超闭球CMAC的性能分析及多CMAC结构

如何选择合适网络参数是传统CMAC(Cerebellar Model Articulation Controller)应用 中的一个难题.采用泛化均方差(GMSE)和学习均方差(LMSE)来分别评价超闭球CMAC的泛 化能力与记忆精度,并引入权调整率的概念,来研究CMAC结构参数与学习性能的关系.研究 结果表明,在样本分布和量化级数不变时,泛化均方差和学习均方差是权调整率的非增函数.因 此超闭球CMAC在满足存储空间和计算速度的要求下尽量使得权调整率较大.还提出了并行 CMAC结构以进一步提高单个超闭球CMAC的非线性逼近能力.仿真结果证明了该方法的有 效性.     

基于信度分配的并行集成CMAC及其在建模中的应用

Albus CMAC(cerebella model articulation controller) 神经网络是一种模拟人类小脑学习结构的小脑模型关节控制器, 它具有很强的记忆与输出泛化能力, 但对于在线学习来说, Albus CMAC仍难满足快速性的要求. 本文在常规CMAC神经网络的基础上, 针对其在学习精度与存储容量之间的矛盾, 引入信度分配概念, 提出了一种基于信度分配的并行集成CMAC. 它将大规模网络切割为多个子网络分别训练后再组合, 大大地提高了计算效率. 通过对复杂非线性函数建模的仿真研究表明, 该方案提高了系统建模的泛化能力和算法的收敛速度. 文章最后讨论了学习常数和泛化参数对该神经网络在线学习效果的影响.     

基于BMAC-RLS模型的复杂系统行为预测方法及其应用

复杂系统行为预测是复杂系统管理与决策的重要内容.为了在确保预测准确性的前提下提高系统预测的稳定性和泛化能力,提出一种基于主成分分析结合加入B样条的连续CMAC递推最小二乘算法(CMAC-RLS)的组合模型的预测方法(PCA-BMAC-RLS).首先利用主成分分析来降低输入变量的维数以减少CMAC权系数空间.其次采用BMAC-RLS算法以确保权值的收敛且能提供函数的微分信息以适合复杂系统的在线建模.最后以实际应用为例,对比采用RBF神经网络模型和本文的PCA-BMAC-RLS组合模型的预测实验.实验结果显示,本文方法具有稳定性好、泛化能力强、运行速度快、预测精度高等显著优点.     

CMAC算法中泛化特性分析

CMAC算法中,研究泛化性能是其中一项主要内容.泛化性能好,则网络的学习精度高.本文阐述网络的原理、结构、学习算法,对影响泛化性能的量化精度、采样精度及其之间的关系进行理论分析.并通过计算机仿真验证了当量化精度等于采样精度、量化精度大于采样精度时对网络精度的影响,得出量化精度应该大于采样精度的结论.提出一种利用基于多目标的遗传算法来确定泛化常数和量化精度的方法,并通过实例验证方法的正确性.     

一种能够改善泛化性能的多CMAC网络组合方法

CMAC神经网络以其学习算法简单、收敛速度快、泛化性能好的特点得到越来越多的应用.把多个训练好的不同CMAC网络加权组合起来可以综合利用每个网络学习到的有效信息.仿真实验表明组合网络的泛化性能优于单个最佳子网络.在CMAC网络结构参数不变的情况下,通过多网络组合的方法来改善网络泛化性能是有效可行的.     

提高小脑模型神经网络精度的算法及仿真应用

CMAC(cerebella model articulation controller)神经网络的局部结构使得学习非线性函数更快.然而,在许多应用领域,CMAC的学习精度不能满足应用要求.该文提出了一种改进CMAC学习精度的联想插补算法,同时给出了一个仿真实验.其结果表明,使用此算法,改进的CMAC的学习精度比改进前提高了10倍,学习收敛也更快.     

一种CMAC超闭球结构及其学习算法

提出了一种CMAC(Cerebellar Model Articulatlon Controller)输入空间超闭球量化 方法.基于超闭球上模糊基函数的信息存储与恢复策略,还给出了快速收敛的学习算法.通过 非线性动态系统建模仿真研究,结果表明CMAC具有很强的学习记忆和泛化能力.     

