Neuronske mreže

_____________________________________________________________________________________________________________

____________________________________________________________________

6. NEURONSKE MREŽE
__________________________________________________________

181
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

SADRŽAJ

6. NEURONSKE MREŽE...............................................................................................181

6.1. UVOD .................................................................................................................183

6.2. ARHITEKTURA NEURONSKIH MREŽA...........................................................185

6.2.1. Osnovni pojmovi ..............................................................................................185
6.2.2. Neuron..............................................................................................................186
6.2.3. Topologija neuronskih mreža ..........................................................................187
6.2.4. Algoritam propagacije greške unazad .............................................................188

6.3 NEURONSKI KONTROLER SCARA ROBOTA SA ELASTIČNIM

ZGLOBOVIMA.........................................................ERROR! BOOKMARK NOT DEFINED.
6.3.1. Uvod ..................................................................... Error! Bookmark not defined.
6.3.2. Sinteza neuronskog kontrolera............................. Error! Bookmark not defined.
Neuronska mreža prvog zgloba................................ Error! Bookmark not defined.
Neuronska mreža drugog zgloba.............................. Error! Bookmark not defined.
Neuronska mreža trećeg zgloba ............................... Error! Bookmark not defined.
Neuronska mreža četvrtog zgloba............................ Error! Bookmark not defined.
6.3.3. Simulacioni rezultati ........................................................................................199

LITERATURA ..............................................................................................................201

182
 Neuronske mreže
_____________________________________________________________________________________________________________

6.1. Uvod

Konvencionalni zakoni dinamičkog upravljanja industrijskih robota pri praćenju

kontinualnih trajektorija obuhvataju dinamičko upravljanje na bazi:
♦ referentnog modela (feedforward controller),
♦ metodu inverzne dinamike centralizovanog dinamičkog upravljanja (computed
torque control),
i baziraju se na poznavanju:
♦ dinamičkog modela robotskog sistema, i
♦ parametara robota.

Zbog postojanja strukturne (nepoznavanje svih parametara robota) i nestrukturne

neodredjenosti (nemodelirana dinamika) ovi zakoni upravljanja ne pružaju dovoljnu
robusnost. Navedeni metodi konvencionalnog upravljanja obuhvataju on-line proračun
kompletne dinamike robotskog sistema na bazi referentnih koordinata i u slučaju složene
strukture robotskog sistema nisu pogodni za aplikaciju u realnom vremenu (real-time).

Adaptivni pristupi upravljanja manipulacionim robotima:

♦ na bazi referentnog modela, i
♦ metode Slotine & Li-a
zahtevaju poznavanje dinamičkog modela robota, ne zahtevaju poznavanje parametara
sistema kojim se upravlja i takodje mogu tolerisati samo odredjeni nivo neodredjenosti i
mogu biti problematični pri implementaciji u realnom vremenu [5].

183
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

Savremene koncepcije upravljanja indsutrijskih robota spadaju u "soft computing"

metode i obuhvataju algoritme upravljanja na bazi:
• neuronskih mreža,
• fuzzy metode i
• genetske algoritme.

U narednim poglavljima proučavaćemo tkzv. "soft computing" metode upravljanja.

Analizu započinjemo sa proučavanjem upravljačkih algoritama na bazi primene
neuronskih mreža.

184
 Neuronske mreže
_____________________________________________________________________________________________________________

6.2. ARHITEKTURA NEURONSKIH MREŽA

6.2.1. Osnovni pojmovi

Neuronske mreže predstavljaju savremen pristup za primenu inteligentnih
upravljačkih algoritama u realnom vremenu u robotici. Koncipirani su analogno biološkim
neuronskim mrežama i pogodni su za upravljanje kompleksnih dinamičkih sistema.
Neuronske mreže sa svojom strukturom masivnog paraleleno distribuirajućeg sistema
informacija, predstavljaju nadgradnju adaptivnih upravljačkih sistema [5].

Osnovna ideja u vezi koncipiranja neuronskih mreža potiče još iz perioda 40-tih
godina (Hebb, 1949). 1958 god. Rosenblatt koncipirao Perceptron, Widrow sa saradnicima
razvija Adaline (1960), 1982-ben Hopefield je publikovao tkzv. Hopfield-ovu mrežu.
Rumelhart i saradnici 1986 god. publikuju 'backpropagation' algoritam koji se danas široko
primenjuje.

U nekim oblastima primene, gde drugi algoritmi ne daju zadovoljavajuće rezultate

pogodna je aplikacija neuronskih mreža. Neuronske mreže su uspešno primenjene kod
zadataka prepoznavanja i optimizacije, kod modeliranja-, upravljanja- i identifikacije
nelinearnih sistema. Pri aplikaciji neuronskih mreža nije potrebno poznavati ni
matematički model ni parametre sistema.

Prve rezultate upravljanja sa učenjem manipulacionim robotima zasnovanih na

primeni modela neuronskih mreža objavio je Kawato 1987 godine [4]. Istraživanja iz ove
oblasti prema prezentovnim radovima naročito su intenzivirana zadnjih nekoliko godina.

185
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

Hardverska impementacija neuronskih mreža je omogućena naglim razvojem

računarske tehnike. Neuronska mreža metodom učenja (learning algorithm) na osnovu
greške povratne sprege omogućuje brzo formiranje upravljkačkog signala na bazi
paralelnog i kolektivnog procesiranja informacija [5].

U prvoj fazi -faza učenja, na osnovu repetitivnih kretanja robota, promenom

težinskih faktora vrši se treniranje neuronske mreže u cilju kompenzacije dinamike robota
radi smanjenja odstupanja unutrašnjih koordinata od referentnih vrednosti istih koordinata
pri praćenju kontinualnih trajektorija.

U drugoj fazi -faza generalizacije, kada neuronska mreža sa promenljivim težinskim

faktorima postaje mreža sa konstantnim težinskim faktorima, omogućena je primena
predloženog zakona upravljanja u realnom vremenu (real-time) na potpuno različite
pokrete hvataljke robota.

Faza učenja je vremenski gledano duže traje, a faza generalizacije obuhvata brzu
obradu signala.

6.2.2. Neuron
Neuron je osnovni graditeljski element neuronske mreže. Ima više ulaza i jedan izlaz.
Nelinearno ponašanje neurona obezbedjuje tkzv. funkcija aktivacije (obično sigmoidalna
funkcija). Na slici 6.1. prikazana je šema neurona:

y1 w1
y2 w2

∑
+1
O

yi wi 0

Slika 6.1. Principijelna šema meurona

186
 Neuronske mreže
_____________________________________________________________________________________________________________

Sa slike se može očitati da yi skalarni ulazi se množe sa tkzv. težinskim faktorima wi

(i=1,...,N):

N
(6.1) h = ∑ w i yi
i =1

Nakon sumiranja ovako formiranih ulaznih signala, rezultujući h signal prolazi kroz
funkciju aktivacije, koja ulazni signal sabija izmedju vrednosti 0 i 1 (ovim se ostvaruje
automatska kontrola ulaznog signala):

1
(6.2) O=
1 + e −h

Sigmoidalna funkcija je diferencijabilna unutar celog područja, ostvaruje

nelinearnost unutar neurona i vrlo lako se derivira:

(6.3) O ' (h ) = O(h )[1 − O(h )]

6.2.3. Topologija neuronskih mreža

Neuroni su razvrstani u više slojeva (layer). Jedan neuron u jednom sloju je obično
vezan sa svim ostalim neuronima susednog sloja. Svaka od veza izmedju dva neurona ima
svoj tkzv. težinski faktor, kojim se množi signal koji kroz tu vezu prolazi. Neuroni unutar
istog sloja nikada nisu medjusobno spojeni. Slojeve u neuronskoj mreži delima na sledeći
način:
™ ulazni sloj (input layer),
™ skriveni sloj (hidden layer) i
™ izlazni sloj (output layer).

Ulazni sloj služi samo za distribuciju signala do sledećeg sloja (ne vrši obradu
signala). Izmedju ulaznog i izlaznog sloja može biti jedan ili više skrivenih slojeva. U
najvećem broju slučajeva koristimo jedan skriveni sloj.

