论文部分内容阅读
递归神经网络(Recurrent Neural Networks,RNN)是在神经网络(Neural Networks,NN)的基础上加入反馈层，相对于前馈神经网络(Feed Forward Neural Networks,FFNN)，RNN使网络由单一的静态映射变为动态输入/输出映射，更适合非线性动态系统的建模与控制。但RNN训练时需要调整网络中的所有权值，学习算法相对比较复杂，影响了其实际应用，回声状态网络(Echo State Networks,ESN)是一种新型的RNN，它特有的状态储备池(State Reservoir,SR)使其具有很强的动态逼近能力，且训练时只需调整网络的输出权值，一些用RNN现有算法难以解决的问题却很容易用ESN来实现。因此，在研究ESN及其算法的基础上，针对包括机器人系统在内的复杂非线性动态系统的建模与控制，提出改进的ESN离线及在线学习算法。将改进ESN应用到非线性动态系统的建模与控制中，并与ESN、基本RNN及支持向量机(Support Vector Machines,SVM)等方法进行比较，实验结果证明了所提出方法的有效性与优越性。主要研究内容如下：(1)研究了RNN的基本结构及算法实现，深入研究了ESN的基本特性及学习算法，给出了其离线及递推最小二乘(Recursive Least Square,RLS)在线学习算法，提出了一种基于增广策略的改进ESN方法，改进ESN使用增广状态向量计算输出权值，增强了网络的非线性动态特性。(2)研究了改进ESN在非线性动态系统建模中的应用。具体包括：在某高阶NARMA模型实例及液压驱动机器人臂的单输入单输出系统建模中的应用；在某多维非线性动态系统实例及7自由度SARCOS拟人机器人臂的多输入多输出系统建模中的应用。结果表明，与SVM、FFNN等方法相比，改进ESN的建模精度更高，学习速度更快。(3)研究了改进ESN在非线性动态系统控制中的应用。分别为在二阶、三阶非线性动态系统基准实例中的应用。首先用改进ESN辨识系统的不确定部分，然后求出控制律，使闭环系统的输出能够跟踪参考模型的输出。结果表明，与SVM、FFNN等方法相比，改进ESN的控制性能更好，且ESN无需估计系统的时滞阶数，具有很好的鲁棒性。(4)研究了改进ESN在二自由度机械手轨迹跟踪控制中的应用。首先用改进ESN辨识机械手不确定部分的逆模型，用PD反馈控制器补偿误差，然后设计ESN控制器。通过实验与ESN及其它RNN方法相比较，改进ESN具有较好的轨迹跟踪效果。