魚類作為地球上起源較早的一類生物,經(jīng)過億萬年的演化和自然選擇,已經(jīng)進化出無與倫比的游泳能力,對水下航行器的研究具有重要意義。深度學習對提高機器魚水下的自主性和感知力方面起了很大的作用,本文將仿生機器魚作為研究對象,將深度學習算法運用到機器魚運動控制的研究上,搭建了仿生機器魚平臺,建立分析了機器魚運動控制模型,并對模型進行了優(yōu)化與改進,通過仿真和實驗驗證了深度學習對于機器魚運動控制方法的可行性。具體研究內(nèi)容如下:首先,綜述了仿生機器魚的技術(shù)背景和研究價值與意義,闡述了學習算法在機器魚上的發(fā)展情況,并對發(fā)展的技術(shù)方法做了總結(jié),最后簡單介紹了本文的章節(jié)架構(gòu)及內(nèi)容。其次,闡述了機器魚的機械結(jié)構(gòu),設計了研究仿生機器魚系統(tǒng)平臺,在如何控制機器魚運動,如何與機器魚通信,如何監(jiān)控機器魚游動模態(tài),以及返回實時數(shù)據(jù)等方面做了詳細描述,同時敘述了機器魚系統(tǒng)平臺的軟件和硬件部分,對機器魚游動模態(tài)做了實驗數(shù)據(jù)分析。再次,為研究神經(jīng)網(wǎng)絡在機器魚上的應用,建立了基于長短期記憶神經(jīng)網(wǎng)絡的機器魚運動控制模型,并詳述了建模步驟、可能遇見的問題以及參數(shù)的設定,并對機器魚運動狀態(tài)進行了實驗設計,分析了仿真與實驗結(jié)果。更進一步... 

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景與意義
        1.1.1 課題研究背景
        1.1.2 課題研究意義
    1.2 仿生機器魚國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 學習算法在機器魚上的研究
    1.4 課題來源及論文主要工作內(nèi)容
第2章 仿生機器魚系統(tǒng)平臺設計
    2.1 引言
    2.2 仿生機器魚機械結(jié)構(gòu)設計
    2.3 仿生機器魚系統(tǒng)平臺
        2.3.1 機器魚無線通信系統(tǒng)
        2.3.2 系統(tǒng)對機器魚的實時監(jiān)控
    2.4 上位機控制游動實驗
    2.5 本章小結(jié)
第3章 仿生機器魚運動控制LSTM NN建模
    3.1 引言
    3.2 機器魚LSTM神經(jīng)網(wǎng)絡建模
        3.2.1 LSTM模型
        3.2.2 正向傳播
        3.2.3 反向傳播
    3.3 LSTM神經(jīng)網(wǎng)絡建模
        3.3.1 數(shù)據(jù)預處理
        3.3.2 模型建立與訓練
        3.3.3 模型預測及可視化
    3.4 機器魚運動控制仿真和實驗
        3.4.1 仿真與分析
            3.4.1.1 直游運動
            3.4.1.2 轉(zhuǎn)彎運動
        3.4.2 機器魚運動控制實驗
            3.4.2.1 直游運動
            3.4.2.2 轉(zhuǎn)彎運動
    3.5 與其他神經(jīng)網(wǎng)絡的比較
        3.5.1 與BP神經(jīng)網(wǎng)絡的比較
        3.5.2 BP神經(jīng)網(wǎng)絡模型的建立
            3.5.2.1 直游運動
            3.5.2.2 轉(zhuǎn)彎運動
        3.5.3 與遞歸型脈沖神經(jīng)網(wǎng)絡的比較
            3.5.3.1 遞歸型脈沖神經(jīng)網(wǎng)絡模型
            3.5.3.2 無監(jiān)督學習算法
            3.5.3.3 遞歸型脈沖神經(jīng)網(wǎng)絡模型的建立
        3.5.4 遞歸型脈沖神經(jīng)網(wǎng)絡的仿真實驗
            3.5.4.1 直游運動
            3.5.4.2 轉(zhuǎn)彎運動
    3.6 本章小結(jié)
第4章 機器魚LSTM神經(jīng)網(wǎng)絡模型參數(shù)優(yōu)化
    4.1 引言
    4.2 改變神經(jīng)網(wǎng)絡參數(shù)對機器魚運動的影響及實驗分析
        4.2.1 學習速率learning_rate
            4.2.1.1 直游運動
            4.2.1.2 轉(zhuǎn)彎運動
        4.2.2 每層隱藏層神經(jīng)元個數(shù)num_units
            4.2.2.1 直游運動
            4.2.2.2 轉(zhuǎn)彎運動
        4.2.3 模型訓練步數(shù)steps
            4.2.3.1 直游運動
            4.2.3.2 轉(zhuǎn)彎運動
        4.2.4 網(wǎng)絡權(quán)值更新過程的批尺寸batch_size
            4.2.4.1 直游運動
            4.2.4.2 轉(zhuǎn)彎運動
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
后記
攻讀碩士學位期間論文發(fā)表及科研情況


【參考文獻】：
期刊論文
[1]基于仿脊髓網(wǎng)絡的咽頜模式仿生胸鰭協(xié)調(diào)控制[J]. 劉強,張永碩,周鑫華,楊慧珍.  機器人. 2020(02)
[2]基于海圖和改進粒子群優(yōu)化算法的AUV全局路徑規(guī)劃[J]. 張岳星,王軼群,李碩,王曉輝.  機器人. 2020(01)
[3]仿生機器魚胸/尾鰭協(xié)同推進閉環(huán)深度控制[J]. 李宗剛,夏文卿,葛立明,杜亞江.  機器人. 2020(01)
[4]多鏡頭組合式相機的全景SLAM[J]. 季順平,秦梓杰.  測繪學報. 2019(10)
[5]三關(guān)節(jié)仿生機器魚的設計與驗證[J]. 李丹,熊明磊,辛康妹,陳龍冬.  兵工自動化. 2019(06)
[6]基于EMD與SVM的仿生機器魚人工側(cè)線智能探測方法[J]. 劉鈺,胡橋,趙振軼,魏昶.  水下無人系統(tǒng)學報. 2019(02)
[7]電活性聚合物PVC凝膠材料的3D直寫打印工藝[J]. 羅斌,陳花玲,徐雪杰,汝杰,朱子才.  機械工程學報. 2019(11)
[8]非慣性系下鰻魚機器人動力學建模與仿真[J]. 張安翻,李斌,王明輝,常建.  機械科學與技術(shù). 2019(01)
[9]基于二分圖最大匹配的多機器魚可控包含控制[J]. 陳世明,李海英,邵賽,夏振剛.  控制與決策. 2019(01)
[10]一種基于LSTM神經(jīng)網(wǎng)絡的短期用電負荷預測方法[J]. 張宇航,邱才明,賀興,凌澤南,石鑫.  電力信息與通信技術(shù). 2017(09)



本文編號：3682994