GAP-RBF自增長自消減神經網絡在機器人上的應用.pdf

1、近年來神經網絡被廣泛應用于控制系統(tǒng)中，但是控制系統(tǒng)的性能很大程度上決定于辨識網絡的逼近性能,而結構設計是徑向基函數（Radial Basis Function，RBF）神經網絡的關鍵。網絡結構設計是指對隱單元個數和中心的選取,其對網絡的收斂速度、辨識精度和泛化能力有著很大的影響。因此，本文針對隱單元個數和中心的選取進行了深入的研究，詳細地介紹了RAN、MRAN和GAP-RBF三種順序局部增量式算法。通過與反向傳播（Back Propag

2、ation，BP）算法在逼近Hermite多項式和Mackey-Glass時間序列預測上的比較以及在機器人沿墻導航上的應用，驗證了RAN、MRAN和GAP-RBF三種順序局部增量式算法相對于批處理算法的優(yōu)良性能。本文所要完成的具體工作如下：
　　首先，詳細介紹了對順序局部增量式算法研究的意義與背景，對幾種RBF神經網絡結構優(yōu)化算法進行了比較，并著重對比了批處理學習算法與順序局部增量式算法之間的優(yōu)缺點。簡要地說明了幾種常用的順序局部

3、增量式算法的研究現狀。
　　其次，概括地說明了神經網絡的神經元模型和兩種常用的神經網絡結構，并引出對RBF神經網絡的詳細介紹。接著具體地闡述了RAN、MRAN和GAP-RBF三種算法，呈現出三種算法的實現步驟，并與BP神經網絡在逼近Hermite多項式和Mackey-Glass時間序列預測的應用上進行了性能比較，驗證了三種算法在逼近非線性函數上的優(yōu)良性能。
　　最后，簡要地介紹了Khepera II機器人平臺，并設計了RBF