基于RBF神经网络的多自由度机械臂控制及仿真分析

霍英杰

（漳州理工职业学院，福建 漳州 363000）

随着自动化进程的发展，机器人在工业中所占据的地位也越来越重要[1]。机械臂在机器人构造中占重要地位，它是机器人执行机构的主要形式，机械臂可以代替人力在危险复杂的环境下工作，也可以在精度要求较为高和时间要求较为大的生产环境中用来完成抓取、搬运等工作[2]。但是如今的机器人设计无论是本身机械臂的控制精度还是抗干扰能力都不能达到这些行业的实际要求，特别是机器人无法解决未知扰动干扰和自身高耦合化等因素给机械臂的控制系统带来的消极影响[3,4]。所以，本研究利用径向基函数（Radial basis function，RBF）神经网络和逼近函数的控制手段来对机械臂进行控制[5,6]，使其更智能化，具有更高的自适应性。同时使用RBF神经网络在线建模，就不需要对逆动态模型进行复杂的估计，也不需要大量耗时的训练过程，能够大幅度的提升设计与仿真的效率。

1 基于径向基函数的机械臂设计方法概述

1.1 RBF神经网络的基本结构

RBF径向基函数神经网络的基本结构是个三层网络[7]，它由输入节点来组成其输入层，输入层将网络与外界环境直接相连，并将输入信号x传递给隐含层。中间层为隐含层，隐含层用于将输入层信号到隐含层信号进行非线性变换，此处的变换需要经隐含层中的隐含节点中径向基函数来进行变换，径向基函数能够对输入信号x产生局部响应，当此时的输入信号x较为接近该径向基函数的中心值，隐含层节点此时就会产生较大的响应（见图1）。……