基于神经网络的移动机器人的故障诊断方法研究(13)
4.3.2 RBF神经网络用于机械故障诊断的步骤
RBF神经网络的学习算法由两部分组成：(1)对所有输入样本进行聚类，确定各隐层节点的数据中心和扩展常数，属于无监督学习。(2)确定好隐层节点的参数后，采用合适的算法确定隐层到输出层的连接权值，属于有监督学习。由于RBF网络为线性参数网络，两部分采用了不同的学习算法分别进行各自参数的调整。另外，RBF神经网络隐层节点的数据中心对网络的学习的影响很大，只要网络基函数中心选择的适当，可以获得快速的函数逼近效果。
RBF神经网络的学习算法很多，但是有些学习算法不具有递推功能，只适应于静态模式的离线学习，不能应用于动态模式的在线学习；虽然遗传算法具有全局性、并行性和自适应性，但这种算法计算量比较大，会影响系统在线学习的实时性。
4.3.3 RBF神经网络的特点
1．由于RBF网络选择高斯基函数，所以表示形式简单，即使对于多变量输入也不增加太多的复杂性；径向对称、光滑性好、任意阶导数均存在，由于该基函数表示简单且解析性好，因丽便于进行理论分析。
2．已证明RBF网络具有惟一最佳逼近的特性，且无局部极小。
3．RBF网络在非线性映射上采用径向基函数故作用是局部的。
4．RBF网络隐层节点的中心、标准化参数的确定有一定难度。
4.4 RBF神经网络与BP神经网络的对比
目前，前向神经网络应用极为广泛，在前向神经网络中主要有感知网络，BP网络及径向基函数(RBF)网络。其中BP网络和RBF网络具有复杂的非线性处理能力。下面将这两种网络理论进行比较分析，选择最适合本文的网络。
近年来，前向神经网络在非线性不确定问题中有一定的优势，BP网络是前向神经网络中最常用一种人工神经网络，并且应用广泛，但是由于BP网络在非线性映射上采用S型函数，其作用函数是全局的并且在BP网络中采用误差梯度下降算法，使得网络训练成为一个非常费时的过程。
BP网络是一种全局逼近型网络，极易陷入局部极小，常常不能保证网络最后收敛。大部分基于BP算法的网络都有一个共同的缺点，即网络与参数之间的关系是高度非线性的，学习(网络的训练)必须建立在某种非线性优化技术的基础之上。如果利用梯度下降算法，则在学习阶段参数估计可能会陷入其优化标准函数的一个局部极小。虽然有一些方法，如遗传算法、学习自动机、模拟退火等可避免局部极小，但一般都需巨大的计算量，从而极大地限制了BP网络的应用。
RBF网络是一种生物背景很强的前向神经网络，而且已经证明RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，并且还具有唯一最佳逼近点的优点，从根本上解决了BP网络的局部最优问题，而且RBF网络拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。
RBF网络是一种性能良好的网络，凭借其结构简单，快速的训练过程等优点被广泛应用于模式识别、函数逼近、信号处理和控制等领域，并在许多领域取得了巨大成就。
综上所述，本文将RBF神经网络技术应用于移动机械臂故障诊断的研究中。
4.5小结
本章主要介绍了神经网络的主要内容，分析了BP网络、RBF网络的学习算法，对BP 神经网络和RBF神经网络用于机械故障诊断的步骤进行了总结，并对BP网络与RBF网络进行了对比。
5 利用BP网络和RBF网络解决移动机器人故障问题
5.1 移动机器人的模型图
为了研究移动机器人故障诊断问题，首先要给出研究对象的模型。本文采用的是移动机器人，移动机器人的运动学模型如图5.1所示。