本发明涉及一种机器人设计方法，具体涉及一种基于ELM的机器人自适应跟踪控制方法，属于智能产品技术领域。
背景技术：
由于机器人系统中存在着诸如机器人自身参数误差、观测噪声、未建模动态、负载扰动以及不确定性的外界干扰等因素，因此，针对这种不确定性的在线补偿，不同的控制方法相继被提出，现有技术中引入滤波跟踪误差，设计了自适应神经网络控制器，实现网络的权值在线调整，保证了闭环系统中的所有信号一致最终有界；设计的自适应神经网络控制器无须计算机器人的逆动态模型和雅可比矩阵的逆，实现了机器人任务空间的跟踪控制；采用自适应模糊系统，针对机器人不确定部分，在同时包括摩擦、外加干扰和负载变化且模糊逼近误差在满足某种假设条件的情况下，设计了基于模型已知，模型未知的两种自适应控制方法，均取得了较好的控制效果；采用滑模控制和神经网络相结合，并使用模糊监督控制器，虽然提高了控制系统的性能，但是还须获取系统的先验知识和附加一些限制条件的约束。
技术实现要素：
（一）要解决的技术问题
为解决上述问题，本发明提出了一种基于ELM的机器人自适应跟踪控制方法，针对刚性臂机器人系统，提出基于极限学习机(ELM)的两种自适应神经控制算法，极限学习机随机选择单隐层前馈神经网络(SLFNs)的隐层节点及其参数，仅调整其网络的输出权值，以极快的学习速度可获得良好的推广性。
（二）技术方案
本发明的基于ELM的机器人自适应跟踪控制方法，包括以下步骤：
第一步：针对具有模型不确定性、未知摩擦力、外界扰动以及负载变化的刚性臂机器人系统，提出针对系统不确定项进行整体逼近与分块逼近的两种ELM自适应神经控制算法；
第二步：利用ELM逼近系统的未知非线性函数，附加的鲁棒控制项补偿系统的逼近误差，所获得的两种控制器均不依赖于初始条件的约束且放松对参数有界的要求；
第三步：系统的自适应控制律，ELM网络的权值及未知逼近误差限的自适应参数调节律均是在基于Lyapunov稳定性理论分析设计的基础上得到，且两种ELM控制算法均能保证闭环系统的稳定性及跟踪误差的最终一致有界；
第四步：分段设计的ELM网络权值自适应调节律还具有投影算子的特性，保证了权值有界；
第五步：通过应用于二自由度平面机器人的仿真实例验证了ELM控制器的良好跟踪性能，仿真结果表明了ELM自适应控制算法的有效性和鲁棒性。
（三）有益效果
与现有技术相比，本发明的基于ELM的机器人自适应跟踪控制方法，针对刚性臂机器人系统，提出基于极限学习机(ELM)的两种自适应神经控制算法，极限学习机随机选择单隐层前馈神经网络(SLFNs)的隐层节点及其参数，仅调整其网络的输出权值，以极快的学习速度可获得良好的推广性。
具体实施方式
一种基于ELM的机器人自适应跟踪控制方法，包括以下步骤：
第一步：针对具有模型不确定性、未知摩擦力、外界扰动以及负载变化的刚性臂机器人系统，提出针对系统不确定项进行整体逼近与分块逼近的两种ELM自适应神经控制算法；
第二步：利用ELM逼近系统的未知非线性函数，附加的鲁棒控制项补偿系统的逼近误差，所获得的两种控制器均不依赖于初始条件的约束且放松对参数有界的要求；
第三步：系统的自适应控制律，ELM网络的权值及未知逼近误差限的自适应参数调节律均是在基于Lyapunov稳定性理论分析设计的基础上得到，且两种ELM控制算法均能保证闭环系统的稳定性及跟踪误差的最终一致有界；
第四步：分段设计的ELM网络权值自适应调节律还具有投影算子的特性，保证了权值有界；
第五步：通过应用于二自由度平面机器人的仿真实例验证了ELM控制器的良好跟踪性能，仿真结果表明了ELM自适应控制算法的有效性和鲁棒性。
上面所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下，本领域普通人员对本发明的技术方案做出的各种变型和改进，均应落入到本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。