[发明专利]模糊神经网络控制器

说明书

本发明公开了一种模糊神经网络控制器，信号采集器连接有模糊神经网络控制器的输入端，计算机也与糊神经网络控制器的输入端连接，糊神经网络控制器的输出端连接信号处理器，信号处理器连接机械手模型，信号采集器与机械手模型连接，机械手模型连接有数据采集器，数据采集器与糊神经网络控制器连接，糊神经网络控制器的输出端通过信号返回器连接有指示灯，指示灯设置在信号采集器与模糊神经网络控制器之间。本发明为一种模糊神经网络的控制器，并结合粒子群算法和BP算法对模糊神经网络控制器的参数进行优化，通过试验仿真分析，验证了本发明对控制器有较强的适应性、稳定性以及抗干扰性能，有效地解决了机械手的轨迹跟踪问题。

技术领域：

本发明涉及一种模糊神经网络控制器。

背景技术：

机械手控制是工业机器人控制中很重要的一个方面。传统的机械手控制方法大多需要机械手的精确数学模型或者机械手动力学方面的知识，但很难保证机械手系统在复杂环境下的稳定性、鲁棒性和整个系统的动态性能。

机械手模型是一个具备高度耦合、非线性等动力学特性且系统结构和参数在实际工作中存在诸多不可预知因素的多输入多输出的系统。机械手模型的动力学模型可以反应其各个关节的位置、速度和加速度之间复杂的关系，因此建立机械手的动力学模型对研究机械手轨迹跟踪控制至关重要。但是，机械手系统的特性复杂多变，它本身受到很多不确定性因素的影响，比如负载变化、自身不确定因素等，因此很难推导出精确的数学模型。

发明内容：

本发明的目的通过以下技术方案来实现：一种模糊神经网络控制器，信号采集器连接有模糊神经网络控制器的输入端，计算机也与糊神经网络控制器的输入端连接，糊神经网络控制器的输出端连接信号处理器，信号处理器连接机械手模型，信号采集器与机械手模型连接，机械手模型连接有数据采集器，数据采集器与糊神经网络控制器连接，糊神经网络控制器的输出端通过信号返回器连接有指示灯，指示灯设置在信号采集器与模糊神经网络控制器之间。

本发明的进一步改进在于：机械手模型包括基座，基座上设有支撑座，支撑座的上端通过第一旋转关节连接有第一连杆的一端，第一连杆的另一端通过第二旋转关节连接有第二连杆的一端。

本发明的进一步改进在于：模糊神经网络控制器的模糊神经网络结构分为五层结构，分为两个模糊神经网络子网。由于关节间的耦合作用，添加网络的第5层为反应两关节耦合作用的耦合层。

第1层：模糊神经网络的输入层。该层有4个节点，输入范围分别是e₁， ec₁,e₂，ec₂变论域，它们的论域均为[-6,6]。节点的输入为

^kf₁(i)＝x_ki (2)

其中i＝1,2；k＝1,2。x_ki表示第k个子网的第i个输入，^kf₁(i)表示第k个子网的第1层输出。

第2层：模糊神经网络的模糊化层，即隶属度函数生成层。每个输入e₁， e₂，ec₁，ec₂分为7个节点，即7个模糊语言集，分别为PB(正大)，PM(正中)，PS(正小)，Z(零)，NS(负小)，NM(负中)，NB(负大)。此层共有 28个节点。采用Gaussian函数作为隶属函数，与7个模糊语言集对应的 Gaussian函数的中心值分别为{6，4，2，0，-2，-4，-6},宽度均为2。