187
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

Na sledećoj slici se prikazuje jedna troslojna neuronska mreža. ulazni sloj ima tri
neurona, skriveni dva a izlazni sloj sadrži jedan neuron.

ulazni sloj skriveni sloj izlazni sloj

Slika 6.2. Troslojna neuronska mreža

Višeslojna neuronska mreža odgovarajuće topologije, nakon podešavanja težinskih faktora

u procesu učenja, sposobna je za aproksimaciju proizvoljne nelinearne funkcije. [2].

6.2.4. Algoritam propagacije greške unazad

Algoritam propagacije grešek unazad (backpropagation) je najčešće primenjivan
algoritam u fazi učenja (Rumelhart, Hinton and Williams, 1986.). Posmatrajmo neuronsku
mrežu sa dva aktivna sloja (slika 6.3.):

U prvom aktivnom skrivenom sloju izabraćemo tri, u drugom aktivnom izlaznom

sloju dva neurona. Koristićemo sigmoidnu funkciju aktivacije. Obeležavanja su sledeća:
• Oi – neuroni izlaznog sloja,
• Vj – neuroni skrivenog sloja,
• yk – ulaz,
• wjk – težinski faktori izmedju ulaznog i skrivenog sloja,
• Wij – težinski faktori izmedju skrivenog i izlaznog sloja.

188
 Neuronske mreže
_____________________________________________________________________________________________________________

ulazni sloj skriveni sloj izlazni sloj

y1
w11
V1
y2 W11 O1

V2
y3

O2

y4 W23
V3
w35
y5

yk wjk Vj Wij Oi

Slika 6.3. Neuronska mreža sa dva aktivna sloja

Cilj učenja je ustvari podešavanje težinskih faktora izmedju neurona na taj način da
vektor na ulazu stvara željeni vektor na izlazu. Na početku procesa učenja svi težinski
faktori se moraju tako inicijalizirati da budu mali slučajni brojevi (izmedju 0 i 1).

Algoritam učenja je sledeći:

1. Izabere se ulazni vektor u neuronsku mrežu.
2. Izračuna se izlazni vektor iz mreže.
3. Izračuna se greška izmedju izlaza iz mreže i željenog izlaza.
4. Težinski faktori se podese na taj način da se minimizira greška.
5. Koraci od 1 - 4 se ponavljaju tako dugo dok greška nije
zadovoljavajuće mala.

Faza učenja se sastoji iz dva dela:

189
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

™ Prolaz napred:
Cilj prolaza napred je odredjivanje izlaznog vektora neuronske mreže na sledeći
način.
- na osnovu ulaza u neuronsku mrežu, primenom aktivacijske funkcije u skrivenom sloju
izračunava se izlaz iz skrivenog sloja,
- izlaz iz skrivenog sloja postaje ulaz u izlazni sloj,
- primenom aktivacijske funkcije u izlaznom sloju izračunava se vrednost izlaza iz
neuronske mreže.

Proces učenja u fazi prolaza napred je sledeći:

Ulaz u 'j' neuron skrivenog sloja se sračunava kao:

(6.4) hj=∑wjkyk

tako da je izlaz iz skrivenog sloja:

(6.5) Vj=g(hj).

Ulaz u 'i' neuron izlaznog sloja se sračunava kao:

(6.6) hi=∑WijVj

a izlaz iz izlaznog sloja:

(6.7) Oi=g(hi)

™ Prolaz unazad:
Cilj prolaza unazad je podešavanje težinskih faktora neuronske mreže. Polazi se od
izlaza iz neuronske mreže i primenom tkzv. delta pravila podešavamo prvo težinske
faktore izmedju izlaznog i skrivenog sloja, pa u sledećem potezu takodje izmedju
skrivenog i ulaznog sloja. Postupci podešavanja ovih težinskih faktora se razlikuju
medjusobno.

190
 Neuronske mreže
_____________________________________________________________________________________________________________

Proces učenja u fazi prolaza unazad je sledeći:

Podešavanje težinskih faktora izmedju skrivenog i izlaznog sloja:

(6.8) ∆Wij = η∑δiVj

gde je:
η - faktor brzine učenja,
δi - propagirana greška unazad.

(6.9) δ i = g (h i )[ζ i − O i ]

gde je: ζi – referentni izlaz.

