Jaringan Saraf fitnet untuk Estimasi Kinematika Invers Lengan Robot Planar dari Posisi Ujung

Info proyek

• Bidang studiRobotika dan Mekatronika
• JenjangDisertasi (S3)
• Jenis metodeMachine Learning
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatfitnet, train, perform (Deep Learning Toolbox)
• HargaRp 600.000 - Rp 3.650.000

Tujuan analisis

Membangun model jaringan saraf fitnet untuk memprediksi sudut sendi pertama dari fitur posisi ujung x dan posisi ujung y pada data sintetis.

Variabel

Contoh hasil

• 0.987Test R
• 0.171Test RMSE
• 0.02Best val. MSE
• 28Epochs
• 12Hidden neurons
• 300Samples

Jaringan saraf dengan 12 neuron tersembunyi memprediksi First joint angle dari End-effector x position dan End-effector y position dengan korelasi uji R=0.987 dan RMSE 0.171 setelah 28 epoch; MSE validasi terbaik 0.0202.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Jaringan Saraf Tiruan (fitnet)

fitnet membangun jaringan saraf tiruan feedforward untuk regresi atau pendekatan fungsi nonlinear. Cocok untuk memodelkan hubungan masukan-keluaran kompleks ketika bentuk persamaan tidak diketahui dan data cukup tersedia.

Langkah pengerjaan

1. 1Siapkan data dengan fitur sebagai baris dan sampel sebagai kolom
2. 2Buat jaringan dengan fitnet dan tentukan jumlah neuron tersembunyi
3. 3Atur pembagian latih, validasi, dan uji serta algoritma pelatihan
4. 4Latih dengan train dan pantau kinerja
5. 5Evaluasi RMSE dan R pada data uji
6. 6Plot prediksi terhadap aktual dan riwayat pelatihan

Asumsi yang perlu diperiksa

• Data cukup banyak dibanding jumlah bobot
• Fitur dinormalisasi (fitnet melakukannya otomatis)
• Pelatihan stokastik sehingga hasil bergantung pada seed dan inisialisasi

Membaca dan melaporkan hasil

Laporkan arsitektur, algoritma, pembagian data, serta RMSE dan R pada data uji. Bandingkan dengan regresi linear untuk menunjukkan perlunya model nonlinear.

Contoh kode MATLAB

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

rng(10);
n = 500;
end_effector_x_position = [10*rand(1, n); 5*rand(1, n)];            % features x samples
first_joint_angle = sin(end_effector_x_position(1, :)) .* end_effector_x_position(2, :) + 0.2*randn(1, n);

net = fitnet(10, 'trainlm');
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;
net.divideParam.testRatio = 0.15;
net.trainParam.showWindow = false;
[net, tr] = train(net, end_effector_x_position, first_joint_angle);

pred = net(end_effector_x_position);
te = tr.testInd;
rmse = sqrt(mean((pred(te) - first_joint_angle(te)).^2));
R = corrcoef(pred(te), first_joint_angle(te));
fprintf('Test RMSE = %.3f, R = %.3f, epochs = %d\n', rmse, R(1, 2), tr.num_epochs);
b = [ones(numel(te), 1) end_effector_x_position(:, te)'] \ first_joint_angle(te)';
lin = [ones(numel(te), 1) end_effector_x_position(:, te)'] * b;
fprintf('Linear baseline RMSE = %.3f\n', sqrt(mean((lin - first_joint_angle(te)').^2)));

figure;
subplot(1,2,1); plot(first_joint_angle(te), pred(te), '.'); hold on; refline(1, 0);
xlabel('Actual'); ylabel('Predicted');
subplot(1,2,2); semilogy(tr.perf); hold on; semilogy(tr.vperf); semilogy(tr.tperf);
legend('Train', 'Validation', 'Test'); xlabel('Epoch'); ylabel('MSE');

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum