精选基于BP神经网络的移动机器人路径规划 doc资料.docx

精选基于BP神经网络的移动机器人路径规划 doc资料.docx

《精选基于BP神经网络的移动机器人路径规划 doc资料.docx》由会员分享，可在线阅读，更多相关《精选基于BP神经网络的移动机器人路径规划 doc资料.docx（25页珍藏版）》请在冰豆网上搜索。

精选基于BP神经网络的移动机器人路径规划doc资料

基于BP神经网络的移动机器人路径规划

朱云国,周松林

（铜陵学院,安徽铜陵244000

摘要:

对BP神经网络算法进行了改进,克服了直接使用神经网络算法进行路径规划的不足之处。

仿真表明,设计了附加动量项的BP神经网络,能有效地提高算法的收敛速度。

最后在MAT2LAB中给出了在有静止和运动障碍物的动态环境中路径规划仿真结果,结果表明此方法是可行的。

关键词:

移动机器人;路径规划;BP神经网络;附加动量项

中图分类号:

TP183　文献标志码:

A　文章编号:

100320794（20200820042203

PathPlanningforMobileRobotBasedonBPNeuralNetworkAlgorithm

ZHUYun-guo,ZHOUSong-lin

（TonglingCollege,Tongling244000,China

Abstract:

ImprovestheBPneuralnetworkalgorithm,sotheshortageofpath-planningwiththeBPneuralnetworkalgorithmisovercomed.Thesimulationresultsindicatethatonthebasesofaccessionalmomentummethodcanefficientlyimprovethisalgorithminconvergencespeed.Atlast,mobilerobotdynamicpathplan2ningsimulationiscarriedoutintheenvironmentwithimmobileandmobileobstacle,thesimulationresultindi2catesthatthemethodisfeasible.

Keywords:

mobilerobot;pathplanning;BPneuralnetwork;accessionalmomentum

0　引言

现代机器人在多种行业中得到广泛的应用,尤其在一些工作环境恶劣,劳动强度较大的场合,机器人必将为代替人工劳动而发挥巨大的作用。

路径规划是机器人应用中的一项非常重要的技术,是现代机器人控制领域内的一个焦点问题,本论文主要对如何寻找到一条从起点到终点无碰撞的路径作了研究,在机器人硬件系统的精度短期内不能得到解决的情况下,对算法的研究就显得十分重要。

神经网络是由大量的处理单元广泛互连而成的网络,是在现代神经网络科学研究成果基础上提出来的。

它能模拟人脑的识别、思维、认识过程,反映人脑功能的某些基本特性,但它并不是人脑的真实描写,而只是它的某种抽象、简化与模拟。

神经网络是一个具有高度非线性超大规模的连续时间动力学系统,其最主要的特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处理及高度的鲁棒性和学习联想能力,同时它又具有一般非线性动力系统的共性:

不可预测性、吸引性、耗散性、非平衡性、不可逆性、高维性、广泛连接性和自适应性等。

因此它实际上是一个超大规模非线性连续时间的自适应信息处理系统。

1　带动量项BP神经网络控制原理和结构

1.1　问题的提出

BP神经网络并不是一个十分完善的网络,它还存在着一些缺陷:

（1学习收敛速度太慢,一个比较简单的问题,有时也需要几百次甚至上千次的学习才能收敛;

（2不能保证收敛到全局最小点,会出现局部极小值的问题;

（3网络隐含层的层数及隐含层的单元数的选取到现在为止,还没有理论上的指导,而是根据经验确定。

因此,网络往往有很大的冗余性,无形中增加了网络的学习时间;

（4网络的学习、记忆具有不稳定性。

一个训练结束的BP网络,当给它提供新的记忆模式时,将使原来的连接权值被打乱,导致原来已经记忆好的学习模式的信息消失。

要使这种情况不出现,就要将新的模式加在原来已经学习过的模式一起来进行训练。

而对于人类的大脑来说,新的信息不会影响已记忆的信息,这就是人的大脑的记忆的稳定性。

为了克服上面提到的不足,本文提出了附加动量项的BP算法。

BP算法的改进主要目标是为了加快训练速度,避免陷入局部极小值。

避免网络陷于局部极小值的方法主要有:

