CN113867156A - 融合bp-rbf神经网络的机器鱼路径跟踪方法及装置 - Google Patents

融合bp-rbf神经网络的机器鱼路径跟踪方法及装置 Download PDF

Info

Publication number
CN113867156A
CN113867156A CN202111459335.6A CN202111459335A CN113867156A CN 113867156 A CN113867156 A CN 113867156A CN 202111459335 A CN202111459335 A CN 202111459335A CN 113867156 A CN113867156 A CN 113867156A
Authority
CN
China
Prior art keywords
neural network
output
fish
tracking
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111459335.6A
Other languages
English (en)
Inventor
易国栋
易淑婷
鲁晓海
陈萍萍
熊婷
刘利枚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202111459335.6A priority Critical patent/CN113867156A/zh
Publication of CN113867156A publication Critical patent/CN113867156A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及仿生鱼技术领域，尤其涉及一种融合BP‑RBF神经网络的机器鱼路径跟踪方法及装置。包括：给定机器鱼待跟踪的初始位置、期望速度、期望路径，将其输入控制信息生成模块，然后其生成误差信息和期望速度控制率、期望路径控制率，将其输入ADRC控制模组；使用参数优化模块中的BP神经网络和RBF神经网络优化所述ADRC控制模组；判断所述偏差是否满足性能指标，若是，则根据所述偏差进行相应调整，然后重新输出最终控制量到机器鱼；使用轨迹生成模块生成机器鱼的轨迹。本发明使机器鱼在水下有高质量的跟踪控制效果，能够很好的抑制外界干扰造成的抖震和超调等现象，完成目标跟踪任务。

Description

融合BP-RBF神经网络的机器鱼路径跟踪方法及装置
技术领域
本发明涉及仿生鱼技术领域，尤其涉及一种融合BP-RBF神经网络的机器鱼路径跟踪方法及装置。
背景技术
由于江河湖海具有丰富的生物以及矿产资源，目标检测及路径跟踪在资源的监测开发具有巨大的应用价值。为探测到这些宝贵资源，仿生机器鱼能够在人类无法到达的水下深度和广度上进行探测，具有体积小、机动性高、成本低、阻力小、低噪声等优点，已在水下科学考察、水质监测和侦察排雷等民用、军用领域得到广泛应用。随着人类对水下环境的认知与开发逐渐加深，仿生机器鱼的智能化路径控制技术也面临革新。
复杂水环境下，仿生机器鱼的智能化路径跟踪控制不光涉及鱼体的仿生运动机理和水下复杂的水动力特性，更要解决模型的不确定性、耦合、系统非线性及多种未知的内外干扰因素的影响。自抗扰控制（active disturbance rejection control, ADRC)目前是机器鱼路径跟踪控制方法中抗干扰性比较优良的算法，对机器鱼的路径跟踪控制具有良好的动态与静态特性，但是传统ADRC方法对参数设定一般存在各种各样的缺陷。
因此，需要一种融合BP-RBF神经网络的机器鱼路径跟踪方法及装置，来解决现有技术中机器鱼在水下缺少高质量跟踪控制效果、难以抑制外界干扰造成的抖震和超调等现象的问题。
发明内容
本发明提供一种融合BP-RBF神经网络的机器鱼路径跟踪方法及装置，使用RBF神经网络和BP神经网络对自抗扰控制中的参数进行优化，并设计对应的ADRC控制模组，使机器鱼在水下有高质量的跟踪控制效果，能够很好的抑制外界干扰造成的抖震和超调等现象，完成目标跟踪任务。
融合BP-RBF神经网络的机器鱼路径跟踪方法，包括如下步骤：
步骤1，给定机器鱼待跟踪的初始位置、期望速度V(t)、期望路径S；然后将初始位置、期望速度V(t)、期望路径S输入控制信息生成模块；控制信息生成模块接收采集到的实际速度和实际控制量，通过期望速度V(t)、期望路径S生成误差信息，所述误差信息包括切向误差
Figure 891279DEST_PATH_IMAGE001
、法向误差
Figure 447025DEST_PATH_IMAGE002
和姿态跟踪误差（偏航角误差）Ψ；然后根据误差信息生成对应的期望速度控制率v0(t)、期望路径控制率rd；然后把期望速度控制率v0(t)、期望路径控制率rd输入ADRC控制模组中；
步骤2，使用参数优化模块中的BP神经网络和RBF神经网络优化所述ADRC控制模组：计算BP-RBF神经网络输出值与机器鱼实际状态的偏差，
步骤3，判断所述偏差是否满足神经网络的逼近误差性能指标，所述指标为：1/2[r(k)-y(k)]2，其中y(k)为机器鱼实际输出，r(k)为神经网络输出；若满足，则根据所述偏差相应调整ADRC控制模组，然后重新输出最终控制量u到机器鱼；若不满足，则修正BP神经网络和RBF神经网络，使所述偏差满足性能指标；然后对应输出最终控制量u到机器鱼；
步骤4，使用轨迹生成模块生成机器鱼的轨迹；
然后判断是否结束运行，若是则结束运行，若否，回到步骤1。
采用这样的方法，使用RBF神经网络和BP神经网络对自抗扰控制中的参数进行优化，并设计对应的ADRC控制模组，使机器鱼在水下有高质量的跟踪控制效果，能够很好的抑制外界干扰造成的抖震和超调等现象，完成目标跟踪任务。
进一步的，所述ADRC控制模组包括：跟踪微分器（TD）、非线性组合（NF）、扩张状态观测器（ESO）；