基于变尺度编码CMAC的增强学习控制器及其应用

研究了一种基于变尺度编码CMAC神经网络的增强学习控制器设计方法,并应用于以自行车平衡为模型的非线性随机系统的学习控制中.该方法通过对Markov决策过程状态空间的变尺度重叠量化编码,实现基于CMAC的多分辨率值函数逼近,从而有效地提高了增强学习控制器对连续状态空间马氏决策问题的泛化性能.针对自行车学习控制的仿真研究表明,采用变尺度编码CMAC进行值函数逼近的增强学习控制器能够获得优于已有表格型方法和均匀编码CMAC方法的学习效率和泛化性能.     

CMAC最优设计及其算法——GA技术优化CMAC偏移矢量分布

采用GA(Genetic Algorithm)技术实现CMAC(cerebellar Model Articulation Controller)最优设计及算法.该方法解决了CMAC与其学习对象的整体优化问题,具有理论 意义和实用价值.仿真结果证明该方法是成功的和有效的.对不同的客观对象(如空间曲面), 可以采用GA技术找到CMAc的最优内部表示(偏移矢量分布),实现一般CMAC难以达到 的精度.该方法比Albus的CMAC和Parks等的CMAC学习效果都有不同程度的提高,适 合于要求高精度学习的情况.同时给出了任意偏移矢量分布的CMAC算法.     

改进的小脑控制神经网络算法研究

研究小脑控制器神经网络(CMAC)在模式识别中的应用问题.在算法优化过程中,针对模式识别中训练样本中存在着高维、大量冗余信息而传统CMAC不能够对输入信息空间维数降低,从而常导致CMAC网络训练速度慢、识别率低等问题.为了加快CMAC学习速度,提高识别率,提出一种基于粗糙集(RS)的CMAC模式识别方法(RS_CMAC).利用粗糙集约简并删除训练样本中的冗余信息,降低样本的维数,从而优化网络的结构;同时网络中引入了自适应动态学习率,加快网络的收敛速度和学习速度,从而提高识别率.以数码管模式识别为例对算法进行了验证性实验,仿真结果表明,与传统CMAC相比.识别精度有了明显提高,学习速度加快.RS_CMAC方法克服了传统CMAC缺点和不足,是一种有效的模式识别方法,为实际应用提供依据.     

一种新的分布式神经模糊控制器

本文提出了一种分布式神经模糊网络和自学习模糊控制器的构成方法，它是CMAC模型的一种扩展，使其能进行模糊推理和构成自习的模糊控制器，该方法除具有CMAC优点外，还具有以下特点；（1）输入数据通过 模糊划分和隶属函数后自动编码，对精度没有限制；（2）从现场数据直接获取控制规则，即使对未训练的数据，也能结合插值和泛化两种能力，推理出合适的输出。本文还对DNFN的逼近能力进行了讨论，学习实例证明了方法的有效性。     

基于GIHCMAC神经网络的建筑电负荷预测方法

随着能源供应与经济快速发展的矛盾日益加剧，建筑节能成为可持续发展战略的一个关键环节，研究一种快速、精准的建筑用电量预测方法是实现建筑节能优化控制的重要前提.本文将遗传算法与蚁群聚类算法相融合，对基于聚类的IHCMAC （Improvement Hyperball CMAC）神经网络的网络节点进行改进，将GIHCMAC （Genetic Algorithm Ant Colony Clustering Algorithm based on IHCMAC）作为建筑电力负荷预测模型，对潍坊某一办公建筑用电负荷进行预测.研究结果表明，该预测模型迭代次数最小、准确度较高，其迭代次数、训练误差、泛化误差分别为9、0.0045、0.0014，较IHCMAC、KHCMAC （K-means Hyperball CMAC）、IKHCMAC （Improvement K-means Hyperball CMAC）模型的收敛速度更快，精度更高，泛化能力更强.     