模拟退火算法、遗传算法、附加动量法,以及在训练模式中注入噪声的方法,即在训练早期,由随机信号发生器产生的噪声可能很大,随着训练的进行,噪声渐渐减小,最终减至为零,因而算法收敛。

标准的BP算法只是一种最简单的负梯度下降的静态寻优算法,它的收敛速度比较慢,严重影响了该网络在许多方面的实际应用。

由于附加动量法简单且有效,成为研究的热点,它将

第28卷第8期2020年　8月　　　　　　　　　　　　　　　　

煤　矿　机　械

CoalMineMachinery

　　　　　　　　　　　　　　　　Vol128No18

最后一次权值变化的影响,通过一个动量因子来传递,促使权值的调节向着误差曲面底部的平均方向变化,有助于使网络从局部最小值中跳出来。

这种方法所加入的动量项实质上相当于阻尼项,它积累了以前的学习经验,减小了学习过程的振荡趋势,改善了收敛性。

本文采用这种改进型的BP算法获得了较好的控制效果。

用附加动量项的BP神经网络来对移动机器人进行路径规划,附加动量项BP神经网络的训练主要包括样本输入,网络学习及网络输出3部分组成。

神经网络学习训练是一个反复学习的过程,一组训练模式,需经过数百次乃至上千次的学习过程才可能使网络收敛,得到实验要求的最佳模型。

1.2　网络结构的确定

BP神经网络的输入层起缓冲存储器的作用,把数据源加到网络上。

其节点数目取决于数据源的维数,即输入特征向量的维数。

选择特征向量时,要考虑到应选的向量是否完全描述了事物的本质特征。

如果特征向量不能有效地表达事物的特征,网络经训练后的输出可能与实际有较大的误差。

当然,特征向量的选取并不是维数越多越好,输入特征向量维数的增多,将使网络的计算量呈指数增长,会导致组合爆炸。

所以,在选取特征向量时,应从实际出发,适当地选取最能表现事物本质的那些特征。

良好的特征应该具有以下4个特点:

可区别性、可靠性、独立性、数量少。

输出层节点数的确定,有一定的规律可循:

（1当模式类别较少时,输出层节点数等于模式类别数,m类的输出用m个输出单元,每个输出节点对应一个模式类别,即当某输出节点值为1,其余输出节点值均为0时,对应输入为某一特定模式类的样本。

（2当模式类别较多时,用输出节点的编码表示各模式类别,即m类的输出只要log2m个输出单元即可。

隐含层起抽象的作用,即它能从输入提取特征。

增加隐含层可以增强神经网络的处理能力,但会使网络训练复杂化、训练样本数目增加和训练时间增长。

一般说来,开始设置一个隐含层,然后按需要再增加隐含层数。

本文根据实际情况,设计了有1个输入层、1个隐含层、1个输出层的3层BP神经网络结构,其中输入层中有3个神经元,分别为左、前、右3个方向的障碍物到移动机器人的距离（分别是机器人3组传感器所测数据进行融合后的结果作为输入;隐含层有6个神经元（网络隐含层的层数及隐含层的单元数的选取没有理论指导,只能按实验结果确定;输出层有2个输出（分别控制机器人的运行速度和偏转方向。

建立神经网络,并在MATLAB中进行仿真。

2　神经网络参数的确定

（1样本数量

样本数量是影响神经网络将来路径规划效果的一个重要因素。

神经网络的最大特点是学习能力,通过某种学习方法将某方面的信息存储起来,并调整它内部的参数,完成特定的路径规划目的,所以,如果训练样本集非常多且能够较全面反映规划路径所需要的信息,经过学习后,路径规划效果肯定好,如果训练样本较少,且结构单一,则路径规划的效果必定会变差,甚至有碰撞的危险。

