脑神经信号及气动人工肌肉的ESN建模与控制

论文摘要

使用神经网络对非线性系统的建模和控制已经因其良好的效果而得到了广泛的应用,而其中递归神经网络则因其动态性占更大的优势。回声状态网络(ESN)是一种新型的递归神经网络,它具有很新颖的学习方法,并具备良好的短期记忆能力。它的主要原理是利用大量神经元彼此稀疏连接来构建一个内部存储池,用来存储历史信息。它的训练方法是计算出内部存储池中的状态空间对于输出节点的线性回归权值,以得到误差平方和的最小化。本文的内容则是利用这种神经网络来完成对非线性系统的建模和控制,将其应用大脑神经信号的建模以及气动肌肉的建模与控制。本文首先研究了使用回声状态网络从猴子大脑神经元信号提取其手臂运动信息的解码算法。实验的数据为猴子分别朝8个不同的方向运动的轨迹以及记录的相对应的相关脑神经元信号。首先使用ESN分别针对各个方向建立猴子手臂运动轨迹的模型,每个方向取出一部分数据用于训练,另外一部分数据进行测试,测试结果验证了该方案的可行性;接下来使用基于充电模型神经元的ESN对猴子手臂运动的方向进行了建模,并获得了较好的效果。另外,本文使用ESN对气动肌肉的建模和控制进行了研究。首先通过实验驱动气动肌肉采集了其运行时的位移和拉力的相关数据,然后离线使用回声状态网络分别对其输出力和位移的模型进行了建立;接下来,在matlab/simulink环境下,使用两个回声状态网络分别逼近该系统的正模型和逆模型来构建内模控制结构以对其进行位置跟踪控制,仿真结果均证明了该控制策略可以给出较好的跟踪效果。将该方法用于实际气动肌肉系统的控制实验,成功实现了位置跟踪。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 脑运动神经系统研究
• 1.3 气动肌肉的建模与控制
• 1.4 ESN 研究现状
• 1.5 研究内容
• 2 回声状态网络
• 2.1 回声状态网络的结构
• 2.2 回声状态网络的运行和训练
• 2.3 回声状态网络的理论分析
• 2.4 使用PSO 算法设定ESN 参数
• 2.5 充电模型神经元（integrator leaky neuron）
• 2.6 本章小结
• 3 脑神经信号的建模
• 3.1 实验介绍
• 3.2 轨迹预测
• 3.3 方向预测
• 3.4 本章小结
• 4 气动肌肉的建模和控制
• 4.1 引言
• 4.2 气动肌肉平台介绍
• 4.3 基于ESN 的气动肌肉的建模
• 4.4 气动肌肉的控制
• 4.5 本章小结
• 5 总结与展望
• 致谢
• 参考文献
• 附录 攻读硕士期间发表的文章