步骤2中，具体包括：
使用BP神经网络优化扩张状态观测器中的第一非线性参数，所述第一非线性参数包括：扩张状态观测器数学模型中的观测增益参数bo1、bo2、bo3，使用RFC神经网络优化非线性组合中的第二非线性参数，所述第二非线性参数包括：非线性组合数学模型中的非线性反馈的比例因子b1和微分因子b2。
进一步的，所述步骤2中，基于BP神经网络优化扩张状态观测器的步骤还包括：
所述扩张状态观测器的三阶数学模型如下：
Figure 701158DEST_PATH_IMAGE003
其中，a1、a2分别为初始控制量u0的跟踪输出信号、跟踪输出微分信号；a3为被控对象的总和扰动，所述被控对象即机器鱼；αo1、αo2、αo3分别为fal()中的非线性因子；δ为控制参数，e为补偿因子；
所述BP神经网络采用常三层神经网络结构，包括4个输入点，7个第一隐含层节点和3个输出点；BP神经网络的第一输入层为Oi=x(i),i=1,2,3,4；其中x(i)是BP神经网络优化的参数，输入有原始参数e1,e2,e3，还有BP神经网络的输出参数y, 根据训练得到的结果y与预想结果进行误差分析，进而修改权值和阈值，再重新进入网络训练中，得到能输出和预想结果一致的网络隐含层的数学模型；
其网络隐含层的数学模型为
Figure 466988DEST_PATH_IMAGE004
其中
Figure 622026DEST_PATH_IMAGE005
为网络隐含层的权重参数，
Figure 907645DEST_PATH_IMAGE006
为神经元的输入，
Figure 614570DEST_PATH_IMAGE007
是对系统模型关键影响的自变量，这里是选用线性加权求和得到第h层的
Figure 8642DEST_PATH_IMAGE008
的神经元净输入；f()激活函数，为sigmoid函数，再对神经元
Figure 824762DEST_PATH_IMAGE009
进行激活，得到神经元的输出值
Figure 620680DEST_PATH_IMAGE010
；
其中输出层的数学模型为：
Figure 232927DEST_PATH_IMAGE011
其中
Figure 724082DEST_PATH_IMAGE012
为输出层的权重参数，输出层第k个神经元的输入等于隐含层的加权和输出层的第k个神经元
Figure 220923DEST_PATH_IMAGE013
通过误差消除函数得到输出；
训练网络层的输入参数有e1,e2,e3，而经过BP神经网络的不断训练，得到最优输出参数，即进入扩张状态观测器中的参数bo1、bo2、bo3。
采用这样的方法，基于BP的神经网络的自抗扰控制优化方法具有很强的鲁棒性，能够观测出系统参数的变化并且补偿掉，不依赖系统精确的模型。相对于一般的方法，BP神经网络自抗扰控制方法更能够在线调节扩张状态观测器（ESO）参数，抗干扰能力更强、范围更广，控制效果更好。
进一步的，所述步骤2中，基于RFC神经网络优化非线性组合的步骤还包括：
对于二阶被控对象，所述非线性组合的数学模型如下：
Figure 995981DEST_PATH_IMAGE014
Figure 920074DEST_PATH_IMAGE015
其中，fal(e,α，δ)为原点附近具有线性段的连续幂次函数，δ为控制参数，α为非线性因子，f 1、f 2分别为偏差信号和微分偏差信号，b1和b2为非线性反馈的比例因子和微分因子，
所述RBF神经网络包括第二输入层、第二隐含层和第二输出层，第二输入层为X，第二隐含层为n，第二输出层为1；要优化的参数为非线性组合中的比例因子b1和b2,记为X个，则RBF神经网络的第二输入层为X=n[x1,x2,x3…xm]，第二隐含层到第二输出层的权值为C[ω1，ω2…ωn]T,径向基函数为高斯型函数hj,RBF神经网络的输出为yn；隐含层到输入层的表达式如公式所示。
进一步的，所述RBF神经网络的目标优化函数式是对k时刻的输出yk,z减去RBF神经网络的差取平方,具体公式如下：
Figure 662640DEST_PATH_IMAGE016
Figure 697592DEST_PATH_IMAGE017
Figure 327157DEST_PATH_IMAGE018
RBF神经网络的输入值是输入向量x与阈值向量cj之间的距离作为自变量的,bj为权重参数，通过输入向量和加权矩阵C的行向量的乘积得到；此处的C就是隐藏层各神经元的中心参数，大小为隐层神经元数目可见层单元数。RBF隐含层神经网络传递参数选择高斯函数，即
Figure 422152DEST_PATH_IMAGE019
；hj(x)是隐含层的输出，对输入信息进行空间映射的变换；yn 是输出层的输出参数，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果；Ak是RBF神经网络的目标优化函数式，用期望输出值减去输出层yn的参数值得到差异值，如果差异值小于要求的精度，就结束，否则继续调节权重，中心和宽度参数进行迭代计算，直到小于精度值。
进一步的，所述步骤2中优化非线性组合的步骤包括：
Step1，将优化参数从输入层输入，设置RBF神经网络的神经元的隐含层个数为n，学习速度为ξ，动量因子为α，隐含层高斯基函数bj(0), 第j个基函数的中心节点的值cj,隐含层权重wj(0)；
Step2，采用RBF神经网络的实际输出yn；
Step3，利用梯度下降法来调整神经网络每层的权重wj(n)并计算基函数的中心节点的值和高基函数值bj(n)；
Step4，返回step2，继续循环，直至得到目标函数的最优化，获得最优参数输入值b1和b2。
优选的，所述ADRC控制模组包括速度ADRC控制模组和转向ADRC控制模组，
所述速度ADRC控制模组接收期望速度控制率v0(t)并控制机器鱼，其包括第一跟踪微分器、第一非线性组合以及第一扩张状态观测器；
