.NumDiscStates = 0; sizes.NumOutputs = 6; sizes.NumInputs = 8; sizes.DirFeedthrough = 1; sizes.NumSampleTimes = 1; sys = simsizes(sizes); x0 = 0.1*ones(1,10); str = []; ts = [0 0]; %c=0.60*ones(4,5); c= [-2 -1 0 1 2; -2 -1 0 1 2; -2 -1 0 1 2; -2 -1 0 1 2]; b=3.0*ones(5,1); alfa=3; kp=[alfa^2 0; 0 alfa^2]; kv=[2*alfa 0; 0 2*alfa]; function sys=mdlDerivatives(t,x,u) global c b kv kp A=[zeros(2) eye(2); -kp -kv]; B=[0 0;0 0;1 0;0 1]; Q=[50 0 0 0; 0 50 0 0; 0 0 50 0; 0 0 0 50]; P=lyap(A,Q); eig(P); qd1=u(1); d_qd1=0.2*0.5*pi*cos(0.5*pi*t); qd2=u(2); d_qd2=0.2*0.5*pi*sin(0.5*pi*t); q1=u(3);dq1=u(4);q2=u(5);dq2=u(6); e1=q1-qd1; e2=q2-qd2; de1=dq1-d_qd1; de2=dq2-d_qd2; th=[x(1) x(2) x(3) x(4) x(5);x(6) x(7) x(8) x(9) x(10)]; xi=[e1;e2;de1;de2]; h=zeros(5,1); for j=1:1:5 h(j)=exp(-norm(xi-c(:,j))^2/(2*b(j)*b(j))); end gama=20; M1=1; if M1==1 % Adaptive La