一种多种群广义遗传CMAC的软测量模型

对CMAC的惯性系数和学习率进行了优化,提出了基于广义遗传优化的小脑模型神经网络(CMAC)算法,提高CMAC的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要.结合溶出预脱硅系统工艺优化的需求,提出了基于广义遗传优化的CMAC的溶出赤泥A/S比系统软模型,用于准确实时地预测溶出赤泥A/S比.试验说明了该模型在...     

非线性量化CMAC研究与应用

提出了基于非线性量化小脑模型神经网络（CMAC）算法,对CMAC的概念映射进行了自适应设计,提高CMAC的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要。结合溶出预脱硅系统工艺优化的需求,提出了基于非线性量化CMAC的溶出预脱硅系统时间序列预测模型,用于准确实时地预测循环母液加入量,在此基础上进行循环母液投放措施优化。工业实验说明了该模型在对化工软计算的预测精度和快速性上具有明显的优越性,该模型已应用于某氧化铝厂工艺优化系统中动态调节循环母液投放量,节省了生产成本,取得了明显的经济效益。     

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.     

FUZZY CMAC NEURAL NETWORK ZHOU XUDONG

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.     

基于自适应CMAC的赤泥沉降底流控制模型

本文对CMAC的学习率和惯性系数进行了自适应设计,提高CMAC的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要。结合沉降分离控制系统工艺优化的需求,提出了基于自适应CMAC的沉降系统泥层界面预测和底流控制模型,用于准确实时地预测泥层界面,在此基础上进行底流流量优化控制。工业试验说明了该模型在对过程量预测的预测精度和快速性上具有明显的优越性,本模型已应用于某氧化铝厂工艺优化系统中动态调节底流流量,取得了明显的经济效益。     

基于模拟双退火的模糊CMAC神经网络

本文首先给出了一种模拟双退火算法,增加第二退火温度,随着第二温度的降低,逐渐减少状态向量中可变元素的个数.直至只允许一个元素变化,由此可快速精确的逼近最优解的,其次利用该算法对模糊CMAC(小脑模型关节控制器)神经网络的权值进行优化,并构成了一种新型模糊CMAC神经网络.在模型未知的情况下,利用该神经网络对一个非线形时变模型进行控制仿真,效果很好.     

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.     

非线性量化小脑模型神经网络在溶出循环母液配比模型中的应用

采用自适应算法对小脑模型神经网络的概念映射进行设计,提出了非线性量化小脑模型神经网络算 法,提高小脑模型神经网络的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要．提出了基于非线性 量化小脑模型神经网络的溶出预脱硅系统时间序列预测模型,用于准确实时地预测循环母液加入量,在此基础上进 行循环母液投放措施优化．试验说明了该模型在对化工软计算的预测精度和快速性上具有明显的优越性,本模型已 应用于某氧化铝厂工艺优化系统中,动态调节循环母液投放量以节省原料．     

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。     

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.     

机械臂的CONN控制与CMAC控制的比较研究

由于正交神经网络算法简单，学习收敛速度快，具有线性、非线性逼近精度高等优异特性，取得了较好的应用效果，但在机器人动态建模与实时控制问题上研究较少。为此在机械臂的神经网络控制中，该文提出复合正交神经网络(CONN)与PID并行控制方法，并对小脑模型(CMAC)与PID并行控制作一比较研究。仿真结果表明，当阶跃输入与正弦输入时CONN与CMAC实现的前馈控制具有相同的控制效果，但CONN算法比CMAC算法更简单，这充分地体现了复合正交神经网络的特点。     

具有微分输出的神经网络New-CMAC及其学习收敛性

基于传统的CMAC神经网络和局部加权回归技术,提出了与传统CMAC(cerebellar model articulation computer)有着同样存储空间量的改进的新CMAC网络New-CMAC,它具有传统的输出和具有其微分信息的输出,因而更适合于自动控制.接着,又提出了其新的学习算法,并研究了其学习收敛性.     