本文所选用的训练样本是根据人行走的经验得到速度和偏转角。

总的训练样本的个数为6个。

初始权值选为由MAT2LAB中rand函数所产生的随机数;期望误差值选取010001;训练次数为小于1500次。

（2学习速率、动量项

因为网络的改进与学习速率、动量项的选取有密切关系,在实验中重点对它们进行了分析,在一定范围内,学习速率大时,迭代次数会减小,误差收敛速度快。

但超过一定值时,误差曲线会出现振荡甚至发散,达不到所要求的控制误差效果。

动量项与误差及迭代次数也有类似的关系。

在本控制系统中采用的学习速率为014,动量项为012。

经过多次实验结果令人满意,使误差得到了较好的收敛,并且迭代次数较少。

图1是学习率为014动量项为0时的误差收敛示意图,达到期望误差值时迭代次数为773次,收敛较慢。

图2是学习率为014,动量项为012时的误差收敛曲线示意图,达到期望误差值时迭代次数为280次,收敛较快

。

图1　附加动量项为0

时的误差收敛曲线

图2　附加动量项为012时的误差收敛曲线

3　仿真结果

建立机器人运行的不确定环境,起点定在（5,5,终点定在（50,50,将点（10,9,（18,20,（25,25,（32,29,（40,42,（45,43分别设为静态障碍

　第28卷第8期　　　　基于BP神经网络的移动机器人路径规划———朱云国,等　　　　Vol128No18　

旋转冲击式井下煤矸分离可行性研究

丁开旭1,张志高2,张建臣3

（1.中国矿业大学机电学院,江苏徐州221008;2.新汶矿业集团良庄煤矿,山东泰安271000;

3.神火集团煤电公司,河南商丘476000

摘要:

随着采煤机械化程度的日益提高,煤中混入矸石量逐渐增加,在地面分选,造成环境污染,占用农田、增加成本。

介绍一种新型的井下煤矸分离方法,根据煤矸硬度、破碎力不同,采用旋转冲击方式对煤矸进行打击,从而达到煤矸分离的目的。

关键词:

煤矸分离;冲击破碎;选择性破碎中图分类号:

TD451　文献标志码:

A　文章编号:

100320794（20200820044202

FeasibilityStudyofRotating-impactMethodofCoal-gangue

SeparationUnderground-well

DINGKai-xu1

ZHANGZhi-gao2

ZHANGJian-chen

3

（1.CollegeofMechanicalandElectricalEngineeringofChinaUniversityofMining&Technology,Xuzhou221008,China;

2.LiangzhuangCoalMineofXinwenLiabilityCompany,Tai’an271000,China;

3.ShenhuoGroupElectricCoalLiabilityCompany,Shangqiu476000,China

Abstract:

Astheincreaseinmechanizationoftheshearer,thediscardinthecoalisgradualincreasing.Sepa2ratingontheground,madeenvironmentalpollutionandoccupanciedfarmlandandraisedcost.Onenewunder2groundseparatingmethodisintroduced.Accordingtothedifferenceofthecoalganguehardnessandcrushingforce,adoptedrotatingimpactmethodtothecoalgangue,sothatseparatedthecoalandthecoalgangue.Keywords:

coal-gangueseparation;impactcrushing;selectedcrushing

0　引言

随着采煤机械化程度的日益提高,煤中混入矸石量逐渐增加,特别是夹矸层,这不仅给预先筛分、手选及破碎等其他作业造成困难,而且大量块矸石进入选煤作业,直接影响选煤操作,不利于产品质量的提高。

