Professional Documents
Culture Documents
Neurons Kemr Eze
Neurons Kemr Eze
_____________________________________________________________________________________________________________
____________________________________________________________________
6. NEURONSKE MREŽE
__________________________________________________________
181
Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________
SADRŽAJ
6. NEURONSKE MREŽE...............................................................................................181
LITERATURA ..............................................................................................................201
182
Neuronske mreže
_____________________________________________________________________________________________________________
6.1. Uvod
183
Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________
184
Neuronske mreže
_____________________________________________________________________________________________________________
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.
185
Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________
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
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
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.
188
Neuronske mreže
_____________________________________________________________________________________________________________
V2
y3
O2
y4 W23
V3
w35
y5
yk wjk Vj Wij Oi
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).
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.
(6.4) hj=∑wjkyk
(6.5) Vj=g(hj).
(6.6) hi=∑WijVj
(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
_____________________________________________________________________________________________________________
gde je:
η - faktor brzine učenja,
δi - propagirana greška unazad.
(6.9) δ i = g (h i )[ζ i − O i ]
191
Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________
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.
( ) (
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
sa 'referentnim' koordinatama:
193
Inteligentni roboti i sistemi
_____________________________________________________________________________________________________________
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
(6.17) h j = ∑ w jk Y1k ; j = 1,..,6
k =1
−4 h j
s 1− e s
(6.18) Vj = −4 h j j = 1,..,6
2
1+ e
s
194
Neuronske mreže
_____________________________________________________________________________________________________________
1 2
Y22 = (&q& r1 ⋅ cos q 2 + q& r1 ⋅ sin q 2 ) Y23 = &q& r1 + &q& r 2
2
7
(6.25) h j = ∑ w jk Y2 k ; j = 7,..,10
k =1
8
(6.31) h j = ∑ w jk Y3k j = 11, 12
k =1
12
(6.32) O 3 = ∑ W3 j Vj = τ 3FF
j=11
9
(6.37) h j = ∑ w jk Y3k j = 13, 14
k =1
14
(6.38) O 4 = ∑ W4 j Vj = τ 4 FF
j=13
198
Neuronske mreže
_____________________________________________________________________________________________________________
Neuronski
kontroler
Kompenzacija
elasticnosti
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
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
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
LITERATURA
[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.
[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