tify"> Далі проводитися розрахунок відхилення від еталону, надалі помилка. Інтеграл по розузгодженню ми вважаємо як суму помилок, диференціал як різниця між минулою і теперішньою помилкою:
error=offset - light;=Isum * 8/10 + error;
Draz=error - Draz;
Далі розраховуємо яку потужність необхідно подавати на двигуни:
u=kp * error + ki * Isum + kd * Draz;=speed + u;=speed - u;
OnFwd (OUT_A, left) - функція змушує обертатися двигуни, залежно від зазначеної потужності.
Далі необхідно визначити оптимальні коефіцієнти ПІД - регулятора для максимально швидкого проходження мобільним роботом траси, без виїзду з неї. Для цього змінюємо спочатку пропорційний коефіцієнт в межах від 1 до 100, потім інтегральний від 10-4 до 1, і диференційний в проміжку від 1 до 100. Визначивши оптимальний набір коефіцієнтів, проводимо серію дослідів для подальшої обробки їх нейронною мережею [7].
4.2 РОЗРОБКА НЕЙРОННОЇ МЕРЕЖІ
Для вирішення завдання був обраний двуслойний персептрон прямого розподілу, навчання відбувається за алгоритмом Levenberg-Marquardt зворотного поширення помилки [8]. Вид нейронної мережі представлений на малюнку 4.1.
Малюнок 4.1 Вид нейронної мережі
Оптимальна кількість нейронів в кожному прихованому шарі виразно в 3 нейрона. У першому прихованому шарі функцією активації є сигмоїдальна функція (в даному випадку гіперболічний тангенс), вона описується формулою
(4.1)
де, параметр, що впливає на нахил сигмоидальной функції.
У другому схованому шарі функція активації - логістична функція.
Вхідні дані являють собою час проходження траси, і чи стався виліт з неї. Вихідні дані - коефіцієнти ПІД - регулятора [9].
4.3 РЕЗУЛЬТАТИ РОБОТИ
На графіках (малюнки 4.2 та 4.3) показані результати навчання мережі. (малюнок 4.2) - функція продуктивності мережі. Вона показує продуктивність, відповідно до середньої квадратичної помилкою.
На (малюнку 4.3) видно, як змінювався градієнт і коефіцієнт навчання мережі (mu) в процесі навчання мережі.
Малюнок 4.2 Залежність середньої квадратичної помилки від кількості ітерацій
Малюнок 4.3 Графік зміни градієнта і коефіцієнта навчання мережі в процесі навчання
Для перевірки працездатності навченої нейронної мережі подавалося на вхід дані значно менше мінімально отриманих (мінімальне отриманий час, при знаходженні коефіцієнтів в ручну, склало ~ 30.5 секунди), виліт з траси - «0» (1 - стався вихід з траси, 0 - траса повністю пройдена). Отримані коефіцієнти підставляємо в програму руху мобільного робота. Фіксуємо істинне час проходу траси роботом. У таблиці 4.1 представлені деякі результати визначення коефіцієнтів ПІД-регулятора нейронною мережею.
Таблиця 4.1 - Результати роботи нейронної мережі
tжелаемое, cВилет, true/falseКпКіКдtістін, сВилет, true/false290110.00011729.504170.05206.5120080.000130121 Повна таблиця проведених експериментів представлена ??в додатку Б, таблиця Б.2.
Експериментальні дані, зазначені в таблиці, найбільш чітко показують працездатність нейронної мережі. У першому і другому випадках був отриманий результат близький до бажаного, в третьому ж були поставлені недосяжні вхідні дані.
Схема мобільного робота з вбудованою нейронною мережею для автоматичної настройки коефіцієнтів ПІД - регулятора (малюнок 4.4) дозволить повністю прибрати людський фактор втручання в настройку коефіцієнтів ПІД - регулятора.
Малюнок 4.4 - Схема мобільного робота з вбудованою нейронною мережею
аключенія
У рамках даної роботи була досліджена і розроблена штучна нейронна мережа для регулювання коефіцієнтів ПІД - регулятора. Дана мережа має вигляд двуслойного персептрона прямого поширення сигналу, з алгоритмом зворотного поширення помилки. Кількість нейронів в прихованому шарі - 3. Мережа була навчена на базі даних, зібраних в експериментах по ручному пошуку коефіцієнтів ПІД - регулятора. На вхід подавалися значення часу проходження траси мобільним роботом, і вильотом з траси. На виході в якості вчителя були виставлені коефіцієнти ПІД - регулятора. При даному розподілі даних ми отримуємо можливість подавати в мережу бажане час проходження траси. Проведені експерименти, з урахуванням неточності і не совершенности проведених експериментів (такі як: фіксація часу проходження траси, різне положення мобільного робота в початк...
