A self-organizing fuzzy radial basis-function neural-network controller (SFRBNC) has been proposed to control robotic systems. The SFRBNC uses a radial basis-function neural-network (RBFN) to regulate the parameters of a self-organizing fuzzy controller (SOFC) to appropriate values in real time. This method solves the problem caused by the inappropriate selection of parameters in an SOFC. It also eliminates the dynamic coupling effects between degrees of freedom (DOFs) for robotic system control because the RBFN has coupling weighting regulation capabilities. However, its stability is difficult to demonstrate. To overcome the stability issue, this study developed an adaptive self-organizing fuzzy sliding-mode radial basis-function neural-network controller (ASFSRBNC) for robotic systems

چکیده

 یک کنترل کننده شبکه عصبیِ تابع پایه شعاعیِ مود لغزشی فازیِ خود سازماندهِ (SFRBNC) جهت کنترل سیستم های رباتیک پیشنهاد شده است. SFRBNC از یک شبکه عصبی تابع پایه شعاعی (RBFN) جهت تنظیم پارامترهای کنترل کننده فازی خود سازمانده (SOFC) در مقادیر مناسب به صورت بلادرنگ استفاده می کند. این روش مشکلات ایجاد شده توسط انتخاب نامناسب پارامترها در SOFC را برطرف می کند. همچنین اثرات تزویج دینامیکی بین درجه های آزادی (DOF) برای کترل سیستم های رباتیک را نیز حذف می کند. با این حال، نمایش پایداری آن دشوار است. به منظور غلبه بر مشکلات پایداری، این مقاله یک روش کنترل کننده شبکه عصبیِ تابع پایه شعاعیِ مود لغزشی فازیِ خود سازمان دهِ تطبیقی (ASFSRBNC) را برای سیستم های رباتیک توسعه داده است.

1-مقدمه

ربات یکی از سیستم های چند-ورودی چند خروجی با پیچیدگی ها و حالت های غیرخطی است. تخمین دقیق مدل ریاضی آن دشوار است که در نتیجه طراحی کنترل کننده مبتنی بر مدل جهت به کارگیری آن ممکن است غیرعملی باشد. کنترل کننده های منطق فازی با مدل آزاد (FLC) به صورت گسترده جهت کنترل کاربردهای رباتیکی با دینامیک های پیچیده، اعمال شده است...