基于粒子群RBF神经网络的双关节机械臂系统控制

针对RBF神经网络算法用于控制时难以求解网络隐含层参数中心向量c和标准化常数b的问题,提出基于粒子群参数优化的RBF神经网络(PSO-RBF神经网络)控制方法。建立旅客列车自动上水装置双关节机械臂动力学模型,将粒子群算法与RBF神经网络控制机械臂动力学特性结合,在连续空间快速搜索网络隐含层参数最优解,得到PSO-RBF神经网络控制方法;建立针对双关节机械臂的PSO-RBF神经网络控制系统并进行仿真,与基于遗传算法调节隐含层参数的RBF神经网络控制方法进行对比和分析。研究表明,采用PSO-RBF神经网络控制方法可以有效避免机械臂控制失效,能够使肩关节和肘关节响应时间缩短52%和47%,最大稳态误差减小49%和58%,平均稳态误差减小54%和55%。