改进的RBF神经网络在机械臂控制中的应用研究

机械臂系统是多输入、多输出的非线性系统,其位姿输出精度不稳定,与给定信号存在一定的跟踪误差。为提高机械臂系统跟踪精度以及抗干扰性能,通过对比分析常用的RBF神经网络学习方法,结合机械臂系统的非线性因素及其控制的实时性要求,提出改进RAN学习方法;并根据RAN学习方法构建RBF神经网络,将其应用于机械臂系统的逆控制器设计中。仿真实验表明,改进后的RBF神经网络逆控制器具有良好的对给定信号的跟踪精度和抗干扰能力,适用于机械臂系统的实时控制。