Podešavanje težinskih faktora izmedju ulaznog i skrivenog sloja:

(6.10) ∆wjk = η∑δjyk

a propagirana greška unazad se sračunava na sledeći način:

(6.11) δj=g '(hj)∑Wijδi

Za odredjivanje topologije neuronske mreže (koliko slojeva i koliko neurona po

jednom sloju izabrati) nema opštih pravila. U sledećem poglavlju razmatra se primena
neuronskih mreža za upravljanje manipulacionim robotom, kada se topologija neuronske
mreže strogo determiniše prema matematičkom modelu manipulacionog robota.

191
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

6.3 NEURONSKI KONTROLER SCARA ROBOTA SA ELASTIČNIM

ZGLOBOVIMA

6.3.1. Uvod
U poglavlju se razmatra upravljanje SCARA robota sa elastičnim zglobovima u unutrašnjim
koordinatama pri praćenju nominalnih trajektorija a na egzekutivnom hijerarhijskom nivou
primenom modela neuronske mreže kao kontrolera u otvorenoj grani [1]. Upravljanje se predlaže
primenom poznate metode propagacije greške unazad. Neuronska mreža, koja je strogo
determinisana prema obliku dinamičkog modela krutog robota služi kao generator inverznog
dinamičkog modela za formiranje dinamičkog predkompenzatora (feedforward control) . Kod
predložene forme hibridnog upravljanja sa PD regulatorom i kompenzatorom elastičnih uticaja u
zglobovima, nije potrebno poznavati dinamičke parametre, ali je potrebno poznavati dinamički
model krutog robota.

Verifikacija predložene nove forme upravljanja pri sintezi trajektorija sa cikloidnim

profilom brzine, prikazana je rezultatima simulacije SCARA robota sa elastičnim
zglobovima.

6.3.2. Sinteza neuronskog kontrolera

Predložena arhitektura neuronskog kontrolera sastoji se iz tri sloja:
I. ulazni sloj (input layer) sa 13 neurona,
II. skriveni sloj (hidden layer) sa 13 neurona,
III. izlazni sloj (output layer) sa 4 neurona.
192
 Neuronske mreže
_____________________________________________________________________________________________________________

Dinamički model robota sa elastičnim zglobovima u matričnom obliku odgovara

relacijama 4.25 i 4.26. Dinamički model krutog robota je dat izrazom (4.46). Primenjen je
hibridni pristup sa funkcionalnom dekompozicijom mreže koja odgovara krutom
dinamičkom modelu SCARA robota. U tom cilju, pogodnim izborom vektora parametara p:

( ) (
 p1  J zz1 + J zz 2 + J zz 3 + J zz 4 + m1l c21 + m 2 l12 + l c22 + (m 3 + m 4 ) l12 + l 22 )
p   
 2  2[m 2 l1l c 2 + l1l 2 (m 3 + m 4 )] 
p 3   J zz 2 + J zz 3 + J zz 4 + m 2 l c22 + (m 3 + m 4 )l 22 
   
p 4   m3 + m4 
(6.12) p 5  =  J zz 4 
   
p 6   V1 
p   V2 
 7  
p 8   V3 
p   V4

 9  

potrebno je poznati kruti dinamički model SCARA robota tranformisati na oblik:

(6.13) τˆ = Y(q, q& , q& r , q

&& r )pˆ

sa 'referentnim' koordinatama:

(6.14) q& r = q& d − Λ(q − q d )

gde je: Λ - dijagonalna matrica pojačanja.

Matrica regresor Y = Y(q, q& , q& r , q

&& r ) koja se formira na osnovu krutog modela
SCARA robota (4.46) je reda 4x9, elementi ove matrice se prezentuju kasnije.

Y11 Y12 Y13 0 Y15 Y16 0 0 0 

 0 Y22 Y23 0 Y25 0 Y27 0 0 
(6.15) Y =
 0 0 0 Y34 0 0 0 Y38 0 
 
 0 0 0 0 Y45 0 0 0 Y49 

Koncept upravljanja pojedinih zglobova SCARA robota primenom neuronskih

mreža prikazana je na sledećim slikama:

193
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

Neuronska mreža prvog zgloba

Slika 6.4. Struktura neuronske mreže zgloba 1

Ulaz u neuronsku mrežu su odgovarajući elementi matrice regresora::

1 1
Y11 = &q& r1 Y12 = (&q& r1 + &q& r 2 ) cos q 2 − (q& r1 + q& r 2 )q& 2 sin q 2
2 2