所述转向ADRC控制模组接收期望路径控制率rd并控制机器鱼，其包括第二跟踪微分器、第二非线性组合以及第二扩张状态观测器。
优选的，步骤1、步骤2、步骤3中速度控制的步骤具体包括：
将期望速度控制率v0(t)输入速度ADRC控制模组，第一跟踪微分器将其转化为跟踪值v1和微分值v2，将机器鱼的输出信号U0输入第一扩张状态观测器，得到实时的机器鱼的跟踪输出信号a1、跟踪输出微分信号a2与机器鱼所受的总和扰动a3，然后得出v1、v2与a1、a2相应的偏差信号f1、f2，其中f1= a1-v1，f2与f1相同，均为扩张状态观测器计算得到的偏差信号；然后计算BP神经网络、RBF神经网络输出值与机器鱼实际状态的偏差，该偏差满足性能指标后，对应调整第一扩张状态观测器的bo1、bo2、bo3与第一非线性组合的b1、b2，并重新进行输出；第一非线性组合接收到误差信号后得到机器鱼的初始控制量u0，u0在实时补偿总扰动a3后得到最终控制量u，最终将u输入机器鱼进行控制；
步骤1、步骤2、步骤3中路径控制的步骤与速度控制的步骤相同；
最后，将机器鱼的横向输入记为F=0，输入到机器鱼中,并且通过以上步骤得到优化后的最终控制量u后，经过路径生成器最后得到机器鱼的实时位置。
另一方面，融合BP-RBF神经网络的机器鱼路径跟踪装置，包括：
控制信息生成模块，其用于生成误差信息、期望速度控制率v0(t)、期望路径控制率rd；
ADRC控制模组，其包括跟踪微分器（TD）、非线性组合（NF）、扩张状态观测器（ESO）；
参数优化模块，其包括BP神经网络和RFC神经网络，所述BP神经网络优化扩张状态观测器，所述RFC神经网络优化非线性组合；
轨迹生成模块，其用于生成机器鱼的实时位置并形成轨迹。
进一步的，所述ADRC控制模组，包括速度ADRC控制模组和转向ADRC控制模组，
所述速度ADRC控制模组接收期望速度控制率v0(t)并控制机器鱼，其包括第一跟踪微分器、第一非线性组合以及第一扩张状态观测器；
所述转向ADRC控制模组接收期望路径控制率rd并控制机器鱼，其包括第二跟踪微分器、第二非线性组合以及第二扩张状态观测器。
本发明的有益效果为：
1.本发明通过期望速度V(t)、期望路径S，得到对应的路径参数，并采用一种融合增强型烟花算法及BP神经网络来对自抗扰控制的参数进行优化，减少外部干扰，增强鲁棒性。
2.本发明根据RFC神经网络-ADRC控制模组设计对应的路径跟踪控制器，控制机器鱼的速度和转向，设计了相应的速度ADRC控制模组和转向ADRC控制模组，最终使机器鱼以一定的速度实现目标跟踪。
3.本发明优化了ADRC控制模组的参数，使控制精度进一步提高，提高机器鱼的跟踪效果，对具有干扰和不确定性的系统具有良好的控制品质。
附图说明
图1为本发明的流程图；
图2为本发明中优化后的路径跟踪装置的结构示意图；
图3为图2中速度ADRC控制模块的放大示意图；
图4为图2中转向ADRC控制模块的放大示意图；
图5为本发明中的路径跟踪装置的结构示意图；
图6为本发明中速度ADRC控制模组的结构示意图；
图7为本发明中BP-ESO之间的结构示意图；
图8为本发明中RBF-NF之间的结构示意图。
具体实施方式
显然，下面所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
如图1所示，本实施例为融合BP-RBF神经网络的机器鱼路径跟踪方法，包括如下步骤：
步骤1，给定机器鱼待跟踪的初始位置、期望速度V(t)、期望路径S；然后将初始位置、期望速度V(t)、期望路径S输入控制信息生成模块；控制信息生成模块接收采集到的实际速度和实际控制量，通过期望速度V(t)、期望路径S生成误差信息，所述误差信息包括切向误差
Figure 887899DEST_PATH_IMAGE020
、法向误差
Figure 726542DEST_PATH_IMAGE002
和姿态跟踪误差（偏航角误差）Ψ；然后根据误差信息生成对应的期望速度控制率v0(t)、期望路径控制率rd；然后把期望速度控制率v0(t)、期望路径控制率rd输入ADRC控制模组中；
步骤2，使用参数优化模块中的BP神经网络和RBF神经网络优化所述ADRC控制模组：计算BP-RBF神经网络输出值与机器鱼实际状态的偏差，
步骤3，判断所述偏差是否满足神经网络的逼近误差性能指标，所述指标为：1/2[r(k)-y(k)]2，其中y(k)为机器鱼实际输出，r(k)为神经网络输出；若满足，则根据所述偏差相应调整ADRC控制模组，然后重新输出最终控制量u到机器鱼；若不满足，则修正BP神经网络和RBF神经网络，使所述偏差满足性能指标；然后对应输出最终控制量u到机器鱼；
步骤4，使用轨迹生成模块生成机器鱼的轨迹；
然后判断是否结束运行，若是则结束运行，若否，回到步骤1。
采用这样的方法，使用RBF神经网络和BP神经网络对自抗扰控制中的参数进行优化，并设计对应的ADRC控制模组，使机器鱼在水下有高质量的跟踪控制效果，能够很好的抑制外界干扰造成的抖震和超调等现象，完成目标跟踪任务。
如图3和图4所示，所述ADRC控制模组包括：跟踪微分器（TD）、非线性组合（NF）、扩张状态观测器（ESO）；
步骤2中，具体包括：
使用BP神经网络优化扩张状态观测器中的第一非线性参数，所述第一非线性参数包括：扩张状态观测器数学模型中的观测增益参数bo1、bo2、bo3，使用RFC神经网络优化非线性组合中的第二非线性参数，所述第二非线性参数包括：非线性组合数学模型中的非线性反馈的比例因子b1和微分因子b2。
所述步骤2中，基于BP神经网络优化扩张状态观测器的步骤还包括：
所述扩张状态观测器的三阶数学模型如下：
Figure 617138DEST_PATH_IMAGE021
（1）
其中，a1、a2分别为初始控制量u0的跟踪输出信号、跟踪输出微分信号；a3为被控对象的总和扰动，所述被控对象即机器鱼；αo1、αo2、αo3分别为fal()中的非线性因子；δ为控制参数，e为补偿因子；
