bp222.m

由循环程序给出机器人关节变量(o1,02)

%%%%%%%%%%%%%学习样本
%function o1o2=xyo1o2(a,b)
%由循环程序给出机器人关节变量(o1,02)，通过正解运算求出相应的末端位姿(x,y)，从而得到学习样本
clear
clc
l1=1;                     %连杆长度50cm
l2=0.8;
n=100;
g=zeros(2,n);

  o1=pi/20:pi/20:pi/2;
  o2=pi/40:pi/40:pi/4; 
  
  for i=1:1:10;
    for  j=1:1:10;
    g(1,j+10*(i-1))=o1(i);
    g(2,j+10*(i-1))=o2(j);
    end
 end

 
   for i=1:1:n
    o1=g(1,i);
    o2=g(2,i);
    x=l1*cos(o1)+l2*cos(o1+o2);
    y=l1*sin(o1)+l2*sin(o1+o2);
    s(1,i)=x;
    s(2,i)=y;
    end
g ;                                                              %关节变量  
s ;                                                             %末端位姿
x1=s(1,:);
x2=s(2,:);
th1=g(1,:);
th2=g(2,:);
th=[th1;th2];                                         %期望值
s=[x1;x2];                                            %样本输入


%%%%%%%%%%%%%%%BP神经网络的仿真

n=10;%设置网络隐单元的神经元数目

%建立相应的BP网络   传递函数分别为tansig、purelin，训练函数（反向传递函数）是trainlm
net=newff(minmax(s),[n 2],{'tansig' 'purelin'},'trainlm');

%训练网络
net.trainParam.epochs=2000;
net.trainParam.goal=0.0001;
tic
net=train(net,s,th)


%对训练后的网络进行仿真
y2=sim(net,s)
y21=y2(1,:);
y22=y2(2,:);

figure;
plot(th1,'ko')
hold on;
plot(y21,'b*')
legend('期望输出','网络输出');
xlabel('样本值')
ylabel('th1')
title('th1的期望与仿真输出曲线')
pause

figure;
e1=th1-y21;
plot(e1,'black-')
axis([0 100 -0.5 0.5])
%legend('期望输出','网络输出');
xlabel('样本点')
ylabel('e1')
title('o1的e1仿真输出曲线')
pause

figure;
plot(th2,'ko')
hold on;
plot(y22,'r*')
legend('期望输出','网络输出');
xlabel('样本值')
ylabel('th2')
title('th2的期望与仿真输出曲线')
pause
figure;
e2=th2-y22;
plot(e2,'black-')
axis([0 100 -0.5 0.5])
%legend('期望输出','网络输出');
xlabel('样本点')
ylabel('e2')
title('o2的e2仿真输出曲线')

a=input('enter x(-0.5 to 1.7):')    
while (x>1.5) | (x<-1.5)
  x=input('x must in -1.5 to 1.5,Please re-type:')
end     
b=input('enter y(0.3 to 1.7):')
while (y>1.6) | (y<0)
    y=input('y must in 0 to 1.6,Please re-type:')
end



s.test=[a;b];
o1o2=sim(net,s.test)
tic