(6.16) Y13 = &q& r 2 Y15 = −&q& r 4

Y16 = q& r1 Y14 = Y17 = Y18 = Y19 = 0

Napisaćemo sledeći izraz:

6
(6.17) h j = ∑ w jk Y1k ; j = 1,..,6
k =1

Izabrana funkcija aktivacije je oblika:

 −4 h j

s 1− e s 
(6.18) Vj =  −4 h j  j = 1,..,6
2 
1+ e
s


194
 Neuronske mreže
_____________________________________________________________________________________________________________

Derivacija funcije aktivacije:

−4 h
4e s
(6.19) Sig′(h ) = 2
 −4 h

1 + e s 
 
 

Izlaz iz neuronske mreže je:

6
(6.20) O1 = ∑ W1 j Vj = τ1FF
j=1

Greška povratne sprege je:

(6.21) δ1 = q& 1 − q& r1

a odgovarajuće relacije za podešavanje težinskih faktora su:

(6.22) ∆W1 j = η1δ1 Vj ; j = 1,..,6

(6.23) ∆w ij = η1δ1 W1i Sig ′(h i )Y1 j i = 1,..,6 j = 1,..,6

Neuronska mreža drugog zgloba

Slika 6.5. Struktura neuronske mreže zgloba 2

195
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

Ulaz u neuronsku mrežu su odgovarajući elementi matrice regresora:

1 2
Y22 = (&q& r1 ⋅ cos q 2 + q& r1 ⋅ sin q 2 ) Y23 = &q& r1 + &q& r 2
2

(6.24) Y25 = −&q& r 4 Y27 = q& 2

Y21 = Y24 = Y26 = Y28 = Y29 = 0

Napisaćemo sledeći izraz:

7
(6.25) h j = ∑ w jk Y2 k ; j = 7,..,10
k =1

Izlaz iz neuronske mreže je:

10
(6.26) O 2 = ∑ W2 j Vj = τ 2 FF
j=7

Greška povratne sprege je:

(6.27) δ 2 = q& 2 − q& r 2

a odgovarajuće relacije za podešavanje težinskih faktora su:

(6.28) ∆W2 j = ηδ 2 Vj j = 7,..,10

(6.29) ∆w ij = ηδ 2 W2i Sig ′(h i )Y2 j i = 7,..,10 j = 1,..,7 .

Neuronska mreža trećeg zgloba

Slika 6.6. Struktura neuronske mreže zgloba 3

196
 Neuronske mreže
_____________________________________________________________________________________________________________

Ulaz u neuronsku mrežu su odgovarajući elementi matrice regresora:

(6.30) Y34 = &q& r 3 − g Y38 = q& 3

Y31 = Y32 = Y33 = Y35 = Y36 = Y37 = Y39 = 0

Napisaćemo sledeći izraz:

8
(6.31) h j = ∑ w jk Y3k j = 11, 12
k =1

Izlaz iz neuronske mreže je:

12
(6.32) O 3 = ∑ W3 j Vj = τ 3FF
j=11

Greška povratne sprege je:

(6.33) δ 3 = q& 3 − q& r 3

a odgovarajuće relacije za podešavanje težinskih faktora su:

(6.34) ∆W3 j = ηδ 3 Vj j = 11, 12

(6.35) ∆w ij = ηδ 3 W3i Sig ′(h i )Y3 j i = 11, 12 j = 1,..,8

Neuronska mreža četvrtog zgloba

Slika 6.7. Struktura neuronske mreže zgloba 4

197
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

Ulaz u neuronsku mrežu su odgovarajući elementi matrice regresora:

Y45 = &q& r 4 − &q& r1 − &q& r 2

(6.36) Y49 = q& 4

Y41 = Y42 = Y43 = Y44 = Y46 = Y47 = Y48 = 0

Napisaćemo sledeći izraz:

9
(6.37) h j = ∑ w jk Y3k j = 13, 14
k =1

Izlaz iz neuronske mreže je:

14
(6.38) O 4 = ∑ W4 j Vj = τ 4 FF
j=13

Greška povratne sprege je:

(6.39) δ 4 = q& 4 − q& r 4

a odgovarajuće relacije za podešavanje težinskih faktora su:

(6.40) ∆W4 j = ηδ 4 Vj j = 13, 14

(6.41) ∆w ij = ηδ 4 W4iSig ′(h i )Y4 j i = 13,..,14 j = 1,..,9

Šema predloženog koncepta upravljanja za SCARA robote prikazana je na slici

6.8., gde je posebno naznačen kompenzator elastičnih uticaja u zglobovima robota.