所述BP神经网络采用常三层神经网络结构，包括4个输入点，7个第一隐含层节点和3个输出点；BP神经网络的第一输入层为Oi=x(i),i=1,2,3,4；其中x(i)是BP神经网络优化的参数，输入有原始参数e1,e2,e3，还有BP神经网络的输出参数y, 根据训练得到的结果y与预想结果进行误差分析，进而修改权值和阈值，再重新进入网络训练中，得到能输出和预想结果一致的网络隐含层的数学模型；
其网络隐含层的数学模型为
Figure 7668DEST_PATH_IMAGE004
其中
Figure 85345DEST_PATH_IMAGE005
为网络隐含层的权重参数，
Figure 838931DEST_PATH_IMAGE006
为神经元的输入，
Figure 177509DEST_PATH_IMAGE007
是对系统模型关键影响的自变量，这里是选用线性加权求和得到第h层的
Figure 614306DEST_PATH_IMAGE022
的神经元净输入；f()激活函数，为sigmoid函数，再对神经元
Figure 54646DEST_PATH_IMAGE023
进行激活，得到神经元的输出值
Figure 235091DEST_PATH_IMAGE024
；
其中输出层的数学模型为：
Figure 959334DEST_PATH_IMAGE011
其中
Figure 567033DEST_PATH_IMAGE012
为输出层的权重参数，输出层第k个神经元的输入等于隐含层的加权和输出层的第k个神经元
Figure 727624DEST_PATH_IMAGE013
通过误差消除函数得到输出；
训练网络层的输入参数有e1,e2,e3，而经过BP神经网络的不断训练，得到最优输出参数，即进入扩张状态观测器中的参数bo1、bo2、bo3。
采用这样的方法，基于BP的神经网络的自抗扰控制优化方法具有很强的鲁棒性，能够观测出系统参数的变化并且补偿掉，不依赖系统精确的模型。相对于一般的方法，BP神经网络自抗扰控制方法更能够在线调节扩张状态观测器（ESO）参数，抗干扰能力更强、范围更广，控制效果更好。
所述步骤2中，基于RFC神经网络优化非线性组合的步骤还包括：
对于二阶被控对象，所述非线性组合的数学模型如下：
Figure 711761DEST_PATH_IMAGE025
（2）
Figure 290510DEST_PATH_IMAGE015
（3）
其中，fal(e,α，δ)为原点附近具有线性段的连续幂次函数，δ为控制参数，α为非线性因子，f 1、f 2分别为偏差信号和微分偏差信号，b1和b2为非线性反馈的比例因子和微分因子，
所述RBF神经网络包括第二输入层、第二隐含层和第二输出层，第二输入层为X，第二隐含层为n，第二输出层为1；要优化的参数为非线性组合中的比例因子b1和b2,记为X个，则RBF神经网络的第二输入层为X=n[x1,x2,x3…xm]，第二隐含层到第二输出层的权值为C[ω1，ω2…ωn]T,径向基函数为高斯型函数hj,RBF神经网络的输出为yn；隐含层到输入层的表达式如公式（2）所示。
所述RBF神经网络的目标优化函数式是对k时刻的输出yk,z减去RBF神经网络的差取平方,具体公式如下：
Figure 69110DEST_PATH_IMAGE026
（4）
Figure 218463DEST_PATH_IMAGE027
（5）
Figure 740711DEST_PATH_IMAGE028
（6）
RBF神经网络的输入值是输入向量x与阈值向量cj之间的距离作为自变量的,bj为权重参数，通过输入向量和加权矩阵C的行向量的乘积得到；此处的C就是隐藏层各神经元的中心参数，大小为隐层神经元数目可见层单元数。RBF隐含层神经网络传递参数选择高斯函数，即
Figure 173966DEST_PATH_IMAGE019
；hj(x)是隐含层的输出，对输入信息进行空间映射的变换；yn 是输出层的输出参数，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果；Ak是RBF神经网络的目标优化函数式，用期望输出值减去输出层yn的参数值得到差异值，如果差异值小于要求的精度，就结束，否则继续调节权重，中心和宽度参数进行迭代计算，直到小于精度值。
所述步骤2中优化非线性组合的步骤包括：
Step1，将优化参数从输入层输入，设置RBF神经网络的神经元的隐含层个数为n，学习速度为ξ，动量因子为α，隐含层高斯基函数bj(0), 第j个基函数的中心节点的值cj,隐含层权重wj(0)；
Step2，采用RBF神经网络的实际输出yn，结合公式（1）和公式（2）得yn；
Step3，利用梯度下降法来调整神经网络每层的权重wj(n)并计算基函数的中心节点的值和高基函数值bj(n)；
Step4，返回step2，继续循环，直至得到目标函数的最优化，获得最优参数输入值b1和b2。
实施例2
如图3和图4所示，本实施例与实施例1的区别在于，所述ADRC控制模组包括速度ADRC控制模组和转向ADRC控制模组。
如图5、如图6所示，所述速度ADRC控制模组接收期望速度控制率v0(t)并控制机器鱼，其包括第一跟踪微分器、第一非线性组合以及第一扩张状态观测器；
所述转向ADRC控制模组接收期望路径控制率rd并控制机器鱼，其包括第二跟踪微分器、第二非线性组合以及第二扩张状态观测器。
结合图6、图7和图8所示，步骤1、步骤2、步骤3中速度控制的步骤具体包括：