一类具有多维存储结构的CMAC神经网络

对于多输入 CMAC神经网络 ,概念映射决定了网络泛化特性 .从而直接影响到网络学习速度和网络的逼近精度 .本文在对多输入 CMAC网络进行深入分析的基础上 ,指出了概念映射的重要性及现有映射算法存在的不足 ;巧妙地将网络存储器由原来的一维改为多维从而得到了一类新型的多输入 CMAC神经网络 ,同时给出了新型网络的概念映射算法并分析论证了算法的合理性、严密性 .计算机仿真结果验证了所提出新型网络及其概念映射算法的有效性     

Nonlinear Systems Identification via Two Types of Recurrent Fuzzy CMAC

Normal fuzzy CMAC neural network performs well for nonlinear systems identification because of its fast learning speed and local generalization capability for approximating nonlinear functions. However, it requires huge memory and the dimension increases exponentially with the number of inputs. It is difficult to model dynamic systems with static fuzzy CMACs. In this paper, we use two types of recurrent techniques for fuzzy CMAC to overcome the above problems. The new CMAC neural networks are named recurrent fuzzy CMAC (RFCMAC) which add feedback connections in the inner layers (local feedback) or the output layer (global feedback). The corresponding learning algorithms have time-varying learning rates, the stabilities of the neural identifications are proven.     

模糊小脑模型神经网络

提出输入层具有一定隶属度的模糊小脑模型神经网络(Fuzzy CMAC),它比小脑 模型CMAC(Cerebellar Model Articulation Controller)能更真实地描述客观世界.给出n维 Fuzzy CMAC算法,仿真结果表明Fuzzy CMAC比小脑模型CMAC具有如下优点:学习收敛 速度快得多,可以学习模糊规则.Fuzzy CMAC比CMAC优越,使CMAC成为Fuzzy CMAC 的特例.     

An efficient CMAC neural network for stock index forecasting

Stock index forecasting is one of the major activities of financial firms and private investors in making investment decisions. Although many techniques have been developed for predicting stock index, building an efficient stock index forecasting model is still an attractive issue since even the smallest improvement in prediction accuracy can have a positive impact on investments. In this paper, an efficient cerebellar model articulation controller neural network (CAMC NN) is proposed for stock index forecasting. The traditional CAMC NN scheme has been successfully used in robot control due to its advantages of fast learning, reasonable generalization capability and robust noise resistance. But, few studies have been reported in using a CMAC NN scheme for forecasting problems. To improve the forecasting performance, this paper presents an efficient CMAC NN scheme. The proposed CMAC NN scheme employs a high quantization resolution and a large generalization size to reduce generalization error, and uses an efficient and fast hash coding to accelerate many-to-few mappings. The forecasting results and robustness evaluation of the proposed CMAC NN scheme were compared with those of a support vector regression (SVR) and a back-propagation neural network (BPNN). Experimental results from Nikkei 225 and Taiwan Stock Exchange Capitalization Weighted Stock Index (TAIEX) closing indexes show that the performance of the proposed CMAC NN scheme was superior to the SVR and BPNN models.     

基于CMAC神经网络的热连轧精轧温度预报模型

温度是带钢热连轧过程中几个最重要的工艺参数之一,由于温度将直接影响到热札轧制力,因此精确预报各道次,特别是精轧机组各机架的轧制温度,是保证厚度、板形及宽度数学模型命中率的关键.而精轧温度预报技术是热连轧的核心技术.由于传统的模型技术已经不能进一步提高精轧温度的预报精度,针对带钢热连轧精轧温度传统模型的固有缺陷,根据CM...     

一种新型模糊神经网络函数逼近器

论文提出了一种新型模糊小脑模型神经网络(NFCMAC),它采用模糊隶属度函数作为接收域函数,能够获得较常规CMAC连续性强且有解析微分的复杂函数近似,具有计算量少,学习效率高等优点。同时研究了NFCMAC接受域函数的映射方法、隶属度函数及其参数的选取规律和学习算法。仿真结果表明NFCMAC具有良好的泛化能力和逼近精度,具有较高的收敛速度。     

基于CMAC神经网络的电池荷电状态估计

现有电池荷电状态(SOC)估计方法所需训练和学习时间较长,很难满足动力电池的实时性要求。为解决该问题,利用小脑模型关节控制器(CMAC)神经网络对电池SOC进行评估,CMAC神经网络具有学习算法简单和逼近任意非线性函数的能力。对镍氢电池的模拟测试结果表明,与反向传播神经网络相比,CMAC神经网络的学习和收敛速度较快,能实时估计出电池SOC,并使估计误差在可接受范围内。