神經(jīng)網(wǎng)絡(luò)通常被認(rèn)為是在線求解多種計(jì)算問(wèn)題的重要工具,廣泛應(yīng)用于電子科學(xué)與工程領(lǐng)域。遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent neural network,RNN）通過(guò)構(gòu)造一個(gè)常微分方程（Ordinary differential equation,ODE）求解問(wèn)題。在該情況下,目標(biāo)問(wèn)題的解等同于ODE系統(tǒng)的平衡點(diǎn),且大多數(shù)用于求解ODE的方法也能求解RNN模型。此外,現(xiàn)有大多數(shù)RNN模型都與基于梯度的求解方法有關(guān),因此較容易陷入局部極小值,且其本質(zhì)上是用于求解靜態(tài)非時(shí)變問(wèn)題。時(shí)變問(wèn)題在實(shí)際應(yīng)用中扮演越來(lái)越重要的角色。本文首先通過(guò)引入一個(gè)誤差積分項(xiàng)和非線性激勵(lì)函數(shù)增強(qiáng)的框架,提出一種RNN模型,用于求解受噪聲干擾的時(shí)變線性方程組。理論分析表明,該模型在恒定噪聲干擾且無(wú)界函數(shù)激勵(lì)下具有全局收斂性。當(dāng)激勵(lì)函數(shù)的值受到嚴(yán)格的有界約束時(shí),該模型的誤差上界取決于噪聲的大小和激勵(lì)函數(shù)的界。計(jì)算機(jī)仿真和機(jī)器人實(shí)驗(yàn)證明該模型在求解受噪聲干擾的時(shí)變線性方程組具有優(yōu)越性。隨后,本文還提出受噪聲干擾下基于一種RNN模型的無(wú)關(guān)節(jié)漂移（Jointdrift-free,JDF）方案,該方案用于冗余度機(jī)器人的運(yùn)動(dòng)生成與控制。... 

【文章來(lái)源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 引言
    1.1 背景和意義
    1.2 國(guó)內(nèi)外研究進(jìn)展
    1.3 本文創(chuàng)新點(diǎn)及研究?jī)?nèi)容
    1.4 章節(jié)安排
第二章 時(shí)變線性方程組的 RNN 求解模型及其機(jī)器人應(yīng)用
    2.1 現(xiàn)有工作
    2.2 RNN模型求解方法
        2.2.1 框架與模型
        2.2.2 理論分析
    2.3 計(jì)算機(jī)仿真與數(shù)值實(shí)驗(yàn)驗(yàn)證
        2.3.1 例子1
        2.3.2 例子2
        2.3.3 例子3
    2.4 本章小結(jié)
第三章 RNN求解JDF方案及其機(jī)器人應(yīng)用
    3.1 考慮反饋的無(wú)關(guān)節(jié)漂移方案
    3.2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和理論分析
        3.2.1 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
        3.2.2 無(wú)噪聲情況下的理論分析
        3.2.3 恒定噪聲情況下的理論分析
    3.3 例證
        3.3.1 仿真例子
        3.3.2 機(jī)器人實(shí)驗(yàn)
    3.4 本章小結(jié)
第四章 RNN求解帶雙端約束的時(shí)變欠定線性方程組
    4.1 相關(guān)工作
    4.2 問(wèn)題構(gòu)建和RNN模型的提出
        4.2.1 問(wèn)題描述
        4.2.2 框架和RNN模型
    4.3 理論分析
    4.4 實(shí)驗(yàn)結(jié)果和計(jì)算機(jī)仿真
        4.4.1 仿真驗(yàn)證
        4.4.2 機(jī)器人應(yīng)用
    4.5 本章小結(jié)
第五章 總結(jié)和展望
參考文獻(xiàn)
在學(xué)期間研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于擾動(dòng)觀測(cè)器的機(jī)器人自適應(yīng)神經(jīng)網(wǎng)絡(luò)跟蹤控制研究[J]. 于欣波,賀威,薛程謙,孫永坤,孫長(zhǎng)銀.  自動(dòng)化學(xué)報(bào). 2019(07)
[2]基于多層憶阻脈沖神經(jīng)網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)及應(yīng)用[J]. 張耀中,胡小方,周躍,段書(shū)凱.  自動(dòng)化學(xué)報(bào). 2019(08)
[3]基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建[J]. 周登文,趙麗娟,段然,柴曉亮.  自動(dòng)化學(xué)報(bào). 2019(06)
[4]隨機(jī)非線性系統(tǒng)基于事件觸發(fā)機(jī)制的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制[J]. 王桐,邱劍彬,高會(huì)軍.  自動(dòng)化學(xué)報(bào). 2019(01)
[5]基于確定學(xué)習(xí)的機(jī)器人任務(wù)空間自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制[J]. 吳玉香,王聰.  自動(dòng)化學(xué)報(bào). 2013(06)
[6]梯度神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)求解線性方程組之收斂性分析(英文)[J]. 張雨濃,陳增海,陳軻.  自動(dòng)化學(xué)報(bào). 2009(08)

博士論文
[1]遞歸神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)行為分析[D]. 王芬.武漢科技大學(xué) 2011
[2]時(shí)滯神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性與同步研究[D]. 高明.江南大學(xué) 2009



本文編號(hào)：3154268