将期望速度控制率v0(t)输入速度ADRC控制模组，第一跟踪微分器将其转化为跟踪值v1和微分值v2，将机器鱼的输出信号U0输入第一扩张状态观测器，得到实时的机器鱼的跟踪输出信号a1、跟踪输出微分信号a2与机器鱼所受的总和扰动a3，然后得出v1、v2与a1、a2相应的偏差信号f1、f2，其中f1= a1-v1，f2与f1相同，均为扩张状态观测器计算得到的偏差信号；然后计算BP神经网络、RBF神经网络输出值与机器鱼实际状态的偏差，该偏差满足性能指标后，对应调整第一扩张状态观测器的bo1、bo2、bo3与第一非线性组合的b1、b2，并重新进行输出；第一非线性组合接收到误差信号后得到机器鱼的初始控制量u0，u0在实时补偿总扰动a3后得到最终控制量u，最终将u输入机器鱼进行控制；
步骤1、步骤2、步骤3中路径控制的步骤与速度控制的步骤相同；
最后，将机器鱼的横向输入记为F=0，输入到机器鱼中,并且通过以上步骤得到优化后的最终控制量u后，经过路径生成器最后得到机器鱼的实时位置。
实施例3
如图2所示，本实施例为采用实施例1和实施例2中方法的融合BP-RBF神经网络的机器鱼路径跟踪装置，其包括：
控制信息生成模块，其用于生成误差信息、期望速度控制率v0(t)、期望路径控制率rd；
ADRC控制模组，其包括跟踪微分器（TD）、非线性组合（NF）、扩张状态观测器（ESO）；
参数优化模块，其包括BP神经网络和RFC神经网络，所述BP神经网络优化扩张状态观测器，所述RFC神经网络优化非线性组合；
轨迹生成模块，其用于生成机器鱼的实时位置并形成轨迹。
所述ADRC控制模组，包括速度ADRC控制模组和转向ADRC控制模组，
所述速度ADRC控制模组接收期望速度控制率v0(t)并控制机器鱼，其包括第一跟踪微分器、第一非线性组合以及第一扩张状态观测器；
所述转向ADRC控制模组接收期望路径控制率rd并控制机器鱼，其包括第二跟踪微分器、第二非线性组合以及第二扩张状态观测器。
本发明的有益效果为：
1.本发明通过期望速度V(t)、期望路径S，得到对应的路径参数，并采用一种融合增强型烟花算法及BP神经网络来对自抗扰控制的参数进行优化，减少外部干扰，增强鲁棒性。
2.本发明根据RFC神经网络-ADRC控制模组设计对应的路径跟踪控制器，控制机器鱼的速度和转向，设计了相应的速度ADRC控制模组和转向ADRC控制模组，最终使机器鱼以一定的速度实现目标跟踪。
3.本发明优化了ADRC控制模组的参数，使控制精度进一步提高，提高机器鱼的跟踪效果，对具有干扰和不确定性的系统具有良好的控制品质。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.融合BP-RBF神经网络的机器鱼路径跟踪方法，其特征在于，包括如下步骤：
步骤1，给定机器鱼待跟踪的初始位置、期望速度V(t)、期望路径S；然后将初始位置、期望速度V(t)、期望路径S输入控制信息生成模块；控制信息生成模块接收采集到的实际速度和实际控制量，通过期望速度V(t)、期望路径S生成误差信息，所述误差信息包括切向误差
Figure 553314DEST_PATH_IMAGE001
、法向误差
Figure 234831DEST_PATH_IMAGE002
和姿态跟踪误差Ψ；然后根据误差信息生成对应的期望速度控制率v0(t)、期望路径控制率rd；然后把期望速度控制率v0(t)、期望路径控制率rd输入ADRC控制模组中；
步骤2，使用参数优化模块中的BP神经网络和RBF神经网络优化所述ADRC控制模组：计算BP-RBF神经网络输出值与机器鱼实际状态的偏差，
步骤3，判断所述偏差是否满足神经网络的逼近误差性能指标，所述指标为：1/2[r(k)-y(k)]2，其中y(k)为机器鱼实际输出，r(k)为神经网络输出；若满足，则根据所述偏差相应调整ADRC控制模组，然后重新输出最终控制量u到机器鱼；若不满足，则修正BP神经网络和RBF神经网络，使所述偏差满足性能指标；然后对应输出最终控制量u到机器鱼；
步骤4，使用轨迹生成模块生成机器鱼的轨迹；
然后判断是否结束运行，若是则结束运行，若否，回到步骤1。
2.根据权利要求1所述的融合BP-RBF神经网络的机器鱼路径跟踪方法，其特征在于，所述ADRC控制模组包括：跟踪微分器、非线性组合、扩张状态观测器；
步骤2中，具体包括：
使用BP神经网络优化扩张状态观测器中的第一非线性参数，所述第一非线性参数包括：扩张状态观测器数学模型中的观测增益参数bo1、bo2、bo3，使用RFC神经网络优化非线性组合中的第二非线性参数，所述第二非线性参数包括：非线性组合数学模型中的非线性反馈的比例因子b1和微分因子b2。
3.根据权利要求2所述的融合BP-RBF神经网络的机器鱼路径跟踪方法，其特征在于，所述步骤2中，基于BP神经网络优化扩张状态观测器的步骤还包括：
所述扩张状态观测器的三阶数学模型如下：
Figure 580493DEST_PATH_IMAGE003
其中，a1、a2分别为初始控制量u0的跟踪输出信号、跟踪输出微分信号；a3为被控对象的总和扰动，所述被控对象即机器鱼；αo1、αo2、αo3分别为fal()中的非线性因子；δ为控制参数，e为补偿因子；
所述BP神经网络采用常三层神经网络结构，包括4个输入点，7个第一隐含层节点和3个输出点；BP神经网络的第一输入层为Oi=x(i),i=1,2,3,4；其中x(i)是BP神经网络优化的参数，输入有原始参数e1,e2,e3，还有BP神经网络的输出参数y, 根据训练得到的结果y与预想结果进行误差分析，进而修改权值和阈值，再重新进入网络训练中，得到能输出和预想结果一致的网络隐含层的数学模型；
其网络隐含层的数学模型为
Figure 248234DEST_PATH_IMAGE004
其中
Figure 245009DEST_PATH_IMAGE005
为网络隐含层的权重参数，
Figure 238373DEST_PATH_IMAGE006
为神经元的输入，
Figure 195965DEST_PATH_IMAGE007
是对系统模型关键影响的自变量，这里是选用线性加权求和得到第h层的
Figure 778649DEST_PATH_IMAGE008
的神经元净输入；f()激活函数，为sigmoid函数，再对神经元
Figure 629930DEST_PATH_IMAGE009