198
 Neuronske mreže
_____________________________________________________________________________________________________________

Neuronski
kontroler

Kompenzacija
elasticnosti

Slika 6.8. Blok šema neuronske hibridne upravljačke strukture

6.3.3. Simulacioni rezultati

Verifikaciju predloženog koncepta upravljanja prikazaćemo simulacionim

eksperimentom na SCARA robotu sa elastičnim zglobovima (4.46) pri praćenju
nominalnih trajektorija trećeg (prizmatičnog) zgloba q3 sa cikloidnim profilom brzine.
Vreme simulacije je 1 s. U fazi učenja izvodimo 30 repetitivnih kretanja sa sledećim
vrednostima parametara: kd=ke=4, Λ=5, η=0.0065. Inicijalne vrednosti težinskih faktora
birane su po zakonu slučajnih brojeva (max. 0.01). Simulacija pokreta je izvršena za
sledeće parametre robota: prvi segment - masa m1=12 kg, dužina l1=0.6 m, položaj centra
2
mase lc1=0.3 m, moment inercije J1=0.36 kgm , drugi segment - masa m2=6 kg, dužina
2
l2=0.4 m, položaj centra mase lc2=0.2 m, moment inercije J2=0.08 kgm , treći segment -
2
masa m3=2 kg, moment inercije J3=0.08 kgm , četvrti segment - masa m4=2 kg, moment
2
inercije J4=0.08 kgm2, servomotori - moment inercije rotora Jm1=Jm2=0.018 kgm ,
Jm3=Jm4=0.01 kgm2, koeficijent prigušenja kam=0.1 Nms/rad. Rezultati simulacije na
slikama 6.9., 6.10. i 6.11. prikazuju vrlo dobro praćenje referentne trajektorije i brzine:

199
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

0.12

0.1

0.08 qd30
q30
0.06

0.04

0.02

0
0 0.25 0.5 0.75 1

Slika 6.9. Referentna i stvarna trajektorija zgloba 3 [m]

d e lta q 3 0

0.00006

0.00004

0.00002

0
0 0.25 0.5 0.75 1
-0.00002

-0.00004

-0.00006

-0.00008

-0.0001

Slika 6.10. Greška koordinate zgloba 3 q3-qd3 [m]

0.25
dq d3 0
dq 3 0
0.2

0.15

0.1

0.05

0
0 0.25 0.5 0.75 1

-0.05

Slika 6.11. Referentna i stvarna brzina zgloba 3 [m/s]

200
 Neuronske mreže
_____________________________________________________________________________________________________________

U ovom poglavlju je prikazano upravljanje SCARA robota sa elastičnim zglobovima u

unutrašnjim koordinatama pri praćenju nominalnih trajektorija a na egzekutivnom hijerarhijskom
nivou primenom modela neuronske mreže kao kontrolera u otvorenoj grani. Upravljanje se
predlaže primenom poznate metode propagacije greške unazad. Neuronska mreža, koja je strogo
determinisana prema obliku dinamičkog modela krutog robota služi kao generator inverznog
dinamičkog modela za formiranje dinamičkog predkompenzatora (feedforward control) . Kod
predložene nove forme hibridnog upravljanja sa PD regulatorom i kompenzatorom elastičnih
uticaja u zglobovima, nije potrebno poznavati dinamičke parametre, ali je potrebno poznavati
dinamički model krutog robota. Rezultati izvedene simulacije potvrdjuju opravdanost
predložene metode. Simulacioni eksperimenti ukazuju na činjenicu da vrednost faktora
brzine učenja dominantno utiče na proces učenja i na rezultate simulacije.

LITERATURA

[1] Gyula Mester, Pletl Szilveszter, Gizela Pajor

„Neural Network Applications for Rigid-Link Flexible-Joints Scara Robot Motion Control”.
Zbornik radova konferencije ETRAN, pp.93-94, Nis, 1994. ISBN 86-80509-10-8.

