基于徑向基神經網絡的電動云臺控制器的設計

摘要：分析了云臺控制的性能要求，設計了一種基于RBF網絡的電動云臺智能控制系統，并分別闡述了控制器的設計和控制系統的設計，最后分析了系統的性能。

關鍵詞：視頻監控 云臺控制 RBF網絡

0 引言

視頻監控系統已經用與現代生活、生產及管理中的方方面面，隨著人們對監控系統性能的要求越來越高，從而對設計者提出了更高的要求。一方面要求采集的視頻圖像更加清晰，另一方面要求監控系統能夠盡最大程度地擴大監控范圍。對于第一種要求可以改進其編碼方式及提高信道利用率來實現，而對于第二種要求則要改善對云臺的控制回路來實現。傳統的控制方式是直接控制電機帶動云臺轉動來實現全方位監控，控制精度較低，為了提高云臺的定位精度，本文采用神經網絡控制器來解決這個問題。

1 神經網絡控制器

1.1 神經網絡結構描述

人工神經網絡是源于人腦神經系統的一類模型，具有模擬人的部分形象思維的能力。它是由簡單的信息處理單元互連而成的網絡，能接受并處理信息。目前常用的有BP神經網絡，徑向基（RBF）神經網絡，Elman神經網絡等，由于RBF網絡的逼近能力較強，故本文選用RBF神經網絡。RBF神經網絡結構如圖1所示。

RBF神經網絡是三層前向網絡，第一層為輸入層，只起數據的傳輸作用；第二層為隱含層，隱含層神經元是對輸入層輸入的數據進行運算；第三層是輸出層。在隱含層中的徑向基函數一般取為高斯函數

(1)

式中x為網絡輸入向量；ci為隱含層中第i個節點作用函數的數據中心；σi為第i個感知的變量，表示作用函數圍繞中心點的寬度；m為隱層神經元個數，也就是作用函數數據中心的數目；

表示x到ci之間的歐式距離。

輸出為

式中p為輸出網絡節點數；ωik為隱含層的輸出權值。

1.2 RBF網絡控制器的設計

由于神經網絡的訓練中高斯函數數據的中心及網絡權值都是隨機形成的，故這種算法只適合簡單有規律樣本的處理，不適合大規模樣本的處理。為了更快的找到合適的網絡參數，本文采用遺傳算法與BP算法形成混合訓練算法，預先確定網絡拓撲結構，每一個個體包含若干染色體，每一條染色體對應一個權值或中心，染色體采用實數編碼，訓練先由遺傳算法進行全局搜索，將搜索范圍縮小后，再由BP算法進行局部優化，發揮局部尋優的高精確性。具體步驟如下：

①初始化網絡，初始化群體：網絡中的權值和高斯函數的中心，其初值是按概率e-│r│得到的隨機數；②根據一定的性能評價準則計算個體適應度，若達到預定值轉④；③遺傳操作（包括選擇、交叉和變異），轉②；④BP算法迭代計算；⑤計算是否已達到指定精度（在規定的迭代次數內），否則轉③；⑥輸出此時的權值和中心，結束訓練。

2 電動云臺的控制方案

云臺控制系統主要實現控制臺面上、下、左、右4個方向的轉動角度，因此帶動攝像機在三維立體空間的全方位監視，云臺通過服務器接收控制信號，并將控制信號轉換成驅動云臺轉動的控制電壓，從而達到控制攝像頭轉動的目的。其控制系統如圖2所示。

3 系統性能分析分析

在整個系統中，將云臺在水平和垂直方向的運動角度數據實時傳輸到控制中心，以供視頻監控系統分析計算，再將計算出的結果確定當前云臺的位置，并將其結果與目的角度進行比較，從而實現對控制結果的修正。

4 結論

本文研究了神經網絡控制，設計基于遺傳算法的RBF網絡控制器及其控制系統，能夠實現對云臺穩、準、快的控制。

參考文獻：

[1]王德義，陳娟，孫德輝.基于ATMEGA128的電動云臺控制器的設計.電力自動化設備，2010.6.

[2]趙益軍.基于遺傳算法與神經網絡相結合的區域水資源承載力綜合評價.山東大學學報，2006，8:81-83.

[3]宋建軍.基于神經網絡的鎳氫電池容量預測及智能充電.燕山大學碩士學位論文，2006.

作者簡介：

朱春穎 女，1982年生，碩士研究生，研究方向為神經網絡優化設計和智能控制的研究。

沈海軍 男，1982年生，本科，研究方向通信。

備注：本文為河北機電職業技術學院教科研規劃課題項目“嵌入式Web在智能監控、巡更系統中的應用研究”的成果之一。