进行激活，得到神经元的输出值
Figure 263037DEST_PATH_IMAGE010
；
其中输出层的数学模型为：
Figure 848870DEST_PATH_IMAGE011
其中
Figure 858415DEST_PATH_IMAGE012
为输出层的权重参数，输出层第k个神经元的输入等于隐含层的加权和输出层的第k个神经元
Figure 829782DEST_PATH_IMAGE013
通过误差消除函数得到输出；
训练网络层的输入参数有e1,e2,e3，而经过BP神经网络的不断训练，得到最优输出参数，即进入扩张状态观测器中的参数bo1、bo2、bo3。
4.根据权利要求2所述的融合BP-RBF神经网络的机器鱼路径跟踪方法，其特征在于，所述步骤2中，基于RFC神经网络优化非线性组合的步骤还包括：
对于二阶被控对象，所述非线性组合的数学模型如下，其中隐含层到输入层的表达式如公式所示：
Figure 899369DEST_PATH_IMAGE014
Figure 205454DEST_PATH_IMAGE015
其中，fal(e,α，δ)为原点附近具有线性段的连续幂次函数，δ为控制参数，α为非线性因子，f 1、f 2分别为偏差信号和微分偏差信号，b1和b2为非线性反馈的比例因子和微分因子，
所述RBF神经网络包括第二输入层、第二隐含层和第二输出层，第二输入层为X，第二隐含层为n，第二输出层为1；要优化的参数为非线性组合中的比例因子b1和b2,记为X个，则RBF神经网络的第二输入层为X=n[x1,x2,x3…xm]，第二隐含层到第二输出层的权值为C[ω1，ω2…ωn]T,径向基函数为高斯型函数hj,RBF神经网络的输出为yn。
5.根据权利要求4所述的融合BP-RBF神经网络的机器鱼路径跟踪方法，其特征在于，所述RBF神经网络的目标优化函数式是对k时刻的输出yk,z减去RBF神经网络的差取平方,具体公式如下：
Figure 18689DEST_PATH_IMAGE016
Figure 375721DEST_PATH_IMAGE017
Figure 350631DEST_PATH_IMAGE018
RBF神经网络的输入值是输入向量x与阈值向量cj之间的距离作为自变量的,bj为权重参数，通过输入向量和加权矩阵C的行向量的乘积得到；此处的C就是隐藏层各神经元的中心参数，大小为隐层神经元数目可见层单元数；RBF隐含层神经网络传递参数选择高斯函数，即
Figure 911056DEST_PATH_IMAGE019
；hj(x)是隐含层的输出，对输入信息进行空间映射的变换；yn 是输出层的输出参数，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果；Ak是RBF神经网络的目标优化函数式，用期望输出值减去输出层yn的参数值得到差异值，如果差异值小于要求的精度，就结束，否则继续调节权重，中心和宽度参数进行迭代计算，直到小于精度值。
6.根据权利要求5所述的融合BP-RBF神经网络的机器鱼路径跟踪方法，其特征在于，所述步骤2中优化非线性组合的步骤包括：
Step1，将优化参数从输入层输入，设置RBF神经网络的神经元的隐含层个数为n，学习速度为ξ，动量因子为α，隐含层高斯基函数bj(0), 第j个基函数的中心节点的值cj,隐含层权重wj(0)；
Step2，采用RBF神经网络的实际输出yn；
Step3，利用梯度下降法来调整神经网络每层的权重wj(n)并计算基函数的中心节点的值和高基函数值bj(n)；
Step4，返回step2，继续循环，直至得到目标函数的最优化，获得最优参数输入值b1和b2。
7.根据权利要求1所述的融合BP-RBF神经网络的机器鱼路径跟踪方法，其特征在于，所述ADRC控制模组包括速度ADRC控制模组和转向ADRC控制模组，
所述速度ADRC控制模组接收期望速度控制率v0(t)并控制机器鱼，其包括第一跟踪微分器、第一非线性组合以及第一扩张状态观测器；
所述转向ADRC控制模组接收期望路径控制率rd并控制机器鱼，其包括第二跟踪微分器、第二非线性组合以及第二扩张状态观测器。
8.根据权利要求1-7中每一项所述的融合BP-RBF神经网络的机器鱼路径跟踪方法，其特征在于，
步骤1、步骤2、步骤3中速度控制的步骤具体包括：
将期望速度控制率v0(t)输入速度ADRC控制模组，第一跟踪微分器将其转化为跟踪值v1和微分值v2，将机器鱼的输出信号U0输入第一扩张状态观测器，得到实时的机器鱼的跟踪输出信号a1、跟踪输出微分信号a2与机器鱼所受的总和扰动a3，然后得出v1、v2与a1、a2相应的偏差信号f1、f2，其中f1= a1-v1，f2与f1相同，均为扩张状态观测器计算得到的偏差信号；然后计算BP神经网络、RBF神经网络输出值与机器鱼实际状态的偏差，该偏差满足性能指标后，对应调整第一扩张状态观测器的bo1、bo2、bo3与第一非线性组合的b1、b2，并重新进行输出；第一非线性组合接收到误差信号后得到机器鱼的初始控制量u0，u0在实时补偿总扰动a3后得到最终控制量u，最终将u输入机器鱼进行控制；
步骤1、步骤2、步骤3中路径控制的步骤与速度控制的步骤相同；
最后，将机器鱼的横向输入记为F=0，输入到机器鱼中,并且通过以上步骤得到优化后的最终控制量u后，经过路径生成器最后得到机器鱼的实时位置。
9.融合BP-RBF神经网络的机器鱼路径跟踪装置，其特征在于，包括：
控制信息生成模块，其用于生成误差信息、期望速度控制率v0(t)、期望路径控制率rd；
ADRC控制模组，其包括跟踪微分器、非线性组合、扩张状态观测器；
参数优化模块，其包括BP神经网络和RFC神经网络，所述BP神经网络优化扩张状态观测器，所述RFC神经网络优化非线性组合；
轨迹生成模块，其用于生成机器鱼的实时位置并形成轨迹。
