seatsСоциально-экономические и технические системы: исследование, проектирование, оптимизацияSocial-economic and technical systems: research, design and optimization1991-6302Казанский (Приволжский) федеральный университетseats-132Research ArticleОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИЕ СИСТЕМЫ: ПРОЕКТИРОВАНИЕ, ФУНКЦИОНИРОВАНИЕ, ЭКСПЛУАТАЦИЯОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИЕ СИСТЕМЫ: ПРОЕКТИРОВАНИЕ, ФУНКЦИОНИРОВАНИЕ, ЭКСПЛУАТАЦИЯСтатистическое доказательство адекватности нейросетевой модели исполнительной кинематической цепи переносных степеней подвижности манипулятораStatistical proof of the adequacy of the neural network model of the executive kinematic chain of the manipulator transportable degrees of mobilityШульгинС. К.ShulginS. K.

Кандидат технических наук, доцент

Candidate of technical Sciences, assistant professor

СинепольскийД. О.SinepolskyD. O.

Старший преподаватель

Senior Lecturer

МакогонВ. В.MakogonV. V.

Ассистент

Assistant

ФГБОУ ВО Луганский государственный университет имени Владимира ДаляРоссияLugansk State University named after Vladimir DahlRussian Federation20242710202503110119Copyright © Шульгин С.К., Синепольский Д.О., Макогон В.В., 20252025Шульгин С.К., Синепольский Д.О., Макогон В.В.Shulgin S.K., Sinepolsky D.O., Makogon V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://seats.elpub.ru/jour/article/view/132

Рассмотрено применение статистических методов доказательства адекватности в приложении к нейросетевой модели манипулятора. Построена модель кинематики манипулятора с применением матричного метода Денавита-Хартенберга. Сформирована обучающая выборка путем решения прямой задачи кинематики. Выбрана структура и выполнено обучение нейронной сети решению обратной задачи кинематики. С помощью метода оценки распределения остатков доказана адекватность полученной нейросетевой модели первоначальной модели к инематики на основе трансцендентных уравнений.

The application of statistical methods for proving adequacy in the application to the neural network model of the manipulator is considered. The model of the manipulator kinematics is constructed using the matrix Denavit-Hartenberg method. The training sample is formed by solving the direct kinematics problem. The structure is selected and the neural network is trained to solve the inverse kinematics problem. Using the method for estimating the distribution of residuals, the adequacy of the resulting neural network model to the original kinematics model based on transcendental equations is proven.

КПМИС «Стартовый»нейронная сетьнейросетевая модельметода Денавита-Хартенбергапрямая и обратная задачи кинематикиметод остатковкритерий ПирсонаKPMIS "Starter"neural networkneural network modelDenavit- Hartenberg methoddirect and inverse problems of kinematicsresidual methodPearson criterionReferencesШахинпур М. Курс робототехники. – М.: Мир, 1990. – 527 c.Шахинпур М. Курс робототехники. – М.: Мир, 1990. – 527 c.Фу, Кинсан. Робототехника : пер. с англ. / К. Фу, Р. Гонсалес, К. Ли; пер. А. А. Сорокин, А. В. Градецкий, М. Ю. Рачков ; ред. В. Г. Градецкий. - Москва : Мир, 1989. - 621 с.Фу, Кинсан. Робототехника : пер. с англ. / К. Фу, Р. Гонсалес, К. Ли; пер. А. А. Сорокин, А. В. Градецкий, М. Ю. Рачков ; ред. В. Г. Градецкий. - Москва : Мир, 1989. - 621 с.R. Koker : “A genetic algorithm approach to a neural-network-based inverse kinematics solution of robotic manipulators based on error minimization,” Information Sciences, Vol. 222, pp. 528–543, 2013.R. Koker : “A genetic algorithm approach to a neural-network-based inverse kinematics solution of robotic manipulators based on error minimization,” Information Sciences, Vol. 222, pp. 528–543, 2013.A.V. Duka : «Neural network based inverse kinematics solution for trajectory tracking of a robotic arm» Procedia Technology, Vol. 12, pp. 20–27, 2014.A.V. Duka : «Neural network based inverse kinematics solution for trajectory tracking of a robotic arm» Procedia Technology, Vol. 12, pp. 20–27, 2014.Y. Maeda, T. Fujiwara and H. Ito : «Robot control using high dimensional neural networks» Procs. of SICE Annual Conference 2014, pp. 738–743, 2014.Y. Maeda, T. Fujiwara and H. Ito : «Robot control using high dimensional neural networks» Procs. of SICE Annual Conference 2014, pp. 738–743, 2014.Дрейпер Н., Смит Г. Прикладной регрессионный анализ. – М.: Финансы и статистика, 1987. – 350 с.Дрейпер Н., Смит Г. Прикладной регрессионный анализ. – М.: Финансы и статистика, 1987. – 350 с.Кендалл М., Стьюарт А. Статистические выводы и связи – М.: Наука, 1973.– 900 с.Кендалл М., Стьюарт А. Статистические выводы и связи – М.: Наука, 1973.– 900 с.

The authors declare that there are no conflicts of interest present.