[2] Horváth Gábor,"Neurális hálózatok és műszaki alkalmazásaik" Budapesti Műszaki Egyetem, Budapest,
1995.

[3] Lantos Béla, "Neurális rendszerek", Budapesti Műszaki Egyetem, Budapest, 1995.

[4] M. Kawato, K. Furukawa and R. Suzuki, A Hierarchical Neural-Network Model for Control and Learning
of Voluntary Movement, Biological Cybernetics, 57, pp. 169-185, 1987.

[5] Duško Katić"ALGORITAM UPRAVLJANJA MANIPULACIONIM ROBOTIMA NA BAZI UČENJA

POMOĆU MODELA NEURONSKE MREŽE",Zbornik VI Jugoslovenskog simpozijuma za primenjenu
robotiku i fleksibilnu automatizaciju, str.179-186, Novi Sad, 1989. god.

[6] Duško Katić, Sinteza neronskog kontrolera za hibridno upravljanje manipulacionim robotima
XXXVI konferencija ETAN-a, Zbornik radova, 191-198, 1992.

[7]S. P. Chan, Real Time Control of Robot Manipulator Using a Neural Network Based Learning Controller
Proceedings IECON'93, pp. 1825-1830, Hawaii, USA, 1993.

201
 Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________

[8]Narpat S. Gehlot and Pablo J. Alsina, A comparasion of control strategies of Robotic Manipulators using
Neural Networks, Proceedings of the IECON'92, pp.688-693, San Diego, USA, 1992.

[9] Marzuki Khalid and Shigeru Omatu, Control of Real-Time Processes Using Backpropagation Neural
Networks, Proceedings of the IECON'91, pp. 1443-1448, Kobe, 1991.

[10] J. Tanomaru and S. Omatu, Towards Effective Neuromorphic Controllers, Proceedings of the
IECON'91, pp. 1395-1400, Kobe, 1991.

[11] T. Shibata, T. Fukuda, K. Kosuge, F. Arai, M. Tokita and T. Mitsuoka, Hierarchical hybrid
Neuromorphic Control for Roboric Motions, Proceedings of the IECON'91, pp. 1465-1470, Kobe, 1991.

[12] T. Yamada , T. Yabuta, ‘Remarks On An Adaptive Type Self-tuning Controller Using Neural
Networks’, Proceedings of the IECON'91, pp. 1389-1394, Kobe, 1991.

[13] Bart Kosko, Neural Networks and Fuzzy Systems: a Dynamical Systems approach to Machine
Intelligence Prentice Hall, USA, 1992.

[14] D. F. Bassi, Connectionist Dynamic Control of Robotic Manipulators, Ph. D. Thesis, University of
Southen California, Los Angeles, 1990.

[15] P. Gugliemelmetti and R. Longchamp, Real-Time Identification of a Robot Manipulator Using a "Neural
Network" Approach, Proceedins of the Intelligent Motion Control, Vol. 1. pp. 217-222, Istambul, 1991.

[16] T. Fukuda and T. Shibata, Neural Network Applications for Robotic Motion Control, Proceedins of the
Intelligent Motion Control, Vol. 1. pp. SL-31-SL-36, Istambul, 1991.

[17] M. Kawato, Y. Uno, M. Isobe and R. Suzuki, Hierarchiacal Neural Network Model for Voluntary
Movement with Application to Robotics, IEEE Control Systems Magazine, Vol 8, No. 2, pp. 8-16, 1988.

[18] D. Psaltis, A. Sideris and A. Yamamura, A Multilayered Neural Network Controller,IEEE Control
Systems Magazine, Vol 8, No. 2, pp. 17-21, 1988.

[19] B. Bavarian, Introduction to Neural networks for Intelligent Control, IEEE Control Systems Magazine,
Vol 8, No. 2, pp. 3-7, 1988.

[20] P. J. Werbos, An Overview of Neural Networks for Control, IEEE Control Systems, pp.40-41, 1991.

[21] K. Narendra and K. Parthasarathy, Identification and Control of Dynamical Systems Using Neural
Network, IEEE Transactions on Neural Networks, Vol. 1. No. 1. pp. 4-15, 1989.

202