10.根据权利要求9所述的融合BP-RBF神经网络的机器鱼路径跟踪装置，其特征在于，所述ADRC控制模组，包括速度ADRC控制模组和转向ADRC控制模组，
所述速度ADRC控制模组接收期望速度控制率v0(t)并控制机器鱼，其包括第一跟踪微分器、第一非线性组合以及第一扩张状态观测器；
所述转向ADRC控制模组接收期望路径控制率rd并控制机器鱼，其包括第二跟踪微分器、第二非线性组合以及第二扩张状态观测器。
CN202111459335.6A 2021-12-02 2021-12-02 融合bp-rbf神经网络的机器鱼路径跟踪方法及装置 Pending CN113867156A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111459335.6A CN113867156A (zh) 2021-12-02 2021-12-02 融合bp-rbf神经网络的机器鱼路径跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111459335.6A CN113867156A (zh) 2021-12-02 2021-12-02 融合bp-rbf神经网络的机器鱼路径跟踪方法及装置

Publications (1)

Publication Number Publication Date
CN113867156A true CN113867156A (zh) 2021-12-31

Family

ID=78985685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111459335.6A Pending CN113867156A (zh) 2021-12-02 2021-12-02 融合bp-rbf神经网络的机器鱼路径跟踪方法及装置

Country Status (1)

Country Link
CN (1) CN113867156A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115268475A (zh) * 2022-08-09 2022-11-01 哈尔滨工程大学 基于有限时间扰动观测器的机器鱼精确地形跟踪控制方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103823466A (zh) * 2013-05-23 2014-05-28 电子科技大学 一种动态环境下移动机器人路径规划方法
CN106708068A (zh) * 2017-01-19 2017-05-24 中国科学院自动化研究所 仿生波动鳍推进水下航行器路径跟踪控制方法
CN107037729A (zh) * 2017-03-31 2017-08-11 江苏大学 一种基于rbf神经网络自抗扰控制器的设计方法
CN107908113A (zh) * 2017-12-29 2018-04-13 安徽理工大学 基于改进tlbo算法的自抗扰控制器参数整定方法
CN108646572A (zh) * 2018-07-16 2018-10-12 广西师范大学 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法
CN109639194A (zh) * 2019-01-21 2019-04-16 广西师范大学 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法
CN110209054A (zh) * 2019-06-11 2019-09-06 大连海事大学 基于rbf神经网络的无人船艇航向自抗扰控制系统
CN110909859A (zh) * 2019-11-29 2020-03-24 中国科学院自动化研究所 基于对抗结构化控制的仿生机器鱼运动控制方法、系统
CN111665861A (zh) * 2020-05-19 2020-09-15 中国农业大学 一种轨迹跟踪控制方法、装置、设备和存储介质
CN112782977A (zh) * 2020-12-23 2021-05-11 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 一种基于bp神经网络与扩张观测器的电机柔顺控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103823466A (zh) * 2013-05-23 2014-05-28 电子科技大学 一种动态环境下移动机器人路径规划方法
CN106708068A (zh) * 2017-01-19 2017-05-24 中国科学院自动化研究所 仿生波动鳍推进水下航行器路径跟踪控制方法
CN107037729A (zh) * 2017-03-31 2017-08-11 江苏大学 一种基于rbf神经网络自抗扰控制器的设计方法
CN107908113A (zh) * 2017-12-29 2018-04-13 安徽理工大学 基于改进tlbo算法的自抗扰控制器参数整定方法
CN108646572A (zh) * 2018-07-16 2018-10-12 广西师范大学 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法
CN109639194A (zh) * 2019-01-21 2019-04-16 广西师范大学 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法
CN110209054A (zh) * 2019-06-11 2019-09-06 大连海事大学 基于rbf神经网络的无人船艇航向自抗扰控制系统
CN110909859A (zh) * 2019-11-29 2020-03-24 中国科学院自动化研究所 基于对抗结构化控制的仿生机器鱼运动控制方法、系统