同时,大量矸石堆积在地面上污染环境。

因此,当煤中夹矸含量较大时,采用机械的方式,在井下预先清除大部分的矸石,对于解放劳动力,提高物,即图中的小圆圈。

然后利用附加动量项的BP神经网络在MATLAB中进行仿真实验,在不确定环境中仿真的行驶路径如图3所示,从图3中可以看出机器人能合理地躲避路障并到达目标点

。

图3　

静态障碍物环境的路径规划图

图4　动态障碍物环境的路径规划图

当障碍物为运动的障碍物时,如图4所示,起点

定在（5,5,终点定在（50,50,设障碍物从点（25,10

出发,以速度013mΠs垂直向上运动。

从图4中可以看出,机器人对障碍物采取了避让动作。

图中的交叉点是机器人与障碍物在不同的时刻留下的轨迹。

仿真结果表明,应用本文所述方法,对不确定环境中的静态障碍物、动态障碍物都可以很好地避障与规划路径。

参考文献:

[1]李慧,杨东梅,沈洁,等.BP神经网络在路径规划中的应用[J].应用科技,2004（9:

15-17.[2]闻新,周露,李翔,等.MATLAB神经网络仿真与应用[M].北京:

科学出版社,2003.

[3]韦巍.智能控制技术[M].北京:

机械工业出版社,2001.

[4]FreundE,MayrR1Nonlinearpathcontrolinautomatedvehicleguidance

[J].IEEETrans1onRoboticsandAutomation,1997,13（1:

49-60.[5]YangSX,MaxM1Neuralnetworkapproachestodynamiccollision-freetrajectorygeneration[J]1IEEETrans-actionsonSystemMan,andcy2bernetics,PartB,2001,31（3:

302-318.

[6]王耀南.机器人智能控制工程[M].北京:

科学出版社,2004.

作者简介:

朱云国（1976-,安徽宿松人,2020年毕业于合肥工业大学电气工程系,获硕士学位,现为铜陵学院电气工程系讲师,研究方向:

智能控制,:

0562-*******,电子信箱:

zdhkm@tlu1edu1cn.

收稿日期:

2020204205

第28卷第8期2020年　8月　　　　　　　　　　　　　　　　煤　矿　机　械CoalMineMachinery

　　　　　　　　　　　　　　　　Vol128No18

Aug.

2020

158　衡阳师范学院学报其最终的“影响程度系数”矩阵,如下式所示:

result=2021年第30卷信息,但仍然存在不足。

参考文献:

[1]王善迈.论高等教育的学费[J].北京师范大学学报（社会办学水平可支配收0.50160.4525生均成本财政投入2.85610.24146　模型的分析评价第一、本模型充分考虑了影响高等教育学费的几个主要因素,特别是关于生均成本的计算比较合理;第二、BP神经网络的优点体现得比较充分。

它的处理诸于信息含糊、不确定、不完整、存在矛盾及假象等复杂数据上的优势以及它所具有的自学能力,都得到了较好的应用;第三、模型的输出经过仿真检验,拟合度较好。

可以用此模型来指导学费标准的制定工作。

但是,一个相对合理的指导、预测模型,需要使用正确、真实的训练、检验样本,是因为神经网络模型的应用范围完全是建立在训练样本的性质与变化趋势上的。

所以基于BP神经网络的收费模型能否对学费的制定起到指导与预测作用,首先取决于模型的训练与检验样本。

在进行因素分析的过程中,选取什么样的指标对这个因素进行表示、选取这个指标之后,用来自哪里的什么数据,都是本模型的难点所在。

由于数据的缺失、资源共享的有限,最终获得的样本与样本数据仍然存在一些疏漏。

尽管我们在进行各项指标的分析与统计的时候,尽量找到了合适的理论依据以及规范的数据科学版,2000（6:

24226.[2]胡汉祥等.高等教育标准生均培养成本测算研究[J].中国物价,2021（5:

29232.[3]王莎.基于BP神经网络的高校硕士研究生收费模型研究[D].长沙:

湖南大学,2020.[4]陈绿萍.关于高校生均教育成本核算若干问题的探讨[J].现代企业教育,2021（12:

1202121.[5]毛建青.我国普通高等院校学费制定标准探讨[J].湖南师范大学教育科学学报,2020（5:

75278.[6]吴立扬,马文伟.基于人工神经网络的实物期权定价[J].武汉理工大学学报（交通科学与工程版,2004（1:

82283.[7]廖晓峰,李传东.神经网络研究的发展趋势[J].国际学术动态,2020（5:

43244.[8]罗成汉.基于MATLAB神经网络工具箱的BP网络实现[J].计算机仿真,2004,21（5:

1092111.OnModelofHigherEducationTuitionFeesBasedonBPNeuralNetworkHEZhi2hong,YANGZhi2feng12（1.DepartmentofTeachingManagement,HengyangNormaluniversity,HengyangHunan421008,China;2.DepartmentofMathematicsandComputationalScience,HengyangNormalUniversity,HengyangHunan421008,ChinaAbstract:

Aferanalyingthemainfactorsaffectinghighereducationtuitionfees,aformulaisputforwardtocigureouttheprima2rycostforeachstudent.ByBPneuralnetworkandMatlab,weobtainedthereasonableweightsofthemainfactors.Atlast,wesimulatethesamples.Andtheerrorisnomorethan0.02,asatifyinglimit.Keywords:

standardsofhighereducationtuitionfees;costofperstudent;BPneuralnetwork;simulation

计算机与现代化

　2021年第1期

JISUANJIYUXIANDAIHUA

总第161期

收稿日期:

2020205211

项目:

河南省自然科学资助项目（0511011500

作者简介:

张可（19842,女,河南三门峡人,南京航空航天大学信息科学与技术学院硕士研究生,研究方向:

图像处理;张高燕（19872,女,河南三门峡人,北京师范大学信息科学与技术学院硕士研究生,研究方向:

图像与语音信号处理;吴苏（19872,男,河南南阳人,哈尔滨工程大学计算机科学与技术学院硕士研究生,研究方向:

Internet应用软件;范海菊（19792,女,河南新乡人,河南师范大学计算机与信息技术学院讲师,研究方向:

语音和图像信号处理。

基于BP神经网络的字符识别系统

张　可1

张高燕2

吴　苏3

范海菊

4

（1.南京航空航天大学信息科学与技术学院,江苏南京210016;

2.北京师范大学信息科学与技术学院,北京100875;

3.哈尔滨工程大学计算机科学与技术学院,黑龙江哈尔滨150001;

4.河南师范大学计算机与信息技术学院,河南新乡453007

摘要:

基于BP神经网络设计了一个字符识别系统。

首先,对字符图像进行二值化处理,构造输入向量矩阵。

其次,通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练,之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性。

最后进行仿真测试并制作图形用户界面GUI来模拟与演示该系统。

仿真结果显示,该BP网络对噪声系数小于0.8的字符识别率可达95%,且网络训练时间可接受。

关键词:

BP神经网络;GUI;字符识别;鲁棒性中图分类号:

TP311.52　　　文献标识码:

A

SystemofCharacterRecognitionBasedonBack2propagationNeuralNetwork

ZHANGKe1

ZHANGGao2yan2

WUSu3

FANHai2ju

4

（1.CollegeofInformationScienceandTechnology,NanjingUniversityofAeronauticsandAstronautics,Nanjing210016,China;

2.CollegeofInformationScienceandTechnology,BeijingNormalUniversity,Beijing100875,China;

3.CollegeofComputerScienceandTechnology,HarbinEngineeringUniversity,Harbin150001,China;

4.CollegeofComputerandInformationTechnology,HenanNormalUniversity,Xinxiang453007,China

Abstract:

ThisarticledesignsacharacterrecognitionsystembasedontheBack2Propagationneuralnetwork.First,thecharacterimageisprocessedinbinarytoconstructtheinputvectormatrix