Standalone CMAC Control System With Online Learning Ability

A cerebellar model articulation controller (CMAC) control system, which contains only one single-input controller implemented by a differentiable CMAC, is proposed in this paper. In the proposed scheme, the CMAC controller is solely used to control the plant, and no conventional controller is needed. Without a preliminary offline learning, the single-input CMAC controller can provide the control effort to the plant at each online learning step. To train the differentiable CMAC online, the gradient descent algorithm is employed to derive the learning rules. The sensitivity of the plant, with respect to the input, is approximated by a simple formula so that the learning rules can be applied to unknown plants. Moreover, based on a discrete-type Lyapunov function, conditions on the learning rates guaranteeing the convergence of the output error are derived in this paper. Finally, simulations on controlling three different plants are given to demonstrate the effectiveness of the proposed controller.      

一种CMAC网络模型及其在机器人控制中的应用

小脑模型关节控制器（CMAC）具有学习算法简单、在线学习速度快的优点,非常适于机器人等复杂系统的自适应控制,本文阐述了CMAC的原理,证明了其收敛性,提出了一种适合于机器人轨迹跟踪控制的CMAC,并给出了仿真实验结果。     

连续CMAC-RLS在CSTR系统中的仿真研究

基于RLS算法的连续CMAC是在对CMAC的结构进行相应改变的基础上提出的,收敛速度快,收敛性得到了证明,可以有效的提高CMAC的性能,但连续CMAC-RLS算法的仿真和应用研究还比较少,有待于更多的发展.将RLS算法引入CMAC网络从而构成的基于RLS算法的连续CMAC网络,并给出了完整的连续CMAC-RLS算法的数学描述.随后讨论了CSTR系统,并采用基于RLS算法的连续CMAC对具有代表性的强非线性系统CSTR进行建模.仿真结果表明,关于连续CMAC网络对强非线性系统具有良好的建模效果,可应用于较复杂的工业系统建模.     

基于近似模型的多层模糊CMAC自适应非线性控制

针对非线性离散时间系统的控制问题,提出了一种基于近似模型的多层模糊CMAC 自适应控制方法.采用多层模糊CMAC对非线性函数进行逼近,并提出了一种新的神经网络学 习算法来保证权值的有界性.由于无需满足PE条件,所以文中提出的方法对于离散时间系统 的神经网络控制问题具有实际价值.     

Learning convergence in the cerebellar model articulationcontroller

A new way to look at the learning algorithm in the cerebellar model articulation controller (CMAC) proposed by J.S. Albus (1975) is presented. A proof that the CMAC learning always converges with arbitrary accuracy on any set of training data is obtained. An alternative way to implement CMAC based on the insights obtained in the process is proposed. The scheme is tested with a computer simulation for learning the inverse dynamics of a two-link robot arm.     

椭球定界算法在混合建模中的应用研究

并行结构混合建模主要由机理模型与误差补偿模型组成.一般地,误差补偿模型不宜过于复杂,且模型应具有校正功能,以免精度随时间不断下降.针对这个问题,本文选择单层神经网络作为误差补偿模型,并将椭球定界算法应用于单层神经网络的参数更新,不仅能够保证建模误差稳定有界,同时能够提高网络的收敛速度.将提出的方法应用于氧化铝生产过程,改进了原有的苛性碱和氧化铝组 分浓度软测量方法.实验研究结果表明,椭球定界算法的应用提高了模型的精度和网络的收敛速度.除此之外,在存在噪声干扰下,改进 的方法比原有方法更稳定,进一步证明了方法的有效性和优越性.     

非均匀采样多率ARMAX系统RELS算法性能分析

针对一类有色噪声干扰的非均匀采样多率ARMAX系统的辩识问题,基于增广参数维数理论,将系统模型参数化,将信息向量中含有的不可测噪声项用其估计残差代替,推导了非均匀采样ARMAX系统的递推增广最小二乘(RELS)算法;利用鞅收敛定理对该算法的收敛性进行了理论分析,结果表明该算法在噪声方差有界和广义持续激励的条件下能够收敛到真参数.仿真例子验证了该算法具有良好的收敛速度与估计精度.