CN111665861A (zh) * 2020-05-19 2020-09-15 中国农业大学 一种轨迹跟踪控制方法、装置、设备和存储介质
CN112782977A (zh) * 2020-12-23 2021-05-11 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 一种基于bp神经网络与扩张观测器的电机柔顺控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
侯利民 等: "《永磁同步电机调速系统控制技术》", 30 June 2019, 煤炭工业出版社 *
宋晓茹等: "一种基于增强型烟花算法的自抗扰控制的机器鱼路径跟踪控制方法", 《科学技术与工程》 *
宋晓茹等: "基于ADRC的机器鱼的路径跟踪研究", 《计算机仿真》 *
陈雯柏 等: "《人工神经网络原理与实践》", 31 January 2016, 西安电子科技大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115268475A (zh) * 2022-08-09 2022-11-01 哈尔滨工程大学 基于有限时间扰动观测器的机器鱼精确地形跟踪控制方法
CN115268475B (zh) * 2022-08-09 2023-06-13 哈尔滨工程大学 基于有限时间扰动观测器的机器鱼精确地形跟踪控制方法

Similar Documents

Publication Publication Date Title
CN108803321B (zh) 基于深度强化学习的自主水下航行器轨迹跟踪控制方法
CN107168312B (zh) 一种补偿uuv运动学和动力学干扰的空间轨迹跟踪控制方法
CN107024863B (zh) 一种避免微分爆炸的uuv轨迹跟踪控制方法
Gao et al. Sliding mode adaptive neural network control for hybrid visual servoing of underwater vehicles
Wang et al. Neural network based adaptive dynamic surface control for cooperative path following of marine surface vehicles via state and output feedback
CN107255923B (zh) 基于rbf辨识的ica-cmac神经网络的欠驱动无人艇航迹跟踪控制方法
CN112904728B (zh) 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法
CN110909859A (zh) 基于对抗结构化控制的仿生机器鱼运动控制方法、系统
CN112462792B (zh) 一种基于Actor-Critic算法的水下机器人运动控制方法
Sun et al. A novel tracking control approach for unmanned underwater vehicles based on bio-inspired neurodynamics
CN112947505B (zh) 一种基于强化学习算法与未知干扰观测器的多auv编队分布式控制方法
Shen et al. Dynamic surface control for tracking of unmanned surface vessel with prescribed performance and asymmetric time-varying full state constraints
CN110083057A (zh) 基于水翼运动姿态的pid控制方法
CN113867156A (zh) 融合bp-rbf神经网络的机器鱼路径跟踪方法及装置
CN114310851B (zh) 一种机器人免力矩传感器的拖动示教方法
Пэй et al. Mobile robot automatic navigation control algorithm based on fuzzy neural network in industrial Internet of things environment
CN114879657A (zh) 一种基于随体坐标系的无模型全分布式无人艇协同时变队形控制方法
CN113370208A (zh) 一种可重构机械臂子系统的控制方法及系统
Wang et al. The application of PID control in motion control of the spherical amphibious robot
CN108459614B (zh) 一种基于cw-rnn网络的uuv实时避碰规划方法
Chen et al. The motion controller based on neural network s-plane model for fixed-wing UAVs
Yadaiah et al. Multisensor data fusion using neural networks
CN112904719B (zh) 一种适用于水下机器人位置环形区域跟踪控制方法
Kazemy et al. Second order diagonal recurrent neural network
Deryabin et al. A vessel’s dead reckoning position estimation by using of neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination